Prognoosiv analüüs

Allikas: Vikipeedia

Prognoosiv ehk ennustav analüütika on ärianalüüsi (Businnes Intelligence, BI) tehnoloogiate kogum, mis avastab seoseid ja mustreid suurte andmemahtude sees, mida saab kasutada käitumise ja sündmuste ennustamiseks.[1]

Lihtsamalt öeldes võib prognoosiv analüütika aidata ettevõtetel optimeerida olemasolevaid protsesse, mõista paremini klientide käitumist, tuvastada ootamatuid võimalusi ja ennetada probleeme enne nende tekkimist.

Prognoosiva analüütika protsess [2][muuda | muuda lähteteksti]

Prognoosiv analüütika hõlmab mitmeid samme, mille kaudu andmeanalüütik saab praeguste ja ajalooliste andmete põhjal tulevikku ennustada.

Nõuete kogumine[muuda | muuda lähteteksti]

Prognoosiva mudeli väljatöötamiseks tuleb selgeks teha, mis on prognoosi eesmärk. Prognoosimise kaudu tuleks määratleda omandatavate teadmiste tüüp. Näiteks soovib ravimifirma teada ravimi müügiprognoosi teatud piirkonnas, et vältida nende ravimite aegumist. Andmeanalüütikud istuvad koos klientidega, et teada saada ennustusmudeli väljatöötamise nõuet ja seda, kuidas klient neist prognoosidest kasu saab. Selgitatakse välja, milliseid kliendiandmeid mudeli väljatöötamisel nõutakse.

Andmete kogumine[muuda | muuda lähteteksti]

Pärast kliendiorganisatsiooni nõuete tundmaõppimist kogub analüütik prognoosimudeli väljatöötamiseks vajalikke andmekogumeid, mis võivad pärineda erinevatest allikatest. See võib olla täielik nimekiri klientidest, kes kasutavad või testivad ettevõtte tooteid. Need andmed võivad olla struktureeritud või struktureerimata kujul.

Andmete analüüs[muuda | muuda lähteteksti]

Andmeanalüütikud analüüsivad kogutud andmeid ning valmistavad need ette mudelis kasutamiseks. Selles etapis teisendatakse struktureerimata andmed struktureeritud kujule. Peale seda kontrollitakse struktureeritud andmete kvaliteeti. Kõik võimalikud andmevead ja puuduvad väärtused tuleb kõrvaldada. Prognoosiva mudeli tõhusus sõltub täielikult andmete kvaliteedist. Analüüsifaasi nimetatakse andmetöötluseks, mis tähendab algandmete teisendamist analüütikaks kasutatavasse vormingusse.

Statistika ja masinõpe[muuda | muuda lähteteksti]

Prognoosiv analüüs kasutab mitmesuguseid statistilisi ja masinõppe tehnikaid. Tõenäosusteooria ja regressioonianalüüs on kõige olulisemad tehnikad, mida analüütikas laialdaselt kasutatakse. Samamoodi on tehisnärvivõrgud, otsustuspuu, tugivektor-masinad masinõppe tööriistad, mida kasutatakse laialdaselt paljudes prognoosiva analüüsi ülesannetes. Kõik prognoosiva analüütilised mudelid põhinevad statistilistel ja/või masinõppetehnikatel. Seetõttu rakendavad analüütikud prognoosimudelite väljatöötamiseks statistika ja masinõppe kontseptsioone.

Prognoosiv modelleerimine[muuda | muuda lähteteksti]

Selles etapis töötatakse välja mudel, mis põhineb statistilistel ja masinõppetehnikatel ning näidisandmestikul. Mudelit testitakse testandmestikul, mis on osa kogutud põhiandmestikust, et kontrollida selle kehtivust ja kui see õnnestub, loetakse mudel sobivaks. Pärast seda saab mudel teha täpseid ennustusi süsteemi sisestatud uute andmete põhjal.

Prognoos ja jälgimine[muuda | muuda lähteteksti]

Mudelit jälgitakse pidevalt tagamaks, et see annab õigeid tulemusi ja teeb täpseid ennustusi.

Prognoosiva analüütika võimalused[muuda | muuda lähteteksti]

Mõned kõige levinumad võimalused prognoosiva analüütika valdkonnas on:

  1. Pettuste avastamine. Kuritegelike käitumismustrite avastamist ja ennetamist saab parandada mitme analüüsimeetodi kombineerimisega. Käitumisanalüütikat saab rakendada võrgus toimuvate toimingute jälgimiseks reaalajas. See võib tuvastada ebatavalised tegevused, mis võivad viia pettuseni. Selle kontseptsiooni rakendamisel saab tuvastada ka ohte.[3]
  2. Riski vähendamine. Teenuse ostja või tarbija maksejõuetuse tõenäosust saab eelnevalt hinnata krediidiskooriga, kasutades prognoosivat analüütikat. Krediidiskoor genereeritakse prognoosiva mudeli abil, kasutades kõiki isiku krediidivõimega seotud andmeid. Seda kasutavad krediitkaardi väljastajad ja kindlustusfirmad petturlike klientide tuvastamiseks.[4]
  3. Turunduskampaania optimeerimine. Klientide reaktsioone toote ostmisele saab määrata prognoosiva analüütika abil. Seda saab kasutada ka ristmüügivõimaluste reklaamimiseks. See aitab ettevõtetel meelitada ligi ja hoida kõige kasumlikumaid kliente.[5]
  4. Toimimise täiustamine. Efektiivsemat ressursside haldamist saab saavutada prognoosiva mudelite abil. Nii nätieks saavad kasutada prognoosivat analüütikat lennufirmad piletite hindade määramiseks; hotellid - hotellide hõivatuse maksimeerimiseks ja tulude suurendamiseks, et ennustada konkreetsel ööl viibivate külaliste arvu.[6]
  5. Kliiniliste otsuste tugisüsteem. Patsiendi diagnoosimiseks saab kasutada prognoosivatel mudelitel põhinevaid ekspertsüsteeme. Seda võib kasutada ka haiguse ravimite väljatöötamisel.[7]

Prognoosiva analüütika rakendamine[muuda | muuda lähteteksti]

Prognoosiva analüütika rakendusi on erinevates valdkondades palju - alates kliiniliste otsuste analüüsist kuni aktsiaturu prognoosimiseni. Allpool on loetletud kõige populaarsemad rakendused.

Pangandus- ja finantsteenused[muuda | muuda lähteteksti]

Prognoosivat analüütikat kasutatakse laialdaselt panganduses ja finantssektoris. Mõlemas harus on olulisel kohal andmed ja raha ning nendest andmetest ja raha liikumisest info leidmine mängib väga suurt rolli. Prognoosiv analüüs aitab tuvastada petturlikke kliente ja kahtlasi tehinguid. See vähendab krediidiriski, mille alusel need tööstusharud oma klientidele raha laenavad. See aitab rist- ja ülesmüümisel ning väärtuslike klientide hoidmisel ja ligimeelitamisel. Finantssektorites, kus raha investeeritakse aktsiatesse või muudesse varadesse, ennustab prognoosiv analüütika investeeringutasuvust ja aitab investeerimisotsuste tegemisel.[8]

Jaemüük[muuda | muuda lähteteksti]

Prognoosiv analüüs aitab jaekaubandussektoril kliente tuvastada ja mõista, mida nad vajavad ja tahavad. Seda tehnikat rakendades ennustavad nad klientide käitumist toote suhtes. Ettevõtted saavad määrata hindu ja teha toodetele eripakkumisi pärast klientide ostukäitumise kindlaksmääramist. Samuti aitab see jaemüügisektoril ennustada, kuidas konkreetne toode konkreetsel hooajal edukaks osutub. Nad saavad reklaamida oma tooteid ja pöörduda klientide poole pakkumiste ja hindadega, mis on fikseeritud üksikutele klientidele. Prognoosiv analüüs aitab ka jaemüüjatel oma tarneahelat parandada. Nad tuvastavad ja ennustavad nõudlust kaupade järele konkreetses piirkonnas, võivad parandada nende toodete pakkumist.[9]

Tervis ja kindlustus[muuda | muuda lähteteksti]

Ravimisektoris kasutatakse prognoosivat analüütikat ravimite väljatöötamisel ja ravimite tarneahela täiustamisel. Seda tehnikat kasutades võivad need ettevõtted ennustada ravimite aegumist teatud piirkonnas müügi puudumise tõttu. Kindlustussektor kasutab klientide pettusenõuete tuvastamiseks ja ennustamiseks prognoosivaid analüütilisi mudeleid. Tervisekindlustussektor kasutab seda tehnikat, et selgitada välja kliendid, kellel on kõige suurem oht haigestuda tõsisele haigusele, ja pöörduda nende poole nende kindlustusplaanide müümisel, mis on nende investeeringuks parim.[10]

Nafta-, gaas- ja kommunaalteenused[muuda | muuda lähteteksti]

Nafta- ja gaasitööstus kasutab prognoosivaid analüütilisi meetodeid, et ennustada sedmete rikkeid ja minimeerida riske. Neid mudeleid kasutades ennustavad nad ressursside vajadust tulevikus. Energiaettevõtted saavad hooldusvajadust ette näha, et vältida tulevikus surmaga lõppevaid õnnetusi.[11]

Valitsus ja avalik sektor[muuda | muuda lähteteksti]

Valitsusasutused kasutavad suurandmetel põhinevat prognoosiva analüüsi tehnikaid, et tuvastada võimalikud kuriteod konkreetses piirkonnas. Nad analüüsivad sotsiaalvõrgustikest pärit andmeid, et tuvastada kahtlaste isikute taust ja ennustada nende edasist käitumist. Valitsused kasutavad prognoosivat analüütikat, et ennustada tulevasi rahvastikutrende riigi ja osariigi tasandil.[12]

Viited[muuda | muuda lähteteksti]

  1. W. W. Eckerson (2006). Predictive Analytics: Extending the Value of Your Data Warehousing Investment.
  2. V. Kumar (2018). "Predictive Analytics: A Review of Trends and Techniques" (PDF). ResearchGate.
  3. M. J. Nigrini (2011). Forensic Analytics: Methods and Techniques for Forensic Accounting Investigations.
  4. M. Schiff (2012). BI Experts: Why Predictive Analytics Will Continue to Grow.
  5. F. Reichheld, P. Schefter (2018). The Economics of E-Loyalty.
  6. V. Dhar (2001). Predictions in Financial Markets: The Case of Small Disjuncts.
  7. J. A. Osheroff, J. M. Teich, B. Middleton, E. B. Steen, A. Wright, D. E. Detmer (2007). A Roadmap for National Action on Clinical Decision Support.{{raamatuviide}}: CS1 hooldus: mitu nime: autorite loend (link)
  8. E. Indriasari, H. Soeparno, F. L. Gaol, T. Matsuo (2019). Application of Predictive Analytics at Financial Institutions: A Systematic Literature Review.{{raamatuviide}}: CS1 hooldus: mitu nime: autorite loend (link)
  9. K. Das, G.S. Vidyashankar (2006). Competitive Advantage in Retail Through Analytics: Developing Insights, Creating Values.
  10. N. Conz (2008). Insurers Shift to Customer-Focused Predictive Analytics Technologies.
  11. J. Feblowitz (2013). Analytics in Oil and Gas: The Big Deal About Big Data.
  12. G. H. Kim, S. Trimi, J.-H. Chung (2014). Big-data applications in the government sector.{{raamatuviide}}: CS1 hooldus: mitu nime: autorite loend (link)