Wir haben zwei bevorstehende Webcasts zu Building Better Models, die zu einem für Großbritanniens Publikum günstigen Zeitpunkt präsentiert werden:
Wenn Sie neu sind JMP Pro , möchten Sie den Webcast auf sehen 21. Oktober 2014 .Wenn Sie JMP Pro bereits verwenden, wird der Webcast 31. Oktober 2014 wird am besten zu Ihnen passen.Diese Webcasts helfen Ihnen, die Techniken für die prädiktive Modellierung zu verstehen. Heutige datengesteuerte Unternehmen benötigen eine Reihe von Modellierungstechniken, wie z Bootstrap-Forest (eine Zufalls-Forest-Technik) und partielle kleinste Quadrate (PLS) , die beide besonders zur variablen Reduktion für numerische Daten mit vielen korrelierten Variablen geeignet sind. Einige Unternehmen befassen sich beispielsweise mit einer Vielzahl potenzieller Prädiktoren für eine Antwort, die manchmal in die Tausendere Zahl fällt. Bootstrap Forest und PLS können Analysten dabei helfen, das Signal vom Rauschen zu trennen und die Handvoll wichtiger Variablen zu finden.
Andere Organisationen befassen sich mit dem Problem der Kundensegmentierung. Sie müssen möglicherweise Techniken anwenden, einschließlich Clusteranalyse . Entscheidungsbäume und Hauptkomponentenanalyse (PCA) . Entscheidungsbäume eignen sich besonders gut für die variable Auswahl. Die Verwendung verschiedener Modellierungstechniken kann zu einer unterschiedlichen Auswahl von Variablen führen, die nützliche Einblicke in die verborgenen Verhaltenstreiber bieten.
Verbraucherdaten sind notorisch unordentlich mit fehlenden Werten, Ausreißern und in einigen Fällen korrelierten Variablen. Fehlende Werte können ein echtes Problem sein, da die üblichen Regressionstechniken beim Erstellen der Modelle unvollständige Zeilen ausschließen. Dieses "Fehlen" selbst kann sinnvoll sein, also verwenden informativ vermisst Techniken, um deren Bedeutung zu verstehen, können Ihnen helfen, bessere Modelle zu erstellen. Einige Techniken, wie z Bootstrap-Wald und allgemeine Regression behandeln Sie unordentliche Daten nahtlos.
Ein entscheidender Schritt beim Aufbau besserer Modelle ist die Verwendung Rückhaltetechniken Erstellen von Modellen, die gute Vorhersagen für neue Daten bieten, sowie Beschreiben der zum Erstellen der Modelle verwendeten Daten. Das Zurückhalten von Daten zur Validierung von Modellen hilft, das Modell ehrlich zu halten, indem es vermieden wird Überanpassung und ein genaueres Modell erstellen.
Analysten stehen vor einer großen Hürde, wenn sie den Führungskräften ihre Modelle so erklären, dass sie dies tun können "Was wäre wenn" oder Szenarioanalyse und prüft dabei Entscheidungen, bevor sie sich verpflichten. Ein leistungsfähiger Weg, dies zu tun, besteht darin, die Modelle dynamisch zu profilieren. Wenn Unternehmen das beste Modell ausgewählt haben, möchten sie dies häufig Die Modelle einsetzen, um zu punkten vorhandene und neue Daten, damit verschiedene Abteilungen geeignete Maßnahmen ergreifen können.
Ich hoffe, dass Sie sich zu einem dieser Themen anschließen können Live-Präsentationen wo wir anhand von Fallstudien demonstrieren werden, wie diese prädiktiven Modellierungstechniken angewendet werden können.
