Najmeh Dehghani, Analytics Engineer, JLL
Der Prozess der Angebotsanfrage (RFQ) kann mithilfe von Algorithmen für maschinelles Lernen optimiert werden, um den Preis von vorgefertigten Metallgebäuden (PEMBs) auf der Grundlage historischer Daten vorherzusagen. Dieser Prozess umfasst das Sammeln von Daten zu PEMBs, deren Vorverarbeitung durch Entfernen fehlender Werte und Behandeln von Ausreißern, das Auswählen relevanter Features durch Feature Engineering und das Aufteilen der Daten in Trainings- und Testsätze. Zur Erstellung des Modells können gängige Algorithmen für maschinelles Lernen wie lineare Regression, Entscheidungsbäume, Random Forest oder neuronale Netze verwendet werden, und Leistungsmetriken wie mittlerer quadratischer Fehler (MSE) und mittlerer quadratischer Fehler (RMSE) werden zur Bewertung des Modells verwendet .
Python und JMP sind zwei Tools, die für diese prädiktive Modellierung verwendet werden können. Python ist eine beliebte Programmiersprache mit Bibliotheken für Datenanalyse und maschinelles Lernen. Gleichzeitig ist JMP ein kommerzielles Softwarepaket zur statistischen Analyse und Datenvisualisierung. Die Wahl zwischen beiden hängt von den spezifischen Projektanforderungen, den Benutzerkenntnissen und den verfügbaren Ressourcen ab.
Durch die Erstellung eines Vorhersagemodells für PEMBs können Unternehmen das Gewicht zukünftiger Projekte genauer einschätzen, was zu einer besseren Budgetierung, Planung und Ressourcenzuweisung führt.
