Najmeh Dehghani, ingénieur analytique, JLL
Le processus de demande de devis (RFQ) peut être optimisé à l'aide d'algorithmes d'apprentissage automatique pour prédire le prix des bâtiments métalliques préfabriqués (PEMB) sur la base de données historiques. Ce processus implique la collecte de données sur les PEMB, leur prétraitement en supprimant les valeurs manquantes et en gérant les valeurs aberrantes, en sélectionnant les fonctionnalités pertinentes via l'ingénierie des fonctionnalités et en divisant les données en ensembles de formation et de test. Des algorithmes d'apprentissage automatique populaires tels que la régression linéaire, les arbres de décision, la forêt aléatoire ou les réseaux de neurones peuvent être utilisés pour créer le modèle, et des mesures de performance telles que l'erreur quadratique moyenne (MSE) et l'erreur quadratique moyenne (RMSE) sont utilisées pour évaluer le modèle. .
Python et JMP sont deux outils qui peuvent être utilisés pour cette modélisation prédictive. Python est un langage de programmation populaire avec des bibliothèques d'analyse de données et d'apprentissage automatique. Parallèlement, JMP est un progiciel commercial d'analyse statistique et de visualisation de données. Le choix entre les deux dépend des exigences spécifiques du projet, des compétences des utilisateurs et des ressources disponibles.
En créant un modèle prédictif pour les PEMB, les organisations peuvent estimer plus précisément le poids des futurs projets, ce qui améliore la budgétisation, la planification et l'allocation des ressources.
