Prediktiv analyse er et tema som har f\u00e5tt mye fokus i flere ulike bransjer. I tr\u00e5d med at dette er et begrep som blir mer og mer vanlig, er det viktig \u00e5 huske at prediktiv analyse ikke er definert som en teknologi eller teknikk. Allikevel, kan prediktiv analyse grovt deles inn i to tiln\u00e6rminger, m\u00f8nstergjenkjenning og simulering. M\u00f8nstergjenkjenning er den vanligste tiln\u00e6rmingen, og er grunnlaget for maskinl\u00e6re og kunstig intelligens. Simulering benytter en mer menneskelig vinkling til \u00e5 forst\u00e5 forretningsproblemer, forutse trender og anbefale optimale beslutninger. Den grunnleggende forskjellen mellom de to tiln\u00e6rmingene er at m\u00f8nstergjenkjenning er avhengig av korrelasjon, mens simulering er avhengig av menneskelig kunnskap om kausale forhold.<\/p>\n
M\u00f8nstergjenkjenning er datasentrisk. Du setter sammen en mengde data med en algoritme, den finner m\u00f8nstre i dataene og kartlegger fremtidige trender. Dette blir sett p\u00e5 som ryggraden for Data Mining, maskinl\u00e6re og AI. Store datamengder er sv\u00e6rt \u00f8nskelig, for desto st\u00f8rre datasettet er, desto st\u00f8rre er presisjonens n\u00f8yaktighet.<\/p>\n
Simulering derimot er modellsentrisk. Du starter med \u00e5 bruke menneskelig kunnskap om \u00e5rsak og effekt, for \u00e5 lage en modell av systemet der problemet ligger. Deretter kobler du dataene dine sammen med modellen for \u00e5 f\u00e5 fremtidige prediksjoner. Til eksempel, for \u00e5 forutse fremtidige salg, modellerer du de viktigste \u00e5rsaksfaktorene (som for eksempel salgserfaringer, produktkvalitet, ulike markedsfaktorer) og hvordan disse forholder seg til hverandre. Desto st\u00f8rre menneskeekspertise, desto st\u00f8rre er presisjonens n\u00f8yaktighet.<\/p>\n
Selv om b\u00e5de m\u00f8nstergjenkjenning og simulering kan v\u00e6re effektive tiln\u00e6rminger til prediktiv analyse, er det tre hovedfordeler ved simuleringsmetoden.<\/p>\n
<\/p>\n
Ofte mangler dataene dine viktig \u00e5rsaksfaktorer. Som for eksempel faktorer som tidspress, moral og omd\u00f8mme. Disse kan ha en betydelig effekt p\u00e5 \u00f8nskede resultater, men blir sjeldent fanget opp av informasjonssystemer. Ved simulering kan alt som er kjent om de manglende faktorene inkluderes i modellen, og ukjente faktorer kan estimeres. De resulterende prediksjonene vil ta hensyn til disse faktorene og kvantifisere graden av usikkerhet.<\/p>\n
<\/p>\n
I motsetning til m\u00f8nstergjenkjenning, som bygger p\u00e5 store mengder data av h\u00f8y kvalitet, bruker simulering dataene som er tilgjengelige og supplerer den med kunnskap. Ved simulering kreves det heller ikke at all data som kan v\u00e6re relatert til problemet m\u00e5 v\u00e6re med, for \u00e5 kunne se etter meningsfylte korrelasjoner. \u00c5rsakene til problemet er allerede bygget inn i modellen. Derfor har simulering ofte en mindre tidkrevende og kostbar datainnsamlingsprosess.<\/p>\n
<\/p>\n
En av utfordringene med m\u00f8nstergjenkjenning er at korrelasjonen ikke alltid reflekterer kausale forhold. Ofte med store dataanalyser, vil data inneholde korrelasjoner som kan virke som \u00e5rsaker, men som faktisk ikke er det. Slike falske korrelasjoner f\u00f8rer til mislykkede prediksjoner. Simulering starter med ekspertforst\u00e5else av \u00e5rsak og effekt, som er grunnlaget i vitenskapelig kunnskap, og som gir p\u00e5litelige resultater. Simulering benytter ogs\u00e5 en modelltesting og justeringsfase som er med p\u00e5 \u00e5 forbedre prediktiv n\u00f8yaktighet og forbedrer v\u00e5r forst\u00e5else av \u00e5rsak og effekt.<\/p>\n
Med slike klare fordeler kan du kanskje lure p\u00e5 hvorfor simuleringen har f\u00e5tt s\u00e5 lite oppmerksomhet under denne trendb\u00f8lgen rundt prediktiv analyse. Hittil har de st\u00f8rste tilhengere av simulering v\u00e6rt akademikere og spesialiserte konsulentfirmaer, som har implementert applikasjoner i et bredt spekter av bransjer. Dimensional Insight ser den prediktive styrken ved simulering og ser p\u00e5 muligheten for \u00e5 bygge applikasjoner basert p\u00e5 dette.<\/p>\n