干货分享|常见的5大预测分析模型

预测分析工具由几种不同的模型和算法支持，这些模型和算法可广泛应用。确定哪种预测建模技术最适合自己，是从预测分析解决方案中获得最大收益并利用数据做出深刻决策的关键。

1、分类模型

在某些方面，分类模型是我们将要介绍的几种类型的预测分析模型中最简单的一种。它根据从历史数据中学到的信息将数据分类。

分类模型最好回答是或否的问题，提供广泛的分析，有助于指导果断的行动。这些模型可以回答以下问题：

• 对于零售商来说，“这个顾客会流失吗？”

• 对于贷款提供者，“这笔贷款会被批准吗？” 或“此申请人是否有可能违约？”

• 对于在线银行提供商而言，“这是欺诈交易吗？”

分类模型具有广泛的可能性，以及通过新数据对其进行再培训的简便性，意味着它可以应用于许多不同的行业。

2、聚类模型

聚类模型基于相似的属性将数据分类到单独的嵌套智能组中。如果一家电子商务鞋类公司希望为其客户实施有针对性的营销活动，那么他们可以遍历数十万条记录来为每个人创建量身定制的策略。但这是最有效的时间利用方式吗？可能不是。

使用聚类模型，他们可以根据共同特征将客户快速分为相似的组，并针对每个组设计更大的策略。

这种预测性建模技术的其他用例可能包括基于贷款属性将贷款申请人分组为“智能桶”，在犯罪率高的城市中识别区域，以及将SaaS客户数据分组以确定全局使用模式。

3、预测模型

预测模型是使用最广泛的预测分析模型之一，用于处理度量值预测，对历史数据的学习估计新数据的数值。

这个模型可以应用于任何有历史数值数据的地方。场景包括:

• SaaS公司可以估计他们在给定一周内可能转换的客户数量。

• 呼叫中心可以预测每小时将收到多少个电话。

• 鞋店可以计算出他们应该保留多少库存以满足特定销售期间的需求。

预测模型还考虑了多个输入参数。如果餐厅老板希望预测下周可能会接待的顾客数量，则该模型将考虑可能影响这一点的因素，例如：附近是否有活动？天气预报怎么样？有一种疾病在流行吗?

4、离群值模型

离群值模型围绕数据集中的异常数据条目进行定位。它可以自行识别异常数字，也可以与其他数字和类别一起识别异常数字。

• 记录支持电话的高峰时间，这可能表明产品故障可能导致召回

• 查找交易或保险索赔中的异常数据以识别欺诈

• 在NetOps日志中查找异常信息，并注意到即将发生计划外停机的迹象

离群模型对于零售和金融中的预测分析特别有用。例如，当识别欺诈交易时，该模型不仅可以评估金额，还可以评估位置，时间，购买历史以及购买的性质（例如，购买1000美元的电子产品不像购买相同金额的书籍或公共设施那样具有欺骗性）。

5、时间序列模型

时间序列模型包括捕获的数据点的序列，使用时间作为输入参数。它使用去年的数据来制定数字指标，并使用该指标预测接下来的三到六周的数据。该模型的用例包括过去三个月中每天收到的电话数量，过去20个季度中的销售量或过去六周在指定医院就诊的患者数量。这是一种理解奇异度量随着时间发展的方式的有效方法，其准确性水平超过简单的平均值。它还考虑了一年中的季节或可能影响指标的事件。

如果沙龙的老板希望预测可能会光顾，他可能会使用粗略的方法，把过去90天的访客总数平均下来。但是，增长并不总是静态的或线性的，并且时间序列模型可以更好地对指数增长进行建模，并使模型更好地与公司的趋势保持一致。它还可以同时预测多个项目或多个区域，而不是一次预测一个。