Phân tích dự đoán là gì? (What Is Predictive Analytics?)
Thuật ngữ phân tích dự đoán đề cập đến việc sử dụng thống kê và các kỹ thuật lập mô hình để đưa ra dự đoán về kết quả và hiệu suất trong tương lai. Phân tích dự đoán xem xét các mẫu dữ liệu hiện tại và lịch sử để xác định xem các mẫu đó có khả năng xuất hiện trở lại hay không. Điều này cho phép các doanh nghiệp và nhà đầu tư điều chỉnh nơi họ sử dụng nguồn lực của mình để tận dụng các sự kiện có thể xảy ra trong tương lai. Phân tích dự đoán cũng có thể được sử dụng để cải thiện hiệu quả hoạt động và giảm rủi ro (Predictive analysis can also be used to improve operational efficiencies and reduce risk).
Điểm chính
- Phân tích dự đoán sử dụng số liệu thống kê và kỹ thuật lập mô hình để xác định hiệu suất trong tương lai (Predictive analytics uses statistics and modeling techniques to determine future performance).
- Các ngành và lĩnh vực như bảo hiểm và tiếp thị sử dụng các kỹ thuật dự đoán để đưa ra các quyết định quan trọng (Industries and disciplines, such as insurance and marketing, use predictive techniques to make important decisions).
- Các mô hình dự đoán giúp đưa ra dự báo thời tiết, phát triển trò chơi điện tử, dịch tin nhắn thoại thành văn bản, đưa ra quyết định về dịch vụ khách hàng và phát triển danh mục đầu tư (Predictive models help make weather forecasts, develop video games, translate voice-to-text messages, customer service decisions, and develop investment portfolios).
- Mọi người thường nhầm lẫn giữa phân tích dự đoán với học máy mặc dù hai lĩnh vực này là khác nhau (People often confuse predictive analytics with machine learning even though the two are different disciplines).
- Các loại mô hình dự đoán bao gồm cây quyết định, hồi quy và mạng lưới thần kinh (Types of predictive models include decision trees, regression, and neural networks).
Hiểu phân tích dự đoán (Understanding Predictive Analytics)
Phân tích dự đoán là một dạng công nghệ đưa ra dự đoán về một số điều chưa biết trong tương lai. Nó dựa trên một loạt kỹ thuật để đưa ra những quyết định này, bao gồm trí tuệ nhân tạo (AI), khai thác dữ liệu, học máy, lập mô hình và thống kê. Ví dụ: khai thác dữ liệu liên quan đến việc phân tích các bộ dữ liệu lớn để phát hiện các mẫu từ nó. Phân tích văn bản cũng thực hiện tương tự, ngoại trừ các khối văn bản lớn.
Mô hình dự đoán được sử dụng cho tất cả các loại ứng dụng, bao gồm dự báo thời tiết, tạo trò chơi điện tử, dịch giọng nói thành văn bản, dịch vụ khách hàng và chiến lược danh mục đầu tư. Tất cả các ứng dụng này đều sử dụng mô hình thống kê mô tả dữ liệu hiện có để đưa ra dự đoán về dữ liệu trong tương lai.
Phân tích dự đoán cũng hữu ích cho các doanh nghiệp để giúp họ quản lý hàng tồn kho, phát triển chiến lược tiếp thị và dự báo doanh số. Nó cũng giúp các doanh nghiệp tồn tại, đặc biệt là những doanh nghiệp trong các ngành có tính cạnh tranh cao như chăm sóc sức khỏe và bán lẻ. Các nhà đầu tư và chuyên gia tài chính có thể tận dụng công nghệ này để giúp xây dựng danh mục đầu tư và giảm nguy cơ rủi ro.
Các mô hình này xác định mối quan hệ, mẫu và cấu trúc trong dữ liệu có thể được sử dụng để đưa ra kết luận về việc những thay đổi trong quy trình cơ bản tạo ra dữ liệu sẽ thay đổi kết quả như thế nào. Các mô hình dự đoán được xây dựng dựa trên các mô hình mô tả này và xem xét dữ liệu trong quá khứ để xác định khả năng xảy ra các kết quả nhất định trong tương lai, dựa trên các điều kiện hiện tại hoặc một tập hợp các điều kiện dự kiến trong tương lai.
Công dụng của phân tích dự đoán (Uses of Predictive Analytics)
Phân tích dự đoán là một công cụ ra quyết định trong nhiều ngành công nghiệp.
Dự báo (Forecasting)
Dự báo là điều cần thiết trong sản xuất vì nó đảm bảo việc sử dụng tối ưu các nguồn lực trong chuỗi cung ứng. Các nan hoa quan trọng của bánh xe chuỗi cung ứng, cho dù đó là quản lý hàng tồn kho hay mặt bằng phân xưởng, đều yêu cầu những dự báo chính xác để hoạt động.
Mô hình dự đoán thường được sử dụng để làm sạch và tối ưu hóa chất lượng dữ liệu được sử dụng cho các dự báo đó. Việc lập mô hình đảm bảo rằng hệ thống có thể thu thập nhiều dữ liệu hơn, bao gồm cả dữ liệu từ các hoạt động tiếp xúc với khách hàng, để đảm bảo dự báo chính xác hơn.
Tín dụng (Credit)
Chấm điểm tín dụng sử dụng rộng rãi các phân tích dự đoán. Khi người tiêu dùng hoặc doanh nghiệp đăng ký tín dụng, dữ liệu về lịch sử tín dụng của người nộp đơn và hồ sơ tín dụng của những người đi vay có đặc điểm tương tự sẽ được sử dụng để dự đoán rủi ro mà người nộp đơn có thể không thực hiện được đối với bất kỳ khoản tín dụng nào được gia hạn.
Đánh giá rủi ro (Underwriting)
Dữ liệu và phân tích dự đoán đóng vai trò quan trọng trong hoạt động bảo lãnh phát hành. Các công ty bảo hiểm kiểm tra những người đăng ký hợp đồng để xác định khả năng phải chi trả cho một yêu cầu bồi thường trong tương lai dựa trên nhóm rủi ro hiện tại của những người có hợp đồng tương tự cũng như trong quá khứ. Các sự kiện dẫn đến việc thanh toán. Các mô hình dự đoán xem xét các đặc điểm so với dữ liệu về người mua bảo hiểm và yêu cầu bồi thường trong quá khứ được các chuyên gia tính toán sử dụng thường xuyên.
Tiếp thị (Marketing)
Những cá nhân làm việc trong lĩnh vực này xem xét cách người tiêu dùng phản ứng với nền kinh tế tổng thể khi lập kế hoạch cho một chiến dịch mới. Họ có thể sử dụng những thay đổi về nhân khẩu học này để xác định xem liệu tổ hợp sản phẩm hiện tại có lôi kéo được người tiêu dùng mua hàng hay không.
Trong khi đó, các nhà giao dịch tích cực xem xét nhiều số liệu khác nhau dựa trên các sự kiện trong quá khứ khi quyết định nên mua hay bán chứng khoán. Đường trung bình động, dải và điểm dừng dựa trên dữ liệu lịch sử và được dùng để dự báo biến động giá trong tương lai.
Phát hiện gian lận (Fraud Detection)
Dịch vụ tài chính có thể sử dụng phân tích dự đoán để kiểm tra các giao dịch, xu hướng và mô hình. Nếu bất kỳ hoạt động nào trong số này có vẻ bất thường, tổ chức có thể điều tra hoạt động đó để tìm hoạt động gian lận. Điều này có thể được thực hiện bằng cách phân tích hoạt động giữa các tài khoản ngân hàng hoặc phân tích thời điểm một số giao dịch nhất định xảy ra.
Chuỗi cung ứng (Supply Chain)
Phân tích chuỗi cung ứng được sử dụng để dự đoán và quản lý mức tồn kho cũng như chiến lược giá cả. Phân tích dự đoán chuỗi cung ứng sử dụng dữ liệu lịch sử và mô hình thống kê để dự báo hiệu suất, nhu cầu và sự gián đoạn tiềm ẩn của chuỗi cung ứng trong tương lai. Điều này giúp doanh nghiệp chủ động xác định và giải quyết rủi ro, tối ưu hóa nguồn lực và quy trình cũng như cải thiện việc ra quyết định. Các bước này cho phép các công ty dự đoán những nguyên liệu nào sẽ có sẵn tại bất kỳ thời điểm nào và liệu có thiếu hụt hay không.
Nguồn nhân lực (Human Resources)
Bộ phận nhân sự sử dụng phân tích dự đoán để cải thiện các quy trình khác nhau, chẳng hạn như dự báo nhu cầu về lực lượng lao động trong tương lai và yêu cầu về kỹ năng hoặc phân tích dữ liệu nhân viên để xác định các yếu tố góp phần vào tỷ lệ thôi việc cao. Phân tích dự đoán cũng có thể phân tích hiệu suất, kỹ năng và sở thích của nhân viên để dự đoán sự phát triển nghề nghiệp của họ và giúp lập kế hoạch phát triển nghề nghiệp bên cạnh việc dự báo các sáng kiến về sự đa dạng hoặc hòa nhập.
Phân tích dự đoán so với Machine Learning (Predictive Analytics vs. Machine Learning)
Một quan niệm sai lầm phổ biến là phân tích dự đoán và học máy là giống nhau. Phân tích dự đoán giúp chúng tôi hiểu những sự kiện có thể xảy ra trong tương lai bằng cách phân tích quá khứ. Về cốt lõi, phân tích dự đoán bao gồm một loạt các kỹ thuật thống kê (bao gồm máy học, mô hình dự đoán và khai thác dữ liệu) và sử dụng số liệu thống kê (cả lịch sử và hiện tại) để ước tính hoặc dự đoán kết quả trong tương lai.
Mặt khác, học máy là một lĩnh vực con của khoa học máy tính, theo định nghĩa năm 1959 của Arthur Samuel (người tiên phong người Mỹ trong lĩnh vực trò chơi máy tính và trí tuệ nhân tạo) có nghĩa là "lập trình máy tính kỹ thuật số để hoạt động trong một cách mà nếu được thực hiện bởi con người hoặc động vật, sẽ được mô tả là liên quan đến quá trình học tập.
Các mô hình dự đoán phổ biến nhất bao gồm cây quyết định, hồi quy (tuyến tính và logistic) và mạng lưới thần kinh, là lĩnh vực mới nổi của các phương pháp và công nghệ học sâu.
Các loại mô hình phân tích dự đoán (Types of Predictive Analytical Models)
Có ba kỹ thuật phổ biến được sử dụng trong phân tích dự đoán: Cây quyết định, mạng lưới thần kinh và hồi quy. Đọc thêm về từng điều dưới đây.
Cây quyết định (Decision Trees)
Nếu bạn muốn hiểu điều gì dẫn đến quyết định của ai đó thì bạn có thể thấy cây quyết định hữu ích. Loại mô hình này đặt dữ liệu vào các phần khác nhau dựa trên các biến nhất định, chẳng hạn như giá hoặc vốn hóa thị trường. Đúng như tên gọi, nó trông giống như một cái cây với nhiều cành và lá riêng lẻ. Các nhánh cho biết các lựa chọn có sẵn trong khi các lá riêng lẻ thể hiện một quyết định cụ thể.
Cây quyết định là mô hình đơn giản nhất vì chúng dễ hiểu và mổ xẻ. Chúng cũng rất hữu ích khi bạn cần đưa ra quyết định trong một khoảng thời gian ngắn.
Hồi quy (Regression)
Đây là mô hình được sử dụng nhiều nhất trong phân tích thống kê. Sử dụng nó khi bạn muốn xác định các mẫu trong tập hợp dữ liệu lớn và khi có mối quan hệ tuyến tính giữa các đầu vào. Phương pháp này hoạt động bằng cách tìm ra một công thức thể hiện mối quan hệ giữa tất cả các dữ liệu đầu vào được tìm thấy trong tập dữ liệu. Ví dụ: bạn có thể sử dụng hồi quy để tìm hiểu xem giá và các yếu tố chính khác có thể định hình hiệu quả hoạt động của bảo mật như thế nào.
Mạng lưới thần kinh (Neural Networks)
Mạng lưới thần kinh được phát triển như một dạng phân tích dự đoán bằng cách bắt chước cách hoạt động của bộ não con người. Mô hình này có thể xử lý các mối quan hệ dữ liệu phức tạp bằng trí tuệ nhân tạo và nhận dạng mẫu. Hãy sử dụng nó nếu bạn gặp một số trở ngại cần vượt qua như khi bạn có quá nhiều dữ liệu trong tay, khi bạn không có công thức bạn cần để giúp bạn tìm ra mối quan hệ giữa đầu vào và đầu ra trong tập dữ liệu của mình hoặc khi bạn cần đưa ra dự đoán hơn là đưa ra lời giải thích.
Nếu bạn đã sử dụng cây quyết định và hồi quy làm mô hình, bạn có thể xác nhận những phát hiện của mình bằng mạng lưới thần kinh.
Mô hình cụm (Cluster Models)
Phân cụm mô tả phương pháp tổng hợp dữ liệu có chung các thuộc tính. Hãy xem xét một nhà bán lẻ trực tuyến lớn như Amazon. Amazon có thể phân cụm doanh số bán hàng dựa trên số lượng mua hoặc có thể phân cụm doanh số bán hàng dựa trên độ tuổi tài khoản trung bình của người tiêu dùng. Bằng cách tách dữ liệu thành các nhóm tương tự dựa trên các đặc điểm chung, nhà phân tích có thể xác định các đặc điểm khác xác định hoạt động trong tương lai.
Mô hình chuỗi thời gian (Time Series Modeling)
Đôi khi, dữ liệu liên quan đến thời gian và các phân tích dự đoán cụ thể sẽ dựa vào mối quan hệ giữa điều gì xảy ra khi nào. Những loại mô hình này đánh giá đầu vào theo tần suất cụ thể, chẳng hạn như số lần lặp lại hàng ngày, hàng tuần hoặc hàng tháng. Sau đó, các mô hình phân tích tìm kiếm tính thời vụ, xu hướng hoặc mô hình hành vi dựa trên thời gian. Loại mô hình dự đoán này có thể hữu ích để dự đoán khi nào cần có thời gian phục vụ khách hàng cao điểm hoặc khi nào sẽ thực hiện doanh số bán hàng cụ thể.
Cách doanh nghiệp có thể sử dụng phân tích dự đoán (How Businesses Can Use Predictive Analytics)
Như đã lưu ý ở trên, phân tích dự đoán có thể được sử dụng trong một số ứng dụng khác nhau. Các doanh nghiệp có thể tận dụng các mô hình để giúp nâng cao lợi ích và cải thiện hoạt động của mình. Các doanh nghiệp thường sử dụng các mô hình dự đoán để giúp cải thiện dịch vụ khách hàng và khả năng tiếp cận của họ.
Các giám đốc điều hành và chủ doanh nghiệp có thể tận dụng loại phân tích thống kê này để xác định hành vi của khách hàng. Ví dụ: chủ sở hữu một doanh nghiệp có thể sử dụng các kỹ thuật dự đoán để xác định và nhắm mục tiêu vào những khách hàng thường xuyên có thể bỏ đi và tìm đến đối thủ cạnh tranh.
Phân tích dự đoán đóng vai trò quan trọng trong quảng cáo và tiếp thị. Các công ty có thể sử dụng mô hình để xác định khách hàng nào có khả năng phản hồi tích cực với các chiến dịch tiếp thị và bán hàng. Chủ doanh nghiệp có thể tiết kiệm tiền bằng cách nhắm mục tiêu đến những khách hàng sẽ phản hồi tích cực thay vì thực hiện các chiến dịch bao trùm.
Lợi ích của phân tích dự đoán (Benefits of Predictive Analytics)
Có rất nhiều lợi ích khi sử dụng phân tích dự đoán. Như đã đề cập ở trên, việc sử dụng loại phân tích này có thể giúp ích cho các thực thể khi bạn cần đưa ra dự đoán về kết quả khi không có câu trả lời nào khác (và hiển nhiên).
Nhà đầu tư, chuyên gia tài chính và lãnh đạo doanh nghiệp có thể sử dụng các mô hình để giúp giảm thiểu rủi ro. Ví dụ: nhà đầu tư và cố vấn của họ có thể sử dụng một số mô hình nhất định để giúp tạo danh mục đầu tư với rủi ro tối thiểu cho nhà đầu tư bằng cách xem xét một số yếu tố nhất định, chẳng hạn như tuổi tác, vốn và mục tiêu.
Có tác động đáng kể đến việc giảm chi phí khi sử dụng mô hình. Doanh nghiệp có thể xác định khả năng thành công hay thất bại của sản phẩm trước khi ra mắt. Hoặc họ có thể dành vốn để cải tiến sản xuất bằng cách sử dụng các kỹ thuật dự đoán trước khi quy trình sản xuất bắt đầu.số 8
Những lời chỉ trích về phân tích dự đoán (Criticism of Predictive Analytics)
Việc sử dụng phân tích dự đoán đã bị chỉ trích và trong một số trường hợp bị hạn chế về mặt pháp lý do nhận thấy sự bất bình đẳng trong kết quả của nó. Thông thường nhất, điều này liên quan đến các mô hình dự đoán dẫn đến sự phân biệt đối xử về mặt thống kê đối với các nhóm chủng tộc hoặc sắc tộc trong các lĩnh vực như chấm điểm tín dụng, cho vay mua nhà, việc làm hoặc nguy cơ xảy ra hành vi tội phạm.
Một ví dụ nổi tiếng về điều này là hành vi (hiện là bất hợp pháp) điều chỉnh lại trong hoạt động cho vay mua nhà của các ngân hàng. Bất kể những dự đoán rút ra từ việc sử dụng các phân tích như vậy có chính xác hay không, việc sử dụng chúng thường không được tán thành và dữ liệu bao gồm thông tin rõ ràng như chủng tộc của một người hiện thường bị loại khỏi phân tích dự đoán.
Netflix sử dụng phân tích dự đoán như thế nào? (How Does Netflix Use Predictive Analytics?)
Việc thu thập dữ liệu rất quan trọng đối với một công ty như Netflix. Nó thu thập dữ liệu từ khách hàng dựa trên hành vi và kiểu xem trước đây của họ. Nó sử dụng thông tin đó để đưa ra khuyến nghị dựa trên sở thích của họ. Đây là cơ sở đằng sau câu chuyện "Bởi vì bạn đã xem..." danh sách bạn sẽ tìm thấy trên đăng ký của mình.
3 trụ cột của phân tích dữ liệu là gì? (What Are the 3 Pillars of Data Analytics?)
Có ba trụ cột để phân tích dữ liệu. Đó là nhu cầu của thực thể đang sử dụng mô hình, dữ liệu và công nghệ được sử dụng để nghiên cứu nó cũng như các hành động và hiểu biết sâu sắc có được nhờ sử dụng loại phân tích này.
Phân tích dự đoán tốt cho việc gì? (What Is Predictive Analytics Good for?)
Phân tích dự đoán rất tốt cho việc dự báo, quản lý rủi ro, phân tích hành vi khách hàng, phát hiện gian lận và tối ưu hóa hoạt động. Phân tích dự đoán có thể giúp các tổ chức cải thiện việc ra quyết định, tối ưu hóa quy trình, tăng hiệu quả và lợi nhuận. Nhánh phân tích này được sử dụng để tận dụng dữ liệu nhằm dự báo những gì có thể xảy ra trong tương lai.
Mô hình tốt nhất cho phân tích dự đoán là gì? (What Is the Best Model for Predictive Analytics?)
Mô hình tốt nhất để phân tích dự đoán phụ thuộc vào một số yếu tố, chẳng hạn như loại dữ liệu, mục tiêu phân tích, mức độ phức tạp của vấn đề và độ chính xác mong muốn của kết quả. Mô hình tốt nhất để lựa chọn có thể bao gồm hồi quy tuyến tính, mạng lưới thần kinh, phân cụm hoặc cây quyết định (The best model for predictive analytics depends on several factors, such as the type of data, the objective of the analysis, the complexity of the problem, and the desired accuracy of the results. The best model to choose from may range from linear regression, neural networks, clustering, or decision trees).
Điểm mấu chốt
Mục tiêu của phân tích dự đoán là đưa ra dự đoán về các sự kiện trong tương lai, sau đó sử dụng những dự đoán đó để cải thiện việc ra quyết định. Phân tích dự đoán được sử dụng trong nhiều ngành khác nhau bao gồm tài chính, chăm sóc sức khỏe, tiếp thị và bán lẻ. Các phương pháp khác nhau được sử dụng trong phân tích dự đoán như phân tích hồi quy, cây quyết định hoặc mạng lưới thần kinh.
Nguồn từ https://www.investopedia.com/terms/p/predictive-analytics.asp I Lược dịch bởi Alex 18122023
