Tahmine Dayalı Modelleme
Tahmine Dayalı Modelleme Nedir?
Tahmine dayalı modelleme, gelecekteki sonuçları tahmin etmek için kullanılabilecek bir model oluşturmak, işlemek ve doğrulamak için bilinen sonuçları kullanma sürecidir. Tahmine dayalı analitikte kullanılan bir araçtır, “gelecekte ne olabilir?” Sorusuna cevap vermeye çalışan bir veri madenciliği tekniğidir.
Temel Çıkarımlar
- Tahmine dayalı modelleme, gelecekteki tahminlerde kullanılabilecek bir modeli oluşturmak, işlemek ve doğrulamak için bilinen sonuçları kullanma sürecidir.
- En yaygın kullanılan tahmin modelleme tekniklerinden ikisi regresyon ve sinir ağlarıdır.
- Şirketler, olayları, müşteri davranışını ve finansal, ekonomik ve piyasa risklerini tahmin etmek için tahmine dayalı modellemeyi kullanabilir.
Tahmine Dayalı Modellemeyi Anlamak
Şirketler, tarihsel olayları analiz ederek, olayları, müşteri davranışını ve finansal, ekonomik ve piyasa risklerini tahmin etme olasılığını artırmak için tahmine dayalı modellemeyi kullanabilir.
Dijital ürünlere hızlı geçiş, işletmelerin kolayca erişebileceği bir veri denizi yarattı. Büyük veri, şirketler tarafından müşteri-iş ilişkisinin dinamiklerini iyileştirmek için kullanılır. Bu büyük miktardaki gerçek zamanlı veri, sosyal medya, internet tarama geçmişi, cep telefonu verileri ve bulut bilişim platformları gibi kaynaklardan alınır.
Bununla birlikte, veriler genellikle yapılandırılmamış ve insanların kısa bir süre içinde analiz edemeyecekleri kadar karmaşıktır. Büyük veri hacmi nedeniyle şirketler, genellikle bilgisayar yazılım programları aracılığıyla tahmine dayalı modelleme araçlarını kullanır. Programlar, verilerdeki örüntüleri değerlendirmek ve tanımlamak için büyük miktarda geçmiş veriyi işler. Oradan, model tarihsel bir kayıt ve aynı zamanda hangi davranışların veya olayların tekrar veya gelecekte meydana gelme olasılığının bir değerlendirmesini sağlayabilir.
Tahmine dayalı modelleme, spor takımları tarafından oyuncu istatistiklerini ve durum analizini kullanarak başarı olasılıklarını analiz etmek için kullanılabilir.
Tahmine Dayalı Modelleme Uygulamaları
Tahmine dayalı analitik, bir çıktı elde etmede kullanılacak tahmine dayalı modeller oluşturmak için tahmincileri veya bilinen özellikleri kullanır. Tahmine dayalı bir model, farklı veri noktalarının birbirine nasıl bağlandığını öğrenebilir. En yaygın kullanılan tahmin modelleme tekniklerinden ikisi regresyon ve sinir ağlarıdır.
İstatistik alanında regresyon, girdi ve çıktı değişkenleri arasındaki doğrusal bir ilişkiyi ifade eder. Doğrusal işleve sahip tahmine dayalı bir model, çıktıyı veya sonucu tahmin etmek için bir tahminciye veya özelliğe ihtiyaç duyar. Örneğin, kara para aklamayı erken aşamalarında tespit etmeyi uman bir banka, doğrusal bir tahmine dayalı model içerebilir.
Banka, hangi müşterilerinin bir noktada kara para aklama faaliyetlerinde bulunma olasılığının yüksek olduğunu belirlemek istiyor. Bankanın müşteri verilerini kullanarak, müşterilerin belirli bir süre boyunca yaptıkları para transferlerinin dolar miktarı etrafında tahmin modeli oluşturulur.
Modele, bir kara para aklama işlemi ile normal bir işlem arasındaki farkı tanıması öğretilir. Modelden elde edilecek en iyi sonuç, hangi müşterinin parayı akladığını ve hangisinin aklamadığını gösteren bir model olmalıdır. Model, belirli bir müşteri için bir dolandırıcılık modelinin ortaya çıktığını algılarsa, bankanın dolandırıcılık önleme biriminin de katılacağı bir eylem sinyali oluşturacaktır.
Tahmine Dayalı Modelleme Araçları
Tahmine dayalı modeller, yapay zeka (AI) alanları olan makine öğrenimi ve derin öğrenme gibi sinir ağlarında da kullanılmaktadır. Sinir ağları, insan beyninden ilham alır ve yapay zekanın temelini temsil eden hiyerarşik seviyelerde birbirine bağlı düğümlerden oluşan bir ağ ile oluşturulur. Sinir ağlarının gücü, doğrusal olmayan veri ilişkilerini yönetme yeteneklerinde yatmaktadır. İnsan analistleri için imkansız veya çok zaman alıcı olduğu kanıtlanacak değişkenler arasında ilişkiler ve kalıplar oluşturabilirler.
Bir yandan, bir banka, müşterileri tarafından başlatılan transferlerin değeri gibi bilinen değişkenleri, kimin kara para aklama ile uğraşacağını belirlemek için modeline girebilir. Öte yandan, bir sinir ağı, giriş değişkenleri arasında bir ilişki oluşturarak daha güçlü bir model oluşturabilir. Bu girdi değişkenleri arasında oturum açma zamanı, kullanıcının coğrafi konumu, kullanıcının cihazının IP adresi, fonların alıcısı veya göndericisi ve kara para aklama faaliyetine dahil olması muhtemel diğer her türlü değişken veya davranış yer alabilir.
Finansal şirketler tarafından kullanılan diğer tahmine dayalı modelleme teknikleri arasında karar ağaçları, zaman serisi veri madenciliği ve Bayes analizi yer alır. Tahmine dayalı modelleme önlemleriyle büyük verilerden yararlanan şirketler, müşterilerinin ürünleriyle nasıl etkileşim kurduğunu daha iyi anlayabilir ve şirket için potansiyel riskleri ve fırsatları belirleyebilir.