什么是预测建模(predictive modeling)？

预测建模是使用已知结果创建、处理和验证可用于预测未来结果的模型的过程。它是一种用于预测分析的工具，是一种试图回答“未来可能发生什么”问题的数据挖掘技术

关键要点

• 预测建模是使用已知结果来创建、处理， 并验证一个可用于未来预测的模型。
• 两种最广泛使用的预测建模技术是回归和神经网络。
• 公司可以使用预测模型来预测事件、客户行为以及财务、经济和市场风险。

理解预测建模

通过分析历史事件，公司可以使用预测模型来增加预测事件、客户行为以及财务、经济和市场风险的概率。

向数字产品的快速迁移创造了一个企业随时可用的数据海洋。公司利用大数据改善客户与业务关系的动态性。这些海量的实时数据是从社交媒体、互联网浏览历史、**数据和云计算平台等来源获取的。

然而，数据通常是非结构化的，对于人类来说太复杂了，无法在短时间内进行分析。由于数据量巨大，公司通常通过计算机软件程序使用预测建模工具。这些程序处理大量的历史数据，以评估和识别数据中的模式。从那里，该模型可以提供历史记录以及对可能再次发生或将来发生的行为或事件的评估。

预测模型可用于运动队分析成功的概率，利用球员统计和情境分析。

预测建模的应用

预测分析使用预测因子或已知特征来创建预测模型，用于获取输出。预测模型能够了解不同的数据点如何相互连接。两种最广泛使用的预测建模技术是回归和神经网络。

在统计学领域，回归指的是输入和输出变量之间的线性关系。具有线性函数的预测模型需要一个预测因子或特征来预测输出或结果。例如，一家希望在早期阶段发现洗钱的银行可能会采用线性预测模型。

该行希望确定哪些客户可能在某个时间点从事洗钱活动。利用银行的客户数据，围绕客户在一段时间内进行的美元转账量建立了一个预测模型。

该模型被用来识别洗钱交易和正常交易之间的区别。该模型的最佳结果应该是一种模式，表明哪些客户洗钱，哪些没有。如果模型察觉到特定客户正在出现欺诈模式，它将发出行动信号，由银行的欺诈预防部门负责。

预测建模工具

预测模型也被用于人工智能领域的机器学习和深度学习等神经网络中。神经网络是由人脑启发的，它是由一组层次化的相互连接的节点创建的，这代表了人工智能的基础。神经网络的力量在于它们处理非线性数据关系的能力。他们能够在变量之间创建关系和模式，这对于人类分析师来说是不可能或太耗时的。

一方面，银行可以在模型中输入已知变量，例如客户发起的转账价值，以确定谁可能参与洗钱。另一方面，神经网络可以通过建立输入变量之间的关系来创建更强大的模式。这些输入变量可以包括登录时间、用户的地理位置、用户设备的IP地址、资金的接收者或发送者，以及可能涉及洗钱活动的任何其他变量或行为。

金融公司使用的其他预测建模技术包括决策树、时间序列数据挖掘和贝叶斯分析。通过预测性建模措施利用大数据的公司能够更好地了解客户如何参与其产品，并能够识别公司的潜在风险和机遇。