भविष्य कहनेवाला मॉडलिंग क्या है?
प्रिडिक्टिव मॉडलिंग एक ऐसे मॉडल को बनाने, प्रोसेस करने और उसे मान्य करने के लिए ज्ञात परिणामों का उपयोग करने की प्रक्रिया है जिसका उपयोग भविष्य के परिणामों का पूर्वानुमान लगाने के लिए किया जा सकता है। यह भविष्य कहनेवाला विश्लेषण में प्रयुक्त एक उपकरण है, एक डेटा खनन तकनीक है जो इस सवाल का जवाब देने का प्रयास करती है कि "भविष्य में संभवतः क्या हो सकता है?"
प्रिडिक्टिव माडलिंग को समझना
डिजिटल उत्पादों के तेजी से प्रवासन ने डेटा का एक समुद्र बनाया है जो आसानी से उपलब्ध है और व्यवसायों के लिए सुलभ है। ग्राहक-से-व्यापार संबंधों की गतिशीलता में सुधार के लिए कंपनियों द्वारा बड़े डेटा का उपयोग किया जाता है। रियल-टाइम डेटा की यह विशाल राशि सोशल मीडिया, इंटरनेट ब्राउजिंग हिस्ट्री, सेल फोन डेटा और क्लाउड कंप्यूटिंग प्लेटफॉर्म जैसे स्रोतों से प्राप्त होती है।
ऐतिहासिक घटनाओं का विश्लेषण करके, एक संभावना है कि एक व्यवसाय भविष्य में क्या होगा और उसी के अनुसार योजना बना सकता है। हालांकि, यह डेटा आम तौर पर असंरचित है और मनुष्यों के लिए बहुत कम समय में विश्लेषण करने के लिए बहुत जटिल है। डेटा की भारी मात्रा में मौजूद जटिलता के कारण, कंपनियां निकट भविष्य में होने वाली किसी घटना के परिणाम का पूर्वानुमान लगाने के लिए भविष्य कहनेवाला विश्लेषण उपकरण का उपयोग कर रही हैं।
कैसे भविष्य कहनेवाला विश्लेषिकी काम करता है
भविष्य कहनेवाला विश्लेषण भारी मात्रा में ऐतिहासिक डेटा एकत्र करता है और संसाधित करता है और अतीत में जो हुआ, उसका आकलन करने के लिए शक्तिशाली कंप्यूटरों का उपयोग करता है और फिर भविष्य में क्या होगा इसका आकलन प्रदान करता है।
प्रीडिक्टिव एनालिटिक्स भविष्य कहनेवाला मॉडल बनाने के लिए भविष्यवाणियों या ज्ञात विशेषताओं का उपयोग करता है जिनका उपयोग आउटपुट प्राप्त करने में किया जाएगा। एक पूर्वानुमान मॉडल यह जानने में सक्षम है कि डेटा के विभिन्न बिंदु एक दूसरे से कैसे जुड़ते हैं। दो सबसे व्यापक रूप से इस्तेमाल होने वाली भविष्य कहनेवाला मॉडलिंग तकनीकें प्रतिगमन और तंत्रिका नेटवर्क हैं।
निकट भविष्य में होने वाली घटनाओं के बारे में भविष्यवाणियां करने के लिए कंपनियां भविष्य कहनेवाला मॉडलिंग का उपयोग कर रही हैं।
विशेष ध्यान
आँकड़ों के क्षेत्र में, प्रतिगमन इनपुट और आउटपुट चर के बीच एक रैखिक संबंध को संदर्भित करता है। लीनियर फ़ंक्शन के साथ एक प्रेडिक्टिव मॉडल को आउटपुट / परिणाम की भविष्यवाणी करने के लिए एक भविष्यवक्ता या सुविधा की आवश्यकता होती है। उदाहरण के लिए, एक बैंक जो अपने शुरुआती चरणों में मनी लॉन्ड्रिंग का पता लगाने की उम्मीद करता है, एक रैखिक भविष्य कहनेवाला मॉडल को शामिल कर सकता है।
बैंक विशेष रूप से यह जानना चाहता है कि उसके कौन से ग्राहक किसी समय मनी लॉन्ड्रिंग गतिविधियों में लिप्त होने की संभावना है। बैंक के सभी ग्राहकों के डेटा प्रस्तुत किए जाते हैं, और समय की अवधि के दौरान प्रत्येक ग्राहक को स्थानांतरित किए जाने वाले डॉलर के मूल्य के आसपास एक पूर्वानुमान मॉडल बनाया जाता है।
मॉडल को मनी लॉन्ड्रिंग लेनदेन और एक सामान्य लेनदेन के बीच अंतर को पहचानने के लिए सिखाया जाता है। मॉडल से इष्टतम परिणाम एक ऐसा पैटर्न होना चाहिए जो यह संकेत देता है कि ग्राहक ने किस धन को लूटा और जो नहीं किया। यदि मॉडल मानता है कि धोखाधड़ी का एक पैटर्न किसी विशेष ग्राहक के लिए उभर रहा है, तो यह कार्रवाई के लिए एक संकेत पैदा करेगा जो बैंक के धोखाधड़ी विश्लेषकों द्वारा भाग लिया जाएगा।
भविष्य के मॉडल का उपयोग न्यूरल नेटवर्क जैसे मशीन लर्निंग और डीप लर्निंग में भी किया जाता है, जो कृत्रिम बुद्धिमत्ता (एआई) के क्षेत्र हैं। तंत्रिका नेटवर्क मानव मस्तिष्क से प्रेरित होते हैं और पदानुक्रमित स्तरों में परस्पर जुड़े नोड्स की एक वेब के साथ निर्मित होते हैं जो एआई की नींव का प्रतिनिधित्व करता है। तंत्रिका नेटवर्क की शक्ति गैर-रैखिक डेटा संबंधों को संभालने की उनकी क्षमता में निहित है। वे चर के बीच संबंध और पैटर्न बनाने में सक्षम हैं जो मानव विश्लेषकों के लिए असंभव या बहुत समय लेने वाली साबित होगी।
चाबी छीन लेना
- प्रिडिक्टिव मॉडलिंग एक ऐसे मॉडल को बनाने, प्रोसेस करने और ज्ञात मॉडल का उपयोग करने की प्रक्रिया है जो भविष्य की भविष्यवाणियों को बनाने के लिए इस्तेमाल किया जा सकता है। सबसे व्यापक रूप से इस्तेमाल की जाने वाली प्रेडिक्टिव मॉडलिंग तकनीकों का उपयोग प्रतिगमन और तंत्रिका नेटवर्क हैं।
इसलिए जब कोई बैंक ज्ञात चर को इनपुट कर सकता है जैसे कि उसके ग्राहकों द्वारा उसके मॉडल में शुरू किए गए स्थानान्तरण का मूल्य, जिसके वांछित परिणाम प्राप्त करने के लिए धन शोधन में संलग्न होने की संभावना है, तो एक तंत्रिका नेटवर्क अधिक शक्तिशाली पैटर्न बना सकता है यदि यह हो सकता है सफलतापूर्वक समय-समय पर लॉग इन किए गए इनपुट चर, उपयोगकर्ता की भौगोलिक स्थिति, उपयोगकर्ता के डिवाइस का आईपी पता, धन प्राप्त करने वाले या भेजने वाले के बीच संबंध, और किसी भी अन्य विशेषता के कारण एक संबंध बनाने की संभावना है जो एक लॉन्ड्रिंग गतिविधि को बनाने की संभावना है।
वित्तीय कंपनियों द्वारा उपयोग की जाने वाली अन्य भविष्य कहनेवाला मॉडलिंग तकनीकों में निर्णय पेड़, समय श्रृंखला डेटा खनन, और बायेसियन विश्लेषण शामिल हैं। भविष्य कहनेवाला मॉडलिंग उपायों के माध्यम से बड़े डेटा का लाभ उठाने वाली कंपनियां यह समझने में सक्षम हैं कि उनके ग्राहक अपने उत्पादों के साथ कैसे जुड़ते हैं और किसी कंपनी के लिए संभावित जोखिम और अवसरों की पहचान कर सकते हैं।
