Artikel
Geschreven door Jinda Mei
Posted on 11-11-2019

Hoe maakt u een voorspellend model?

91 keer gelezen

We krijgen met steeds grotere hoeveelheden data te maken. Voorbeelden zijn data in uw eigen systemen en historische data. Vandaag de dag is er een grote behoefte aan informatie over wat ons in de toekomst te wachten staat. Bijvoorbeeld het weer van morgen. Deze voorspellingen hebben we het liefst zo precies mogelijk. U wilt namelijk niet in korte broek aankomen als het 10 graden is.

Toekomst voorspellen

Net als bij een weersverwachting, willen we graag weten wat er in de toekomst zal gebeuren in het bedrijfsleven. We proberen patronen te vinden door naar het verleden en de huidige situatie te kijken. Hierbij kijken we naar de macro-economie, de industrie, het netwerk van het bedrijf en het bedrijf zelf. Het is bijvoorbeeld, over het algemeen, lastig voor een slecht betalend bedrijf om van de ene op de andere dag een goede betaler te worden.

Voorspellende scores

Graydon heeft beschikking over een gigantische hoeveelheid bedrijfsdata. Van demografische gegevens tot data over financieel gedrag. Aan de hand van al deze data en met behulp van machine learning voorspellen we hoe waarschijnlijk het is dat een bedrijf groeit in de komende periode.

De output die hieruit volgt, is de Groeiverwachting. De Groeiverwachting maakt een gerichte prognose over de verwachte groei van de totale activa van bedrijven en branches in de komende twaalf maanden. Deze kent vijf categorieën: sterke daling, daling, neutraal, groei en sterke groei. De score helpt een bedrijf om kansen voor up-selling in te zien, en het efficiënt selecteren van nieuwe prospecten.

Hoe u zelf een voorspellend model kunt maken

Data kunt u omzetten tot waardevolle inzichten, maar dan moet u wel weten hoe. Er zijn veel manieren om een voorspellend model te maken. Wij werken altijd van het idee naar de score toe. De stappen zijn als volgt: Idea, Sample, Explore, Modify, Model en Assess. Deze vijf stappen noemen we ook wel I-SEMMA.

  1. Idea: alle kansen beginnen bij een idee. Wij proberen voor allerlei verschillende business problemen mogelijke oplossingen te bedenken, om zo risico’s te voorkomen, groei te stimuleren en onnodige kosten te verminderen.
  2. Sample: uit de grote database van Graydon halen we een representatieve steekproef voor de populatie waarvoor we een model willen gaan maken. De steekproef bestaat uit drie datasets:
    • De training dataset is bedoeld om het model te trainen, bij de parameters te passen en de patronen aan te duiden.
    • De validatie dataset wordt gebruikt om het model, dat getraind is door de training dataset, te evalueren en te controleren of het model goed bij de data past. Aan de hand hiervan kunnen aanpassingen worden gedaan.
    • De test dataset wordt gebruikt om de kwaliteit van het model te testen.
  3. Explore: we verkennen en onderzoeken de data om hier volledig begrip van te krijgen, afwijkingen op te ruimen en de relaties tussen data-elementen te ontdekken.
  4. Modify: doordat we nu een goed beeld van het probleem en de data hebben, kunnen we onze input data gaan uitselecteren, groeperen en transformeren. Zo is de input data goed voorbereid voor het model.
  5. Model: met behulp van data technieken, trainen we verschillende modellen zodat we de best werkende kunnen kiezen. Dit kunnen verschillende type modellen zijn, bijvoorbeeld ‘tree-based’ modellen, regressie en neutrale netwerken. Tot nu toe hebben we geconstateerd dat neuraal netwerk en ‘random forest’ in het algemeen prima werken bij complexe niet-lineaire relaties.
  6. Assessment: een valide model moet voor verschillende datasets voorzien in stabiele resultaten. Het nut en de betrouwbaarheid van de bevindingen zullen worden geëvalueerd en de output zal bepalen of het model geldig is of niet. Als het model geschikt gebleken is, kunt u het nu gebruiken om toekomstvoorspellingen te doen.

Automatiseren

Wanneer u uw voorspellend model gemaakt heeft, is het tijd om het model te automatiseren. Zo kan het model zonder handmatig werk functioneren. Het maken en automatiseren van een voorspellend model kost echter veel middelen. Mocht u hier niet zelf over beschikken, kunt u Graydon inschakelen voor hulp. We kunnen u helpen bij het bouwen en automatiseren van het model, en voor u resultaten produceren.

Meer weten?

We geven u graag meer informatie over onze voorspellende scores. Ook kunnen we samen met u een voorspellende score of model op maat maken.