Como usar premissas adequadamente em análise preditiva
Apesar de tudo que você foi dito sobre os pressupostos que causam problemas, algumas suposições permanecer no centro de qualquer modelo de análise preditiva. Esses pressupostos aparecem nas variáveis selecionadas e consideradas na análise - e essas variáveis afetam diretamente a precisão da saída do modelo final.
Por conseguinte, sua precaução mais sábio no início é identificar quais os pressupostos mais importantes para o seu modelo - e mantê-los a um mínimo absoluto.
Criando um modelo preditivo que funciona bem no mundo real requer um conhecimento profundo do negócio. Seu modelo começa sabendo apenas os dados de exemplo - em termos práticos, quase nada. Então, começar pequeno e continuar a melhorar o modelo como necessário.
Sondando possíveis perguntas e cenários podem levar a descobertas-chave e / ou pode lançar mais luz sobre os fatores em jogo no mundo real. Este processo pode identificar as variáveis fundamentais que podem afetar o resultado da análise.
Em uma abordagem sistemática para a análise preditiva, esta fase - explorando “what-if” cenários - é especialmente interessante e útil. Aqui é onde você muda as entradas modelo para medir os efeitos de uma variável ou de outra na saída do Modelo- o que você está realmente testando é a sua capacidade de previsão.
Melhorar as suposições do modelo - testando como elas afetam a saída do modelo, sondando para ver o quão sensível o modelo é para eles, e apara-los ao mínimo - irá ajudá-lo a guiar o modelo para uma capacidade de previsão mais confiável. Antes que você possa otimizar seu modelo, você tem que saber o variáveis preditivas - características que têm um impacto directo sobre a sua saída.
Você pode obter essas variáveis de decisão, executando várias simulações de seu modelo - ao alterar alguns parâmetros com cada corrida - e gravar os resultados, especialmente a precisão das previsões do modelo. Normalmente, você pode rastrear variações na precisão de volta para os parâmetros específicos você alterou.
Neste ponto, o século XXI pode ligar para o décimo quarto para obter ajuda. William de Ockham, um frade franciscano Inglês e filósofo escolástico que viveu em 1300, desenvolveu o princípio de pesquisa conhecido como a Navalha de Occam: Você deve cortar suposições desnecessárias até que sua teoria tem como alguns deles possível. Então é mais provável para ser verdade.
Muitas suposições pesar previsões do seu modelo com incertezas e imprecisões. Eliminando variáveis desnecessárias leva a um modelo mais robusto, mas não é fácil decidir quais as variáveis a serem incluídas na análise - e essas decisões afetam diretamente o desempenho do modelo.
Mas aqui é onde o analista pode ser executado em um dilema: Incluindo fatores desnecessários pode distorcer ou distorcer a saída do modelo, mas excluindo uma variável relevante deixa o modelo incompleto.
Então, quando chega a hora de selecionar as variáveis de decisão muito importantes, chamar seus especialistas de conhecimento de domínio. Quando você tem um conjunto preciso, baseado na realidade de variáveis de decisão, você não tem que fazer muitas suposições - e o resultado pode ser menos erros em seu modelo preditivo.