النمذجة التنبؤية: الأنواع والفوائد والخوارزميات

دراسة شاملة حول النمذجة التنبؤية، وأنواعها المختلفة، وفوائدها المتعددة، بالإضافة إلى استعراض الخوارزميات المستخدمة في هذا السياق.

النمذجة التنبؤية هي طريقة للتنبؤ بالنتائج المستقبلية باستخدام نمذجة البيانات، إنها واحدة من الطرق الرئيسية التي يمكن للأعمال التجارية من خلالها رؤية طريقها إلى الأمام ووضع الخطط وفقا لذلك، على الرغم من أن هذه الطريقة ليست مضمونة، إلا أنها تميل إلى أن يكون لها معدلات دقة عالية، وهذا هو السبب في أنها شائعة الاستخدام.



النمذجة التنبؤية: الأنواع والفوائد والخوارزميات
النمذجة التنبؤية 


ما هي النمذجة التنبؤية؟


باختصار، النمذجة التنبؤية هي تقنية إحصائية تستخدم التعلم الآلي و استخراج البيانات للتنبؤ بالنتائج المستقبلية المحتملة والتنبؤ بها بمساعدة البيانات التاريخية والقائمة، إنها تعمل من خلال تحليل البيانات الحالية والتاريخية وإسقاط ما يتعلمه على نموذج تم إنشاؤه للتنبؤ بالنتائج المحتملة، يمكن استخدام النمذجة التنبؤية للتنبؤ بأي شيء تقريبا، من تصنيفات التلفزيون وشراء العميل التالي إلى مخاطر الائتمان وأرباح الشركات.


لا يتم إصلاح النموذج التنبؤي؛ يتم التحقق من صحته أو مراجعته بانتظام لدمج التغييرات في البيانات الأساسية، بعبارة أخرى إنه ليس تنبؤا واحدا، تضع النماذج التنبؤية افتراضات بناء على ما حدث في الماضي وما يحدث الآن، إذا كانت البيانات الجديدة الواردة تظهر تغييرات في ما يحدث الآن، فيجب إعادة حساب التأثير على النتيجة المستقبلية المحتملة أيضا، على سبيل المثال يمكن لشركة برمجيات نمذجة بيانات المبيعات التاريخية مقابل نفقات التسويق عبر مناطق متعددة لإنشاء نموذج للإيرادات المستقبلية استنادا إلى تأثير الإنفاق التسويقي.


تعمل معظم النماذج التنبؤية بسرعة وغالبا ما تكمل حساباتها في الوقت الفعلي، لهذا السبب يمكن للبنوك وتجار التجزئة على سبيل المثال حساب مخاطر طلب الرهن العقاري أو بطاقة الائتمان عبر الإنترنت وقبول الطلب أو رفضه على الفور تقريبا بناء على هذا التنبؤ.


بعض النماذج التنبؤية أكثر تعقيدا، مثل تلك المستخدمة في العلوم الحسابية والحوسبة الكمومية؛ تستغرق المخرجات الناتجة وقتا أطول في الحساب من تطبيق بطاقة الائتمان ولكنها تتم بسرعة أكبر بكثير مما كان ممكنا في الماضي بفضل التقدم في القدرات التكنولوجية، بما في ذلك قوة الحوسبة.


أفضل 5 أنواع من النماذج التنبؤية


لحسن الحظ، لا يجب إنشاء النماذج التنبؤية من الصفر لكل تطبيق، تستخدم أدوات التحليلات التنبؤية مجموعة متنوعة من النماذج و الخوارزميات التي تم فحصها والتي يمكن تطبيقها على مجموعة واسعة من حالات الاستخدام.


تم إتقان تقنيات النمذجة التنبؤية بمرور الوقت، عندما نضيف المزيد من البيانات والحوسبة الأكثر قوة  والذكاء الاصطناعي والتعلم الآلي ونرى التقدم العام في التحليلات، يمكننا فعل المزيد باستخدام هذه النماذج.


أفضل خمسة نماذج تحليلية تنبؤية هي:


1. نموذج التصنيف

يعتبر أبسط نموذج، فإنه يصنف البيانات للاستجابة البسيطة والمباشرة للاستعلام، مثال على حالة الاستخدام هو الإجابة على السؤال "هل هذه معاملة احتيالية؟"


2. نموذج التجميع

يجمع هذا النموذج البيانات معا حسب السمات المشتركة، إنه يعمل من خلال تجميع الأشياء أو الأشخاص ذوي الخصائص أو السلوكيات المشتركة ويخطط لاستراتيجيات كل مجموعة على نطاق أوسع، ومن الأمثلة على ذلك تحديد مخاطر الائتمان لمقدم طلب القرض بناء على ما فعله أشخاص آخرون في نفس الوضع أو وضع مماثل في الماضي.


3. نموذج التنبؤ

هذا نموذج شائع جدا، ويعمل على أي شيء ذي قيمة عددية استنادا إلى التعلم من البيانات التاريخية، على سبيل المثال عند الرد على مقدار المادة الخام  الذي يجب أن يطلبه مصنع ما الأسبوع المقبل أو عدد المكالمات التي يجب أن يكون وكيل دعم العملاء قادرا على التعامل معها يوميا أو أسبوعيا، ينظر النظام إلى البيانات التاريخية.


4. نموذج القيم المتطرفة

يعمل هذا النموذج من خلال تحليل نقاط البيانات غير الطبيعية أو الخارجية، على سبيل المثال قد يستخدم البنك نموذجا خارجيا لتحديد الاحتيال من خلال السؤال عما إذا كانت المعاملة خارج عادات الشراء العادية للعميل أو ما إذا كانت النفقات في فئة معينة طبيعية أم لا.


 على سبيل المثال، لن تكون رسوم بطاقة الائتمان البالغة 1000 دولار للغسالة والمجفف في المتجر المفضل لحامل البطاقة مثيرة للقلق، ولكن 1000 دولار يتم إنفاقها على الملابس المصممة في مكان لم يفرض فيه العميل أبدا رسوما على عناصر أخرى قد يكون مؤشرا على حساب مخترق.


5. نموذج السلسلة الزمنية

يقوم هذا النموذج بتقييم سلسلة من نقاط البيانات بناء على الوقت، على سبيل المثال يتم استخدام عدد مرضى السكتة الدماغية الذين تم إدخالهم إلى المستشفى في الأشهر الأربعة الماضية للتنبؤ بعدد المرضى الذين قد يتوقع المستشفى قبولهم الأسبوع المقبل أو الشهر المقبل أو بقية العام، وبالتالي فإن مقياس واحد يتم قياسه ومقارنته بمرور الوقت هو أكثر أهمية من المتوسط البسيط.


الخوارزميات التنبؤية الشائعة


تستخدم الخوارزميات التنبؤية أحد شيئين: التعلم الآلي أو التعلم العميق، كلاهما مجموعات فرعية من الذكاء الاصطناعي (AI)، يتضمن التعلم الآلي (ML) بيانات منظمة، مثل جدول البيانات أو بيانات الآلة، يتعامل التعلم العميق (DL) مع البيانات غير المنظمة مثل الفيديو والصوت والنصوص ومنشورات وسائل التواصل الاجتماعي والصور، وهي في الأساس الأشياء التي يتواصل معها البشر والتي ليست أرقاما أو قراءات مترية.


بعض الخوارزميات التنبؤية الأكثر شيوعا هي:


1. Random Forest

هذه الخوارزمية مشتقة من مجموعة من أشجار القرار، لا يرتبط أي منها، ويمكنها استخدام كل من التصنيف والانحدار لتصنيف كميات هائلة من البيانات.


2. النموذج الخطي المعمم (GLM) لقيمتين

تضيق هذه الخوارزمية قائمة المتغيرات للعثور على "أفضل ملاءمة"، يمكنه العمل على نقاط التحول وتغيير التقاط البيانات والتأثيرات الأخرى، مثل التنبؤات الفئوية، لتحديد النتيجة "الأفضل ملاءمة"، وبالتالي التغلب على العيوب في النماذج الأخرى، مثل الانحدار الخطي المنتظم.


3. نموذج التدرج المعزز

تستخدم هذه الخوارزمية أيضا العديد من أشجار القرار المجمعة، ولكن على عكس Random Forest، ترتبط الأشجار، إنه يبني شجرة واحدة في كل مرة وبالتالي تمكين الشجرة التالية من تصحيح العيوب في الشجرة السابقة، غالبا ما يتم استخدامه في التصنيفات، مثل مخرجات محرك البحث.


4. K-Neans 

خوارزمية شائعة وسريعة، تجمع K-Means نقاط البيانات حسب أوجه التشابه وبالتالي غالبا ما تستخدم لنموذج التجميع، يمكن أن تقدم بسرعة أشياء مثل عروض البيع بالتجزئة الشخصية للأفراد داخل مجموعة ضخمة، مثل مليون عميل أو أكثر لديهم إعجاب مماثل بمعاطف الصوف المبطنة.


5. Prophet

تستخدم هذه الخوارزمية في السلاسل الزمنية أو نماذج التنبؤ لتخطيط القدرات، مثل احتياجات المخزون وحصص المبيعات وتخصيص الموارد، إنه مرن للغاية ويمكنه بسهولة استيعاب الاستدلال ومجموعة من الافتراضات المفيدة.


النمذجة التنبؤية وتحليلات البيانات


تعرف النمذجة التنبؤية أيضا باسم التحليلات التنبؤية، بشكل عام يفضل مصطلح "النمذجة التنبؤية" في البيئات الأكاديمية، في حين أن "التحليلات التنبؤية" هو المصطلح المفضل للتطبيقات التجارية للنمذجة التنبؤية.


يعتمد الاستخدام الناجح للتحليلات التنبؤية بشكل كبير على الوصول غير المقيد إلى كميات كافية من البيانات الدقيقة والنظيفة وذات الصلة، في حين أن النماذج التنبؤية يمكن أن تكون معقدة بشكل غير عادي، مثل تلك التي تستخدم أشجار القرار وتجميع وسائل k، فإن الجزء الأكثر تعقيدا هو دائما الشبكة العصبية؛ أي النموذج الذي يتم من خلاله تدريب أجهزة الكمبيوتر على التنبؤ بالنتائج، يستخدم التعلم الآلي شبكة عصبية للعثور على الارتباطات في مجموعات البيانات الكبيرة بشكل استثنائي و"للتعلم" وتحديد الأنماط داخل البيانات.


فوائد النمذجة التنبؤية


باختصار، تقلل التحليلات التنبؤية من الوقت والجهد والتكاليف في التنبؤ بنتائج الأعمال، يمكن أخذ المتغيرات مثل العوامل البيئية والذكاء التنافسي والتغيرات التنظيمية وظروف السوق في الاعتبار في الحساب الرياضي لتقديم وجهات نظر أكثر اكتمالا بتكاليف منخفضة نسبيا.


ومن الأمثلة على أنواع محددة من التنبؤات التي يمكن أن تفيد الأعمال التجارية التنبؤ بالطلب، وتخطيط عدد الموظفين، وتحليل التقلبات، والعوامل الخارجية، والتحليل التنافسي، وصيانة أجهزة الحاسب الالي وتكنولوجيا المعلومات، والمخاطر المالية.


تحديات النمذجة التنبؤية


من الضروري الحفاظ على تركيز التحليلات التنبؤية على إنتاج رؤى تجارية مفيدة لأنه ليس كل ما تحفره هذه التكنولوجيا مفيدا، بعض المعلومات الملغومة ذات قيمة فقط في إرضاء عقل فضولي ولها آثار تجارية قليلة أو معدومة، إن الحصول على مسار جانبي هو إلهاء لا يستطيع سوى عدد قليل من الشركات تحمله.


كما أن القدرة على استخدام المزيد من البيانات في النمذجة التنبؤية هي ميزة فقط لنقطة ما، يمكن أن يؤدي الكثير من البيانات إلى انحراف الحساب ويؤدي إلى نتيجة لا معنى لها أو خاطئة، على سبيل المثال يتم بيع المزيد من المعاطف مع انخفاض درجة الحرارة الخارجية، ولكن فقط إلى حد ما لا يشتري الناس المزيد من المعاطف عندما تكون درجة الحرارة -20 درجة فهرنهايت في الخارج أكثر مما يشترونه عندما تكون -5 درجات تحت درجة التجمد، في مرحلة معينة يكون البرد باردا بما يكفي لتحفيز شراء المعاطف ولم تعد درجات الحرارة المتجمدة تغير هذا النمط بشكل ملحوظ.


ومع الكميات الهائلة من البيانات التي تنطوي عليها النمذجة التنبؤية، سيشكل الحفاظ على الأمن والخصوصية تحديا أيضا، هناك المزيد من التحديات التي تقع في قيود التعلم الآلي.


قيود النمذجة التنبؤية


وفقا لتقرير ماكينزي، تشمل القيود الشائعة و"أفضل إصلاحاتها" ما يلي:


1. الأخطاء في وضع العلامات على البيانات

يمكن التغلب عليها من خلال التعلم التعزيزي أو الشبكات الخصومة التوليدية (GANs).


2. نقص مجموعات البيانات الضخمة اللازمة لتدريب التعلم الآلي

الإصلاح الممكن هو "التعلم لمرة واحدة"، حيث تتعلم الآلة من عدد قليل من العروض التوضيحية بدلا من مجموعة بيانات ضخمة.


3. عدم قدرة الآلة على شرح ماذا ولماذا فعلت ما فعلته

الآلات لا "تفكر" أو "تتعلم" مثل البشر، وبالمثل يمكن أن تكون حساباتهم معقدة للغاية لدرجة أن البشر يواجهون صعوبة في العثور على المنطق، ناهيك عن اتباعه، كل هذا يجعل من الصعب على الآلة شرح عملها، أو على البشر القيام بذلك، ومع ذلك فإن الشفافية النموذجية ضرورية لعدد من الأسباب، مع رئيس السلامة البشرية من بينها، الإصلاحات المحتملة الواعدة: التفسيرات الإدارية للنموذج المحلي القابل للتفسير (LIME) وتقنيات الانتباه.


4. تعميم التعلم أو بالأحرى عدمه

على عكس البشر، تواجه الآلات صعوبة في حمل ما تعلمته إلى الأمام، بعبارة أخرى يواجهون مشكلة في تطبيق ما تعلموه على مجموعة جديدة من الظروف، كل ما تعلمته ينطبق على حالة استخدام واحدة فقط، هذا هو السبب إلى حد كبير في أننا لا نحتاج إلى القلق بشأن صعود الذكاء الاصطناعي في أي وقت قريب، لكي تكون النمذجة التنبؤية باستخدام التعلم الآلي قابلة لإعادة الاستخدام، أي مفيدة في أكثر من حالة استخدام واحدة،  فإن الإصلاح المحتمل هو نقل التعلم.


5. التحيز في البيانات و الخوارزميات

يمكن أن يؤدي عدم التمثيل إلى انحراف النتائج ويؤدي إلى إساءة معاملة مجموعات كبيرة من البشر، علاوة على ذلك من الصعب العثور على التحيزات الجاهزة وتطهيرها لاحقا، بعبارة أخرى تميل التحيزات إلى إدامة الذات، هذا هدف متحرك، ولم يتم بعد تحديد حل واضح.


مستقبل النمذجة التنبؤية


لا تزال النمذجة التنبؤية، والمعروفة أيضا باسم التحليلات التنبؤية، والتعلم الآلي تقنيات شابة ومتطورة، مما يعني أن هناك الكثير في المستقبل، مع تحسن التقنيات والأساليب والأدوات والتقنيات، ستتحسن الفوائد على الشركات والمجتمعات.


ومع ذلك، فهذه ليست تقنيات يمكن للشركات تحمل تكاليف اعتمادها في وقت لاحق، بعد أن تصل التكنولوجيا إلى مرحلة النضج ويتم العمل على جميع مكامن الخلل، المزايا على المدى القريب هي ببساطة قوية جدا بحيث لا يمكن للتبني المتأخر التغلب عليها والبقاء قادرة على المنافسة.


نصيحتنا: فهم التكنولوجيا ونشرها الآن ثم تنمية فوائد الأعمال التجارية إلى جانب التطورات اللاحقة في التقنيات.


النمذجة التنبؤية في المنصات


بالنسبة للجميع باستثناء أكبر الشركات، يمكن تحقيق فوائد التحليلات التنبؤية بسهولة أكبر باستخدام أنظمة تخطيط موارد المؤسسات التي تحتوي على تقنيات مدمجة وتحتوي على تعلم آلي مدرب مسبقا، على سبيل المثال قد توفر ميزات التخطيط والتنبؤ والميزانية محركا نموذجيا إحصائيا لنمذجة سيناريوهات متعددة بسرعة تتعامل مع ظروف السوق المتغيرة.


وكمثال آخر، يمكن لوظيفة تخطيط التوريد أو القدرة على التوريد أن تتنبأ بالمثل بالتأخر المحتمل في التسليم أو أوامر الشراء أو المبيعات وغيرها من المخاطر أو الآثار، يمكن أيضا تمثيل الموردين البديلين على لوحة المعلومات لتمكين الشركات من التحول لتلبية متطلبات التصنيع أو التوزيع.


تعد النمذجة المالية والتخطيط والميزانية من المجالات الرئيسية لجني الفوائد العديدة لاستخدام هذه التقنيات المتقدمة دون إغراق فريقك.









إرسال تعليق