【数据分析】使用模拟模型的预测分析

在这篇文章中，我们介绍了预测分析的广泛领域，它与机器学习的联系，以及模拟作为一种预测分析技术是如何工作的。

为什么要使用预测分析？

预测分析是基于历史数据进行预测。从业者使用统计算法和机器学习技术分析过去的事件，为未来的系统生成概率和预测。几乎每个人都受到预测分析的影响，并可能从中受益。

例如，在消费信贷系统中，我们每个人都会得到一个信用评分，代表我们偿还贷款的概率。或者，在另一个例子中，现代Android手机具有自适应电池系统，该系统优先考虑最常用应用的电池电量。一般来说，预测分析提供的见解有助于优化流程和管理风险。

只要有数据，预测分析就很有价值。商业领域的用例包括：

• 制造——优化生产流程，改进维护计划，计划库存等。
• 医疗保健-临床试验、预测调度系统、药品市场分析等。
• 石油和天然气-用于运营规划、油田生产优化、存储管理等。
• 业务流程——用于优化、投资分析、影响分析等。
• 供应链——有关设计、规划、采购优化、库存管理、运输规划、风险管理，请参阅anyLogistix。

查看《开发颠覆性业务战略》白皮书，了解企业如何从仿真建模功能中受益的其他选择。

预测分析的两个趋势

由于计算领域的两个趋势，预测分析越来越普遍：

• 快速增长的数据集——由于存储成本低，人员和设备的活动越来越多地在线，数据收集变得普遍且不断增长。由于数据管理的进步，数据集规模和复杂性的增加并不是一个限制因素。
• 易用性——数据存储和处理的不断进步降低了成本，增加了对快速复杂分析的访问。用户界面也在不断改进，使预测分析工具更易于访问和理解。此外，得益于微软的Project Bonsai、H2O.ai的自动机器学习和Pathmind ai等平台，使用机器学习技术进行复杂数据分析变得越来越简单。

随着预测分析软件越来越受欢迎，分析的存储数据越多，其价值就越大。

模拟和预测分析

模拟和预测分析是相关的，因为两者都需要模型。模拟模拟系统的行为，而预测分析使用模型来洞察未来。

在预测分析中，可以用决策树对简单的系统进行建模。对于大型数据集和复杂系统，回归或基于神经网络的机器学习可能是更好的选择。决策树将根据输入指示某事是否会发生。相比之下，基于机器学习的系统可以指定一个值，例如何时安排维护。这两种方法之间的另一个区别是它们的数据要求。建模者可以从有限的历史数据中构建决策树，而机器学习需要大量的训练数据。对于机器学习，这些数据通常来自历史数据集或连续反馈，但也可以使用仿真模型进行合成。

当系统不易于数学描述或历史数据不足以训练或测试机器学习技术时，模拟可以提供帮助。模拟不是将完整的系统表示为统计算法或生成固定的数据集，而是捕获系统组件的特征和关系，以提供动态模型。系统行为出现在运行模拟中，模拟产生的数据因配置而异。模拟通过两种方式帮助预测分析：

• 对于机器学习，当数据稀缺时，可能是由于成本或风险，仿真模型可以提供合成训练数据。
• 对于复杂的系统，描述系统的组件及其关系通常比描述整个系统的行为更容易。

由于先进的数据收集和越来越强大的计算机，机器学习提供了一种强大的预测方法，并且越来越受欢迎。在我们的博客中了解更多关于机器学习和模拟的信息。

了解辉瑞如何在本临床试验案例研究中使用AnyLogic作为预测建模软件。

规范性分析——对预测做出回应

规定性分析超越了预测，它告诉我们实现目标所需的行动以及实现目标可能带来的更广泛影响。在基于模拟创建预测性分析模型后，您可以尝试流程配置并发现如何实现目标。从模拟模型中可以清楚地看出，实现目标需要哪些步骤，以及它们会产生什么影响。