예측 분석

Predictive analytics

예측 분석에는 데이터 마이닝, 예측 모델링 및 머신 러닝에서 현재 및 과거의 사실을 분석하여 미래 또는 알려지지 않은 사건에 대한 예측을 수행하는 다양한 통계 기법이 포함됩니다.

비즈니스에서 예측 모델은 과거 데이터와 트랜잭션 데이터에서 발견된 패턴을 활용하여 위험과 기회를 식별합니다.모델은 특정 조건과 관련된 위험 또는 잠재성을 평가할 수 있도록 많은 요인 간의 관계를 포착하여 후보 거래에 대한 의사결정을 안내합니다.

이러한 기술적 접근법의 정의적인 기능적 효과는 예측 분석이 각 개인(고객, 직원, 의료 환자, 제품 SKU, 차량, 구성 요소, 기계 또는 기타 조직 단위)에 대한 예측 점수(확률)를 제공하여 관련 조직 프로세스를 결정, 정보 제공 또는 영향을 미치는 것입니다.마케팅, 신용 리스크 평가, 사기 탐지, 제조, 의료, 법 집행 등 정부 운영 분야에서 많은 개인들이 참여합니다.

정의.

예측 분석은 행동과 이벤트를 예측하는 데 사용할 수 있는 대량의 데이터 내에서 관계와 패턴을 찾아내는 BI(비즈니스 인텔리전스) 기술 세트입니다.다른 BI 기술과 달리, 예측 분석은 미래를 [1]예측하기 위해 과거의 사건을 사용합니다.예측 분석 통계 기법에는 데이터 모델링, 기계 학습, AI, 딥 러닝 알고리즘 및 데이터 마이닝이 포함됩니다.종종 알려지지 않은 관심 사건은 미래에 있지만, 예측 분석은 과거, 현재, 미래에 관계없이 알려지지 않은 모든 유형에 적용할 수 있다.예를 들어, 범죄가 일어난 후에 용의자를 특정하거나,[2] 발생한 신용 카드 사기 등을 들 수 있습니다.예측 분석의 핵심은 과거의 사건에서 설명 변수와 예측 변수 간의 관계를 포착하고 이를 활용하여 알려지지 않은 결과를 예측하는 데 있습니다.그러나 결과의 정확성과 유용성은 데이터 분석 수준과 가정 [3]품질에 따라 크게 좌우된다는 점에 유의해야 한다.

예측 분석은 종종 개별 조직 요소에 대한 예측 점수(확률)를 생성하는 보다 세부적인 수준에서 예측하는 것으로 정의됩니다.이것은 예측과 구별된다.예를 들어, "예측 분석--경험(데이터)을 통해 개인의 미래 행동을 예측하고 보다 나은 [4]의사결정을 내릴 수 있는 기술입니다.미래 산업 시스템에서 예측 분석의 가치는 잠재적 문제를 예측하고 방지하여 거의 0에 가까운 분석을 달성하고 의사 결정 [5]최적화를 위한 규범적 분석에 통합하는 데 있습니다.

빅 데이터

빅데이터에 대한 보편적 정의는 없지만, 대부분은 완제품을 얻기 위해 대량의 데이터 포인트를 처리하는 것을 말합니다.데이터셋이 너무 커서 기존 분석 기법을 사용하여 분석할 수 없는 경우에는 빅데이터 분석이 실행됩니다.그러나 빅 데이터를 정의하는 요소는 크기뿐만이 아닙니다.

빅데이터에 대한 Gartner의 정의는 빅데이터의 정의 특성을 설명할 때 유용합니다. "빅 데이터는 통찰력, 의사결정 및 프로세스 [6]자동화를 가능하게 하는 비용 효율적이고 혁신적인 형태의 정보 처리를 필요로 하는 대용량, 고속성 및/또는 다양한 정보 자산입니다."이러한 속성을 빅 데이터의 3가지 V라고 부르기도 합니다.

데이터의 양에 대해서는, 그 크기를 고려해 주세요.크기는 상대적이므로 데이터 집합의 "크기" 여부를 결정하는 보편적인 크기 기준은 없습니다.한 기업에서는 테라바이트의 데이터를 빅데이터로 간주하는 반면, 다른 기업에서는 페타바이트 또는 엑사바이트와 같은 빅데이터의 기준으로 더 큰 단위의 스토리지를 사용합니다.

데이터 속도는 데이터의 속도와 생성, 저장 및 분석에 소요되는 시간을 나타냅니다.배치 처리는 기존에는 대량의 데이터 블록을 처리하는 데 사용되었지만, 시간이 많이 걸리고 빠른 데이터 처리 없이 의사 결정을 성공적으로 내릴 수 있는 경우에만 유용합니다.그러나 오늘날의 시장에서는 매우 다재다능하고 경쟁이 치열한 환경에서 강력하고 성공적인 의사 결정을 내리려면 실시간 처리가 필요합니다.

데이터 유형도 몇 가지 있는데, 이것이 Gartner의 다양성입니다.데이터는 구조화, 반구조화 또는 비구조화 중 하나입니다."구조화된 데이터는 사전 정의된 데이터 모델을 고수하기 때문에 [6]분석하기가 쉬운 데이터입니다."구조화된 데이터에는 일반적으로 기본 기술로 정렬하고 검색할 수 있는 행과 열이 있습니다.스프레드시트와 관계형 데이터베이스는 구조화된 데이터의 전형적인 예입니다.구조화되지 않은 데이터는 미리 정의된 데이터 모델을 준수하지 않고 데이터를 정리하는 데 도움이 되는 열이나 행이 없다는 점에서 구조화 데이터와 정반대입니다.따라서 Excel이나 SQL과 같은 기존 프로그램을 사용하여 쉽게 처리할 수 있는 정형 데이터보다 비정형 데이터를 이해하기 어렵습니다.비정형 데이터의 예로는 이메일, PDF 파일 및 Google 검색이 있습니다.Power BI 및 Tableau와 같은 프로그램을 통해 구조화되지 않은 데이터의 저장 및 처리가 최근 몇 년 동안 훨씬 쉬워졌습니다.

"반구조화된 데이터는 정형 데이터와 비정형 데이터 사이에 있습니다.형식적인 데이터 구조를 준수하지는 않지만 데이터를 [7]정리하기 위한 태그 및 기타 마커가 포함되어 있습니다."반구조화된 데이터 범주는 비정형 데이터보다 분석하기가 훨씬 쉽습니다.많은 빅데이터 툴이 XML 또는 JSON 파일과 같은 반구조화된 형태의 데이터를 '읽고' 처리할 수 있습니다.

빅데이터의 양, 다양성 및 속도는 캡처, 저장, 검색, 공유, 분석 및 시각화에 대한 전반적인 과제를 야기했습니다.빅데이터 소스의 예로는 웹 로그, RFID, 센서 데이터, 소셜 네트워크, 인터넷 검색 색인, 통화 상세 기록, 군사 감시, 천문학, 생물 화학, 유전체학 및 대기 과학 분야의 복잡한 데이터가 있습니다.더 빠른 CPU, 더 저렴한 메모리 및 MPP 아키텍처와 같은 컴퓨터 하드웨어의 기술적 발전과 Hadoop, MapReduce, 빅데이터 처리를 위한 데이터베이스 내 및 텍스트 분석 덕분에 이제 새로운 통찰력을 위해 대량의 정형 및 비정형 데이터를 수집, 분석 및 마이닝할 수 있게 되었습니다.스트리밍 데이터에 대해 예측 알고리즘을 실행할 수도 있습니다.오늘날 빅데이터 탐색 및 예측 분석 기능은 그 어느 때보다 많은 조직에서 이용할 수 있으며 이러한 데이터셋을 처리할 수 있는 새로운 방법이 제안되고 있습니다.

분석 기법

예측 분석을 수행하는 데 사용되는 접근법과 기법은 크게 회귀 기법과 기계 학습 기법으로 분류할 수 있다.

기계 학습

기계학습은 지능을 필요로 하는 인간의 행동을 학습하고 모방하는 기계의 능력으로 정의될 수 있다.이것은 인공지능, 알고리즘, 그리고 [8]모델을 통해 이루어진다.

자기 회귀 통합 이동 평균(ARIMA)

ARIMA 모형은 시계열 모형의 일반적인 예입니다.이러한 모형은 자동 회귀를 사용합니다. 즉, 기계 학습을 사용하여 대부분의 회귀 분석 및 평활을 수행하는 회귀 소프트웨어를 모형에 적합시킬 수 있습니다.ARIMA 모델은 전체적인 추세가 없는 것으로 알려져 있지만, 대신 일정한 진폭을 갖는 평균 주위에 변동이 있어 통계적으로 유사한 시간 패턴이 발생합니다.이를 통해 변수를 분석하고 데이터를 필터링하여 미래 가치를 [9][10]더 잘 파악하고 예측합니다.

ARIMA 방법의 한 가지 예는 지수 평활 모형입니다.지수 평활은 최신 데이터가 미래 값을 예측하는 데 더 정확하고 중요하기 때문에 이전 데이터 집합과 최신 데이터 집합 간의 중요도 차이를 고려합니다.이를 달성하기 위해 지수를 사용하여 새로운 데이터 세트에 오래된 [11]데이터 세트보다 더 큰 가중치를 부여합니다.

시계열 모델

시계열 모델은 과거 값을 사용하여 데이터를 이해하고 예측하기 위해 시계열을 활용하는 기계 학습의 하위 집합입니다.시계열은 비즈니스 [12]응용 프로그램에서 년 또는 분기와 같이 동일한 간격으로 변수 값의 시퀀스입니다.이를 위해서는 데이터를 평활하거나 데이터의 랜덤 분산을 제거하여 데이터의 추세를 표시해야 합니다.이를 실현하는 방법은 여러 가지가 있습니다.

단일 이동 평균

단일 이동 평균 방법에서는 과거 데이터의 더 작고 작은 번호 집합을 사용하여 단일 평균을 취하는 것과 관련된 오류를 줄여 전체 데이터 [13]집합의 평균을 구하는 것보다 더 정확한 평균을 만듭니다.

중심 이동 평균

중심 이동 평균 방법은 중앙 번호 데이터 세트의 평균을 취함으로써 단일 이동 평균 방법에서 발견된 데이터를 이용한다.그러나 짝수 데이터 세트에서는 중위수 데이터 세트를 계산하는 것이 어렵기 때문에 이 방법은 [14]짝수 데이터 세트보다 홀수 데이터 세트에 더 적합합니다.

예측 모델링

예측 모델링은 미래의 동작을 예측하는 데 사용되는 통계 기법입니다.예측 모델을 사용하여 주어진 샘플 내의 특정 유닛과 유닛의 하나 이상의 피쳐 간의 관계를 분석합니다.이 모형의 목적은 다른 표본의 단위가 동일한 패턴을 표시할 가능성을 평가하는 것입니다.예측 모델 솔루션은 데이터 마이닝 기술의 한 종류로 볼 수 있습니다.모형은 과거 데이터와 현재 데이터를 모두 분석하고 잠재적 미래 [7]결과를 예측하기 위해 모형을 생성할 수 있습니다.

일반적으로 사용된 방법론에 관계없이 예측 모형을 생성하는 과정에는 동일한 단계가 포함됩니다.첫째, 프로젝트 목표와 원하는 결과를 결정하고 이를 예측 분석 목표와 과제로 변환하는 것이 필요합니다.그런 다음 소스 데이터를 분석하여 가장 적합한 데이터 및 모델 구축 방식을 결정합니다(모델은 모델을 구축하는 데 사용되는 해당 데이터만큼만 유용).모형을 생성하려면 데이터를 선택하고 변환하십시오.모델이 유효한지, 프로젝트 목표와 측정 기준을 충족시킬 수 있는지를 평가하기 위해 모델을 만들고 테스트합니다.모델의 결과를 적절한 비즈니스 프로세스에 적용합니다(데이터의 패턴을 식별한다고 해서 기업이 이를 활용하거나 활용하는 방법을 이해하는 것은 아닙니다).그 후, 표준화 및 성능 향상을 위해 모델을 관리 및 유지관리합니다(새로운 컴플라이언스 [1]규정을 충족하기 위해 모델 관리에 대한 수요가 증가합니다).

회귀 기법

일반적으로 회귀 분석에서는 구조적 데이터와 함께 독립 변수의 과거 값, 독립 [9]변수와 종속 변수 간의 관계를 사용하여 예측을 구성합니다.

선형 회귀 분석

선형 회귀 분석에서는 Y 축에 표시된 종속 변수의 이전 값과 X 축에 표시된 독립 변수를 사용하여 그림이 구성됩니다.다음으로 독립변수와 종속변수 간의 관계를 나타내는 통계프로그램에 의해 회귀선이 구성되며, 이 통계프로그램은 독립변수만을 바탕으로 종속변수의 값을 예측하는데 사용될 수 있다.회귀선을 사용하면 오차항의 값이 높을수록 회귀 모형의 정밀도가 떨어지는 회귀선의 오차항에 대한 덧셈을 포함하는 선에 대한 기울기 절편 방정식도 표시됩니다.오차항의 값을 줄이기 위해 다른 독립 변수가 모형에 도입되고 이러한 독립 [9][15]변수에 대해 유사한 분석이 수행됩니다.

적용들

분석적 검토 및 감사에 대한 조건부 기대

감사의 중요한 측면에는 분석 검토가 포함됩니다.분석 검토에서는 조사 대상 보고 계좌 잔액의 타당성을 판단한다.감사인은 예측 모델링을 통해 이 프로세스를 수행하여 자기회귀 통합 이동 평균(ARIMA) 방법과 일반 회귀 분석 방법,[9] 특히 분석 검토 통계 기법([16]STAR) 방법을 사용하여 감사 대상 잔액의 조건부 기대치라고 하는 예측을 형성한다.

분석 검토를 위한 ARIMA 방법은 조건부 기대치를 생성하기 위해 과거 감사 잔액에 대한 시계열 분석을 사용한다.이러한 조건부 기대치를 감사계정에 보고된 실제 잔액과 비교하여 보고된 잔액이 예상치에 얼마나 근접한지를 판단한다.보고된 잔액이 예상치에 가까우면 회계는 더 이상 감사되지 않는다.보고된 잔액이 예상과 크게 다를 경우 중요한 회계오류가 발생할 가능성이 높아 추가 감사를 실시합니다.[16]

회귀 분석 방법은 사용된 회귀 모형이 하나의 독립 변수만 사용할 수 있다고 가정하는 경우를 제외하고 유사한 방식으로 배포됩니다.감사 계정 잔액에 기여하는 독립 변수의 중요성은 현재의 구조 데이터와 [9]함께 과거 계정 잔액을 사용하여 판단됩니다.중요성은 종속 [17]변수와의 관계에서 독립 변수의 중요성입니다.이 경우 종속 변수는 계정 잔액입니다.이를 통해 조건부 기대치를 작성하기 위해 가장 중요한 독립변수를 사용하고, ARIMA 방식과 마찬가지로 조건부 기대치를 보고된 계정 잔액과 비교하여 두 [9]잔액의 근접도에 따라 결정한다.

STAR 방법은 회귀 분석을 사용하여 작동하며 두 가지 방법으로 나뉩니다.첫 번째는 STAR 월간 잔액 접근법입니다.조건부 기대치와 사용된 회귀 분석은 모두 감사 대상 1개월과 관련이 있습니다.또 다른 방법은 STAR 연간 잔액 접근법으로, 감사 대상 1년을 기준으로 조건부 기대치와 회귀 분석을 바탕으로 대규모로 이루어집니다.감사기간 차이 외에, 두 방법 모두 예상 잔액과 보고된 잔액을 비교하여 추가로 [16]조사할 계정을 결정함으로써 동일하게 작동합니다.

비즈니스 가치

점점 더 많은 데이터가 디지털 방식으로 생성되고 저장되는 기술 진보의 세계로 이동함에 따라 기업은 이 기회를 활용하고 이 정보를 활용하여 수익을 창출할 수 있는 방법을 모색하고 있습니다.예측 분석을 사용할 수 있으며 자산 관리 회사, 보험 회사, 통신 회사 및 기타 많은 기업을 포함한 다양한 기업에 많은 이점을 제공할 수 있습니다.IDC Analyze the Future가 실시한 연구에 따르면 Dan Vasset과 Henry D.Morris는 자산 관리 회사가 어떻게 예측 분석을 사용하여 더 나은 마케팅 캠페인을 개발했는지 설명합니다.이들은 매스 마케팅 접근 방식에서 고객 중심 접근 방식으로 전환했습니다. 각 고객에게 동일한 제안을 보내는 대신 각 제안을 고객별로 맞춤화할 수 있었습니다.예측 분석을 사용하여 잠재 고객이 맞춤형 제안을 받아들일 가능성을 예측했습니다.마케팅 캠페인과 예측 분석으로 인해 회사의 수락률은 치솟았고, 개인화된 [18]제안을 수락하는 사람 수가 세 배나 되었습니다.

예측 분석의 기술적 진보는 기업에게 가치를 증가시켰습니다.기술의 진보 중 하나는 보다 강력한 컴퓨터이며, 이러한 예측 분석을 통해 대용량 데이터 세트에 대한 예측 데이터를 훨씬 빠르게 생성할 수 있게 되었습니다.컴퓨팅 능력이 향상됨에 따라 더 많은 데이터와 애플리케이션이 제공되므로 예측 분석에서 사용할 수 있는 입력 범위가 넓어집니다.또 다른 기술적 진보에는 보다 사용자 친화적인 인터페이스가 포함되어 있어 진입 장벽을 낮추고 직원들이 소프트웨어와 애플리케이션을 효과적으로 사용하는 데 필요한 교육을 덜 받을 수 있습니다.이러한 발전으로 인해 더 많은 기업들이 예측 분석을 채택하고 직원 효율성 및 효율성 및 [19]수익에서 이점을 누리고 있습니다.

현금 흐름 예측

ARIMA 일변량 및 다변량 모델을 사용하여 기업의 미래 현금 흐름을 예측할 수 있으며, 현금 흐름에 기여하는 특정 요인의 과거 값에 기초한 공식과 계산을 사용할 수 있습니다.시계열 분석을 사용하여 이러한 요소의 값을 분석 및 추정하여 기업의 미래 현금 흐름을 예측할 수 있습니다.일변량 모형의 경우 현금 흐름의 과거 값이 예측에 사용된 유일한 요인입니다.한편 다변량 모형은 [20]감가상각 전 영업 이익과 같은 발생 데이터와 관련된 여러 요인을 사용합니다.

현금 흐름 예측에 사용되는 또 다른 모델은 1998년에 개발되었으며 DKW(1998)로 알려져 있다.DKW(1998)에서는 회귀 분석을 사용하여 다중 변수와 현금 흐름 간의 관계를 확인합니다.이 방법을 통해, 이 모형은 현금흐름의 변화와 발생이 특히 경상수익을 통해 부정적으로 관련된다는 것을 발견하였고, 이 관계를 사용하여 다음 기간의 현금흐름을 예측하였다.DKW(1998) 모델은 [21]재고와 함께 지급 및 수취 계정과 발생 및 현금 흐름의 관계를 통해 이러한 관계를 도출한다.

아동 보호

일부 아동 복지 기관들은 고위험 [22]사례들을 표시하기 위해 예측 분석을 사용하기 시작했다.예를 들어 플로리다 주 힐즈버러 카운티에서는 아동 복지 기관이 예측 모델링 도구를 사용하여 대상 [23]인구에서 학대 관련 아동 사망을 예방했다.

임상 의사결정 지원 시스템

예측 분석은 주로 어떤 환자가 당뇨병, 천식 또는 심장병과 같은 질환에 걸릴 위험이 있는지를 판단하기 위해 의료에서 사용되는 것으로 밝혀졌습니다.또한 정교한 임상 의사 결정 지원 시스템은 의료 의사 결정을 지원하기 위해 예측 분석을 통합한다.

2016년 신경변성 장애에 대한 연구는 파킨슨병의 [24]진행을 진단, 추적, 예측 및 모니터링하기 위한 CDS 플랫폼의 강력한 예를 제공합니다.

법적 의사결정의 결과 예측

법적 결정의 결과에 대한 예측은 AI 프로그램에 의해 이루어질 수 있다.이 프로그램들은 이 [25][26]업계의 전문가들을 위한 보조 도구로 사용될 수 있습니다.

포트폴리오, 제품 또는 이코노미 레벨 예측

대부분의 경우 분석의 초점은 소비자가 아니라 제품, 포트폴리오, 기업, 산업 또는 경제에 있습니다.예를 들어, 소매업자는 재고 관리 목적으로 매장 수준의 수요를 예측하는 데 관심이 있을 수 있습니다.아니면 연방준비제도이사회가 내년 실업률을 예측하는 데 관심이 있을지도 모른다.이러한 유형의 문제는 시계열 기법을 사용한 예측 분석을 통해 해결할 수 있습니다(아래 참조).또한 기계 학습 접근 방식을 통해 해결할 수 있으며, 기계 학습 접근 방식은 원래 시계열을 특징 벡터 공간으로 변환하고, 여기서 학습 알고리즘은 [27][28]예측력을 가진 패턴을 찾습니다.

인수

많은 기업은 서로 다른 서비스로 인한 위험 노출을 고려하여 위험을 감당하는 데 필요한 비용을 결정해야 합니다.예측 분석은 질병, 채무불이행, 파산 등의 가능성을 예측함으로써 이러한 수량을 보증하는 데 도움이 됩니다.예측 분석을 통해 애플리케이션 수준 데이터를 사용하는 고객의 향후 위험 행동을 예측함으로써 고객 획득 프로세스를 간소화할 수 있습니다.신용 점수 형식의 예측 분석은 특히 모기지 시장에서 대출 승인에 걸리는 시간을 단축시켰다.적절한 예측 분석을 통해 적절한 가격 결정을 내릴 수 있으므로 향후 채무불이행 위험을 줄일 수 있습니다.예측 분석을 사용하여 도덕적 해이를 완화하고 사고가 발생하는 [29]것을 방지할 수 있습니다.

「 」를 참조해 주세요.

레퍼런스

  1. ^ a b Eckerson, Wayne, W (2007). "Predictive Analytics. Extending the Value of Your Data Warehousing Investment" (PDF).
  2. ^ Finlay, Steven (2014). Predictive Analytics, Data Mining and Big Data. Myths, Misconceptions and Methods (1st ed.). Basingstoke: Palgrave Macmillan. p. 237. ISBN 978-1137379276.
  3. ^ "To predict or not to Predict". mccoy-partners.com. Retrieved 2022-05-05.
  4. ^ Siegel, Eric (2013). Predictive Analytics: The Power to Predict Who Will Click, Buy, Lie, or Die (1st ed.). Wiley. ISBN 978-1-1183-5685-2.
  5. ^ Spalek, Seweryn (2019). Data Analytics in Project Management. Taylor & Francis Group, LLC.
  6. ^ a b "Definition of Big Data - Gartner Information Technology Glossary". Gartner. Retrieved 2022-04-28.
  7. ^ a b McCarthy, Richard; McCarthy, Mary; Ceccucci, Wendy (2021). Applying Predictive Analytics: Finding Value in Data. Springer.
  8. ^ "Machine learning, explained". MIT Sloan. Retrieved 2022-05-06.
  9. ^ a b c d e f Kinney, William R. (1978). "ARIMA and Regression in Analytical Review: An Empirical Test". The Accounting Review. 53 (1): 48–60. ISSN 0001-4826. JSTOR 245725.
  10. ^ "Introduction to ARIMA models". people.duke.edu. Retrieved 2022-05-06.
  11. ^ "6.4.3. What is Exponential Smoothing?". www.itl.nist.gov. Retrieved 2022-05-06.
  12. ^ "6.4.1. Definitions, Applications and Techniques". www.itl.nist.gov. Retrieved 2022-05-06.
  13. ^ "6.4.2.1. Single Moving Average". www.itl.nist.gov. Retrieved 2022-05-06.
  14. ^ "6.4.2.2. Centered Moving Average". www.itl.nist.gov. Retrieved 2022-05-06.
  15. ^ "Linear Regression". www.stat.yale.edu. Retrieved 2022-05-06.
  16. ^ a b c Kinney, William R.; Salamon, Gerald L. (1982). "Regression Analysis in Auditing: A Comparison of Alternative Investigation Rules". Journal of Accounting Research. 20 (2): 350–366. doi:10.2307/2490745. ISSN 0021-8456. JSTOR 2490745.
  17. ^ PricewaterhouseCoopers. "Materiality in audits". PwC. Retrieved 2022-05-03.
  18. ^ Vesset, Dan; Morris, Henry D. (June 2011). "The Business Value of Predictive Analytics" (PDF). White Paper: 1–3.
  19. ^ Stone, Paul (April 2007). "Introducing Predictive Analytics: Opportunities". All Days. doi:10.2118/106865-MS.
  20. ^ Lorek, Kenneth S.; Willinger, G. Lee (1996). "A Multivariate Time-Series Prediction Model for Cash-Flow Data". The Accounting Review. 71 (1): 81–102. ISSN 0001-4826. JSTOR 248356.
  21. ^ Barth, Mary E.; Cram, Donald P.; Nelson, Karen K. (2001). "Accruals and the Prediction of Future Cash Flows". The Accounting Review. 76 (1): 27–58. doi:10.2308/accr.2001.76.1.27. ISSN 0001-4826. JSTOR 3068843.
  22. ^ Reform, Fostering (2016-02-03). "New Strategies Long Overdue on Measuring Child Welfare Risk". The Imprint. Retrieved 2022-05-03.
  23. ^ "Within Our Reach: A National Strategy to Eliminate Child Abuse and Neglect Fatalities" (PDF). Commission to Eliminate Child Abuse and Neglect Fatalities. 2016.
  24. ^ Dinov, Ivo D.; Heavner, Ben; Tang, Ming; Glusman, Gustavo; Chard, Kyle; Darcy, Mike; Madduri, Ravi; Pa, Judy; Spino, Cathie; Kesselman, Carl; Foster, Ian (2016-08-05). "Predictive Big Data Analytics: A Study of Parkinson's Disease Using Large, Complex, Heterogeneous, Incongruent, Multi-Source and Incomplete Observations". PLOS ONE. 11 (8): e0157077. Bibcode:2016PLoSO..1157077D. doi:10.1371/journal.pone.0157077. ISSN 1932-6203. PMC 4975403. PMID 27494614.
  25. ^ Aletras, Nikolaos; Tsarapatsanis, Dimitrios; Preoţiuc-Pietro, Daniel; Lampos, Vasileios (2016). "Predicting judicial decisions of the European Court of Human Rights: a Natural Language Processing perspective". PeerJ Computer Science. 2: e93. doi:10.7717/peerj-cs.93.
  26. ^ UCL (2016-10-24). "AI predicts outcomes of human rights trials". UCL News. Retrieved 2022-05-03.
  27. ^ Dhar, Vasant (May 6, 2011). "Prediction in financial markets: The case for small disjuncts". ACM Transactions on Intelligent Systems and Technology. 2 (3): 1–22. doi:10.1145/1961189.1961191. ISSN 2157-6904. S2CID 11213278.
  28. ^ Dhar, Vasant; Chou, Dashin; Provost, Foster (2000-10-01). "Discovering Interesting Patterns for Investment Decision Making with GLOWER ◯-A Genetic Learner Overlaid with Entropy Reduction". Data Mining and Knowledge Discovery. 4 (4): 251–280. doi:10.1023/A:1009848126475. ISSN 1384-5810. S2CID 1982544.
  29. ^ Montserrat, Guillen; Cevolini, Alberto (November 2021). "Using Risk Analytics to Prevent Accidents Before They Occur – The Future of Insurance". Journal of Financial Transformation.

추가 정보

  • Agresti, Alan (2002). Categorical Data Analysis. Hoboken: John Wiley and Sons. ISBN 0-471-36093-7.
  • 의 Coggeshall, Stephen, Davies, John, Jones, Roger 및 Schutzer, Daniel,{{cite book}} "Intelligent Security Systems"에는 총칭(도움말)이 있습니다.CS1 유지: 여러 이름: 작성자 목록(링크)
  • L. Devroye; L. Györfi; G. Lugosi (1996). A Probabilistic Theory of Pattern Recognition. New York: Springer-Verlag. ISBN 9781461207115.
  • Enders, Walter (2004). Applied Time Series Econometrics. Hoboken: John Wiley and Sons. ISBN 0-521-83919-X.
  • Greene, William (2012). Econometric Analysis, 7th Ed. London: Prentice Hall. ISBN 978-0-13-139538-1.
  • Guidère, Mathieu; Howard N, Sh. Argamon (2009). Rich Language Analysis for Counterterrorism. Berlin, London, New York: Springer-Verlag. ISBN 978-3-642-01140-5.
  • Mitchell, Tom (1997). Machine Learning. New York: McGraw-Hill. ISBN 0-07-042807-7.
  • Siegel, Eric (2016). Predictive Analytics: The Power to Predict Who Will Click, Buy, Lie, or Die. John Wiley. ISBN 978-1119145677.
  • Tukey, John (1977). Exploratory Data Analysis. New York: Addison-Wesley. ISBN 0-201-07616-0.
  • Finlay, Steven (2014). Predictive Analytics, Data Mining and Big Data. Myths, Misconceptions and Methods. Basingstoke: Palgrave Macmillan. ISBN 978-1-137-37927-6.
  • Coker, Frank (2014). Pulse: Understanding the Vital Signs of Your Business. Bellevue, WA: Ambient Light Publishing. ISBN 978-0-9893086-0-1.