Предикативные данные: Предикативная аналитика: как предсказать эпидемию и успех в бизнесе

Leave a reply

Предикативная аналитика: как предсказать эпидемию и успех в бизнесе

С помощью статистики можно предсказать поломку оборудования, спрогнозировать, сколько клиентов перейдет к конкурентам, и узнать, кто из сотрудников скоро уволится

Что такое предикативная аналитика

Предикативная (или предиктивная, прогнозная) аналитика — это прогнозирование, основанное на исторических данных. С помощью статистических инструментов можно выявить закономерности в изменениях показателей в предыдущих периодах и предсказать, как они будут вести себя в будущем. Например, проанализировав котировки акций, можно просчитать обвал или изменение цен. Банки используют предикативную аналитику, когда оценивают заемщика, анализируя финансовые показатели и рассчитывая вероятность того, что клиент не сможет выплатить кредит.

Крупные компании создают целые отделы, занимающиеся предикативной аналитикой. Они преследуют разные цели — от оптимизации затрат на рекламу до повышения эффективности производства. Считается, что из всех видов бизнес-аналитики именно предикативная аналитика приносит наибольшую выгоду компаниям.

Фото: TDWI

Как строится процесс

Основа прогнозной аналитики — большие данные (от англ. big data). Это огромные массивы информации, которые невозможно обработать с помощью привычных инструментов. Сейчас ИТ-компании предлагают готовые программы, которые анализируют большие данные и визуализируют их в виде дашбордов — наглядных таблиц, графиков и отчетов. Самый актуальный дашборд на сегодняшний день был создан центром системных наук и инжиниринга Университете Джона Хопкинса. Он демонстрирует количество заболевших коронавирусом во всех странах.

Скорость распространения коронавируса в мире

Случаев за сутки

Источник: JHU

Данные по миру i

Большие данные появляются постоянно — их генерируют компании, устройства и мы сами, когда пользуемся смартфонами и компьютерами, делаем покупки и путешествуем. Кроме того, они легко собираются и оцифровываются: например, если раньше мы покупали продукты на рынках и расплачивались наличными, то теперь чаще оплачиваем товары банковскими картами или делаем заказы в интернет-магазине.

Распространенные примеры данных:

  • генерируемые в интернете — посещаемость сайтов, данные о покупках в интернет-магазинах, «лайки»;
  • корпоративная информация — транзакции, отчеты о звонках в компанию, количестве покупателей;
  • показания приборов — сведения из различных датчиков, телеметрические данные;
  • экономические показатели.

Если перечисленные источники уже можно назвать «классическими», то в последние годы компании научились обрабатывать менее очевидные данные: зарплаты игроков американского футбола, содержание фильмов и географические координаты ударов молнии.

Построение прогноза состоит из нескольких этапов:

  • Определение цели анализа. От этого будет зависеть, какие именно данные нужно будет собрать.
  • Сбор данных из разных источников. Чтобы сделать более точный прогноз, важна их чистота и однообразие. В процессе могут быть введены некорректные значения или произойти сбои программного обеспечения, поэтому задача аналитиков — преобразовать их в подходящий вид.
  • Анализ с использованием статистических инструментов. Для этой цели есть готовые решения, но некоторые компании предпочитают создавать софт под собственные нужды.
  • Моделирование. На этом этапе часто используется машинное обучение и другие методы с применением искусственного интеллекта. Аналитики выявляют зависимости и факторы, влияющие на поведение показателей, и строят модель с прогнозом.
  • Применение на практике. Это финальный этап, когда становится понятно, насколько точным оказался прогноз. В процессе применения модель обучается на новых данных и корректирует прогноз.

Предикативная аналитика не может быть точной на 100%. Иначе, например, биржа не имела бы смысл — каждый мог бы предсказать, как поведут себя те или иные акции. В реальности на каждый бизнес-показатель влияет множество факторов, но точность предикативной модели можно повышать, работая над качеством данных и обучая ее.

Примеры применения предикативной аналитики

Компании анализируют историю покупок и текущую активность клиента. Если по итогам анализа покупатель попадает в сегмент тех, кто потенциально может перейти к конкурентам, то ему могут предложить скидку, бонусы или подарок.

  • Управление кадрами

HR-специалисты используют предикативную аналитику, чтобы заранее выявить, кто из работников уволится, кто из кандидатов на вакансию преуспеет, сколько позиций нужно открыть в следующем году, сколько сотрудников воспользуются разными опциями медицинской страховки и т.д. Google использует ее, чтобы сохранить кадры — если аналитика предсказывает, что ценный работник скоро уйдет из компании, ему предлагают повышение или другую должность.

Анализируя данные об использовании оборудования, можно определить, когда оно будет нуждаться в профилактическом ремонте. Так, в феврале Mail.ru Group объявила, что создаст для «Сухого» цифровую платформу предикативной аналитики. Данные о работе промышленного оборудования и параметрах выполнения операций позволят прогнозировать исправность станков и осуществлять их своевременное обслуживание.

  • Финансы и банки

В этой сфере прогнозная аналитика используется особенно широко. Например, с ее помощью выявляются мошеннические транзакции. Банки смотрят на данные прошлых лет о нормальном поведении: расходах, обычном времени и географии транзакций. В случае аномалий организация получает уведомление и может запросить у клиента дополнительное подтверждение операции.

Прогнозная аналитика особенно эффективна в интернет-маркетинге, где легко собрать информацию и быстро внести изменения. Она помогает снизить расходы на рекламу, показать объявление, подходящее конкретному пользователю, квалифицировать посетителя сайта как будущего платящего клиента, улучшить клиентский опыт и т.д.

  • Эпидемиология

Специалисты сервиса BlueDot в декабре 2019 года определили, что вспышка заболевания будет именно в провинции Хубэй, опубликовав первую научную публикацию, в которой были предсказания о глобальном распространении вируса.

Бывают неожиданные области применения предикативной аналитики с искусственным интеллектом. О них рассказал технический директор Redmadrobot Data Lab Алексей Соколов:

  • Спорт. Компания ICEBERG анализирует хоккейные матчи, собирает статистику по игрокам, их владению шайбой и прогнозирует ряд показателей для клубов. Также в Японии был разработан алгоритм, предсказывающий на основе позы игрока место падения шарика для пинг-понга. По словам создателей, точность алгоритма составляет 75%.
  • Медицина. Помимо стандартных диагностических задач, предиктивная аналитика используется для разработки лекарств (с ее помощью можно моделировать белки для лечения определенных заболеваний), построения индивидуальных планов лечения и даже для качественной чистки зубов.
  • Азартные игры. Долгое время игра в покер считалась недоступной для машины. Сейчас алгоритмы научились блефовать, предсказывать поведение соперников и играть сильнее лучших игроков мира.

«Системы, построенные на машинном обучении, стремительно развиваются. Основная «пища» для алгоритмов такого рода — это данные и вычислительные мощности, и их становится все больше. Через пять лет машинные алгоритмы будут пронизывать все вокруг точно также, как электричество, — добавляет Алексей Соколов. — Скорее всего, государства научатся корректно регулировать интеллектуальные технологии, беспилотные автомобили станут нормой, а в медицине произойдут прорывы, которые позволяют людям жить дольше».

Подписывайтесь и читайте нас в Яндекс.Дзене — технологии, инновации, эко-номика, образование и шеринг в одном канале.

Предиктивная аналитика: зачем интернет-маркетологу предикативная аналитика?

Вы собираете данные, проводите аналитику и принимаете решения на ее основе. И это отличное начало, но как получить из данных еще больше пользы? Предвидеть будущие события, а не только анализировать прошлые позволяет предиктивная аналитика.

Предиктивная аналитика (от англ. predictive analytics — предсказательная аналитика) — методология анализа данных, используемая для прогнозирования будущих событий.

Ким Мурашов

CMO & Co-founder LoyaltyLab

Маркетинг сегодня персонализирован, контекстуален и динамичен. Все чаще его цель не привлечение клиентов, а понимание каждого конкретного пользователя на уровне его желаний и контекста потребления.

Предиктивная аналитика в данном случае как раз помогает предугадать тот самый контекст потребностей и желаний клиентов и определить лучший способ доставки информации через физические и цифровые точки соприкосновения, выстроив при этом уникальный персонализированный подход.

В основе предиктивной аналитики лежит технология искусственного интеллекта. Она позволяет анализировать огромный массив данных и за секунды строить на их основе прогностические модели. С помощью прогнозной аналитики проводят оптимизацию цен, планируют закупки, разрабатывают новые продукты, предотвращают отток клиентов и образование задолженностей.

Представьте мир, в котором производители знают, кто вы и чего хотите, и могут через удобные вам каналы коммуникации предоставить тот продукт, который наилучшим образом и незаметно удовлетворит ваши запросы. Так вот сейчас мы живем именно в таком мире.

Максим Цуканов

руководитель направления клиентской аналитики и CRM, SAS Россия/СНГ

Британская энергетическая компания ScottishPower с помощью предиктивной аналитики оценивает риски неоплаты счетов по всей клиентской базе, а это около 5 млн человек. Данные о рисках, полученные заранее, позволяют отделу маркетинга более продуктивно работать с клиентами, которые могут просрочить платеж: понять причины их неплатежеспособности, предложить варианты решения и тем самым, возможно, избежать оттока.

Еще один пример из этой компании: зная заранее, какого числа клиент оплачивает счет, компания присылает напоминание непосредственно перед этой датой. Так сокращается количество ненужных писем, повышается лояльность клиента и экономятся деньги на отправку.

А как насчет интернет-маркетинга? Мы пообщались с экспертами в области предиктивного анализа и выяснили, зачем предиктивная аналитика интернет-маркетологу.

Привлекать больше клиентов

Привлекать клиентов все сложнее — перед нами огромный выбор интернет-магазинов и сервисов. В борьбе за лиды выигрывают те компании, которые могут предложить своей аудитории индивидуальный подход и реальную выгоду. Как узнать, что заинтересует того или иного клиента?

На основе накопленных данных о покупателях клиентская база делится на сегменты в зависимости от предпочтений, поведения, социально-демографических параметров и финансовых возможностей. Исторические данные позволяют построить предиктивную модель и сделать максимально точный прогноз: заинтересует ваше предложение конкретного клиента или нет.

Приоритизация лидов по степени их готовности к сделке называется lead scoring — квалификация лидов. Отличный пример использования скоринговых моделей — оценка платежеспособности клиента, применяемая в банках. Прогноз строится на исторических данных, поэтому, если вы по каким-либо характеристикам (частая смена работы например) похожи на тех, кто частенько берет кредиты, забывая возвращать, вероятность отказа достаточно высока.

Определив потенциал лидов к конвертации и разделив их на сегменты, можно сделать выбранной группе клиентов точечное, и главное, наиболее релевантное для них предложение.

Максим Цуканов

руководитель направления клиентской аналитики и CRM, SAS Россия/СНГ

Наша практика показывает, что с предиктивной клиентской аналитикой отклик на целевые маркетинговые предложения намного выше. В компаниях появляется инкрементальный оборот, растет маржинальность. Так, например, это сделали «Азбука Вкуса» и сети «Пятерочка» и «Перекресток», входящие в X5 Retail. С помощью предиктивной аналитики они прогнозируют отклик на маркетинговые предложения и запускают новые рекламные кампании.

Сегментируя потенциальных покупателей по их готовности к сделке, можно правильно таргетировать маркетинговые сообщения посредством контекстной, баннерной, таргетированной рекламы. Это позволит увеличить конверсию рекламных мероприятий и привлечь больше клиентов.

2. Улучшать клиентский опыт

Предиктивная аналитика помогает не только привлекать новых клиентов, но и улучшать клиентский опыт уже существующих с помощью персональных рекомендаций. Для этого используется метод кластеризации.

Дмитрий Зеленко

коммерческий директор «Ланит Омни»  

Раньше в маркетинге было принято сегментировать клиентов по демографическим, социальным и географическим признакам. Например, «мужчины до 55», «женщины 35+» и т.д. В основном это механическая процедура. Кластеризация же — это статистический метод. Он объединяет покупателей в группы по особым критериям — наиболее значимым параметрам потребительского поведения покупателей. С помощью кластеризации увеличивается точность персональных предложений, построенных на основе данных именно этой группы.

Как метод кластеризации работает на практике? Сначала строятся сообщества товаров, которые часто покупают вместе. Вот как это выглядит на примере анализа продаж в сети магазинов LEGO:

Затем сообщества товаров связываются с кластерами покупателей. В результате мы имеем прогноз: какой товар, с какой долей вероятности, каким кластерам покупателей можно предлагать.

Простейший пример использования кластеризации: составление на сайте рекомендаций «с этим товаром покупают».

Кейс от компании «Ланит Омни»: от пилота — к продуктивной эксплуатации

Перед внедрением системы предиктивной аналитики мы всегда предлагаем нашим клиентам провести пилот, чтобы убедиться в работоспособности методов предиктивной аналитики в конкретном сегменте рынка. Для оценки успешности проекта ювелирной компании «Адамас» мы сравнивали отклик, то есть факт совершения покупки, в пилотной и контрольной группах покупателей.

После подготовительного этапа мы провели шесть флайтов рассылок персональных сообщений одновременно с общефедеральными рассылками. Результат: отклик в пилотной группе почти в полтора раза (на 46%) выше, чем в контрольной группе участников, получавших общее сообщение. В целом за период проекта по пилотной группе было получено дополнительной выручки 5,3%. А дополнительная выручка по магазинам пилотной группы составила 2,05%.

После успешного пилотного проекта руководство компании решило запустить систему предиктивной аналитики в эксплуатацию. Стоит отметить, что постоянное использование сервиса показывает даже лучшие результаты, чем были в пилоте. И это логично: работая с аудиторией торговой сети в регулярном режиме, мы с каждым разом все лучше понимаем ее особенности. Это позволяет нам давать значительно более точные рекомендации и увеличивать показатели. Директор по маркетингу компании «Адамас» Григорий Шанаев приводит следующие данные: отклик на персональные сообщения превышает отклик на общие рекламные сообщения на 210%.

За счет использования машинного обучения предиктивная аналитика позволяет классифицировать базу клиентов на основе любого количества переменных. С помощью этих данных вы получаете на порядок больше возможностей для кросс-сейла и апсейла, улучшая тем самым клиентский опыт и увеличивая прибыль компании.

Ким Мурашов

CMO & Co-founder LoyaltyLab

Как использовать предиктивную аналитику в ритейле? Для каждого покупателя мы предсказываем дату и время его следующего визита, что позволяет провести персонализированную коммуникацию в нужный момент. Мы даем клиенту персональные рекомендации на основании предсказания его следующего чека, что делает рекомендацию максимально релевантной.

На практике это выглядит следующим образом: во вторник в 17:00 клиент Валерий запланировал пойти за покупками и купить курицу, молоко и баклажаны. С помощью LoyaltyLab ритейлер может отправить ему сообщение о том, что отличным дополнением к его покупкам станут твердый сыр и оливковое масло, на которое Валерию дается персональная скидка. Эти товары — именно те, которые в потребительских паттернах Валерия с наибольшей вероятностью будут куплены в дополнение к уже запланированной корзине. Еще большую релевантность коммуникации обеспечит тот факт, что сообщение Валерий получит в 16:00 — ровно в тот момент, когда будет задумываться о походе в магазин.

3. Прогнозировать эффективность рекламы

С помощью сквозной аналитики вы можете анализировать эффективность каждого рекламного канала, а с помощью предиктивной аналитики сможете ее прогнозировать. Если вы знаете, какую отдачу принесет то или иное рекламное мероприятие, вам будет проще планировать бюджет, отключать неэффективные рекламные каналы или кампании и запускать новые.

Предиктивная аналитика определит тенденции ваших клиентов в отношении соцсетей, email-рассылок, мессенджеров, офлайн-мероприятий и т. д. Это позволит спрогнозировать отдачу от каждого рекламного канала и построить сильную омниканальную стратегию.

Итак, если вы хотите выбирать лучшие рекламные каналы, привлекать больше клиентов и улучшать их клиентский опыт, вам не обойтись без предиктивной аналитики.

С чего начать?

С формулировки конкретных целей и выбора платформы. Сегодня рынок предиктивной аналитики предлагает решения на любой вкус и кошелек. Наиболее сильные игроки: SAS, «Ланит Омни», Springbot, Canopy Labs, Custora и др.

Определившись с платформой, интегрируйте ее с вашим сайтом, рекламными системами или единой аналитической платформой.

Строить прогнозы и принимать осознанные маркетинговые решения — верная стратегия, но и черных лебедей никто не отменял.:) Поэтому, запустив предиктивную аналитику в работу, не забывайте следить за эффективностью той или иной прогностической модели и корректировать ее при необходимости. Будьте начеку — анализируйте данные и слушайте ваших клиентов.

Дмитрий Зеленко

коммерческий директор «Ланит Омни»

Помните: если клиент уходит от вас, это значит, что вы ушли от своего клиента. Оставайтесь с ним!


Узнайте, какая реклама приводит лиды

Коллтрекинг CoMagic

  • определение источника обращения до ключевого слова
  • без платы за номера
  • настройка в два клика
Подробнее Поделитесь с друзьями

Обучаемые компьютеры. Предикативная аналитика и Большие данные.

ЗАО «ЕС-лизинг», соучредитель базовой кафедры ДКИ МИЭМ НИУ ВШЭ «Информационно-аналитические системы-ЗАО «ЕС-лизинг»» является одним из лидеров на рынке решений в области Big Data.

Деятельность участников экономической, социальной, политической, государственной инфраструктуры современного мира, просто граждан любого государства постоянно создаёт большой объем различной информации: в социальных сетях, на тематических форумах, блогах и информационных ресурсах. В современном мире, когда каждый гражданин подключен к сети интернет посредством мобильного устройства и генерирует разнородную информацию (видео, аудио, визуальная информация, текст), для анализа огромного потока информации используются технологии больших данных (Big Data) и машинного обучения (Machine Learning) и соответствующий инструментарий, причём этот объем информации больше, чем способны сохранить имеющиеся технические средства хранения. Большая часть информации пропадает безвозвратно. В этой потерянной информации содержится огромное количество полезных знаний для всевозможных компаний и государственных организаций, которые можно извлекать с помощью средств интеллектуальной обработки данных (Data Mining). Эти знания могут включать в себя: предпочтения, разочарования или намерения определенных групп населения.

Под группами могут пониматься: например, жители любого региона страны, или клиенты крупной компании (сотовый оператор, банк, энергетическая, коммунальная организация), или участники определенного социального слоя, как например, школьники, студенты, пенсионеры и тому подобное. Для определения намерений групп населения используются специальные методы прогнозной аналитики (Predictive Analytics), причём эти методы и соответствующие знания можно использовать для выработки корректной политики в сфере государственного регулирования, для подготовки маркетинговой кампании в сфере частного бизнеса, а также в сфере риск менеджмента, безопасности и т.д.

Компания ЗАО «ЕС-лизинг» имеет богатый опыт применения различных Big Data технологий. Это могут быть open source решения или системы мирового лидера рынка Big Data компании IBM.

Для решения задач в области Больших данных, в компании ЗАО «ЕС-лизинг» при участии IBM и Банка России создан Центр компетенции IBM BIG DATA, на базе которого проводится обучение магистров МИЭМ, по направлению подготовки «Информатика и вычислительная техника» (Образовательная программа «Компьютерные системы и сети» /специализация «Информационно-аналитические системы»). ЗАО «ЕС-лизинг» имеет статус IBM Premier Business Partner и обладает опытом по практическому применению большинства решений IBM, включая все инструментальные средства платформы IBM Big Data.

Желающие пройти обучение по инструментальным средствам платформы IBM Big Data представляется возможность такого обучения в рамках программы ДПО «Современные методы и технологии работы с большими данными» https://miem.hse.ru/big_data

Компания ЗАО «ЕС-лизинг», располагает набором уже реализованных прикладных программных комплексов (ППК), и совместно с преподавательским составом ДКИ МИЭМ НИУ ВШЭ может решать следующие типовые задачи в области технологий обработки Больших данных:

  • Прогнозирование «бегства вкладчиков»
  • Выявление аффилированных лиц
  • Оценка степени удовлетворенности клиентов услугами
  • Обнаружение фактов инсайда
  • Изучение и анализ информационного поля в Интернет. Выделение троллинга
  • Поиск источников вброса, каналов и путей распространения информации
  • Дополнение информации о клиентах из открытых источников
  • Прогнозирование оттока клиентов
  • Выявление лиц, связанных с пропагандой и употреблением наркотиков
  • Выявление организаций, осуществляющих деятельность на рынке микрофинансирования, не состоящих в Государственном реестре
  • Мониторинг и анализ цен конкурентов для формирования оптимальной цены и ассортимента
  • Оценка и прогноз производственной устойчивости сельскохозяйственных товаропроизводителей
  • Оценка финансовой устойчивости сельскохозяйственных товаропроизводителей
  • Определение целевой аудитории для товаров типовой ритейловой компании среди участников социальных сетей
  • Разработка инструментов и методов стандартизации адресов торговых точек
Контактная информация:

Позин Борис Николаевич, д.т.н., профессор:[email protected]

(495) 772-95-90*11088

Предикативная аналитика поможет проконтролировать корпоративные автопарки

По данным отчета Business Insider, к 2022 году рынок приложений предикативной аналитики, прогнозирующей будущие события путем обработки данных, вырастет до $20,4 млрд. Для сравнения, по итогам 2017-го он достиг всего $4,56 млрд. При этом ключевыми драйверами роста многие называют всеобщий курс на сокращение затрат, автоматизацию и оптимизацию бизнес-процессов, а также распространение так называемых больших данных (Big data).

Проникают прогнозные IT-решения и в транспортную сферу. Правда, пока что речь идет, в основном, об общественном транспорте, а главным ориентиром остается безопасность. При этом ставка делается на видеоаналитику. Например, такая система реализована и успешно применяется на грузовом терминале одного из крупнейших российских аэропортов. Там установлены специальные модули, которые предсказывают возможные переброски предметов или пересечения линий и распознают автомобильные номера. Как показывает статистика, данные модули точны почти на 100%.

Кроме того, по мнению ряда экспертов, предикативные решения позволят отслеживать эмоциональное состояние водителей, несущих ответственность за жизни пассажиров. На основании поведенческих стилей будет прогнозироваться дальнейшее развитие ситуации и при необходимости – подаваться сигнал оператору. В итоге это поможет предотвращать аварии и другие инциденты.

«Собственно, такая работа уже давно ведется в сфере мониторинга корпоративного транспорта, – отмечает руководитель отдела клиентской поддержки «СКАУТ-Корпоративные решения» Мария Воробьева. – Хотя пока значительная часть анализа осуществляются самими операторами на основе полученных от телематики сведений».

Специальные диспетчерские центы получают от системы спутникового контроля автоматические уведомления о превышениях водителями максимально допустимой скорости, авариях, отклонениях от маршрутов, остановках в неположенных местах, срабатывании тревожной кнопки. Наконец, поступают сигналы о слишком резких торможениях и перестроениях и других опасных маневрах. Диспетчеры же быстро реагируют по своему усмотрению: связываются с водителем, чтобы предупредить его об опасности, вызывают на место оперативные службы и т.д. Вдобавок они анализируют полученные сведения и предлагают владельцам коммерческого транспорта меры по повышению его безопасности и эффективности.

«Вполне возможно, что в дальнейшем сложится симбиоз такой диспетчеризации с предикативной аналитикой, и системы смогут не только предупреждать диспетчеров об отклонениях, но и самостоятельно предсказывать дальнейший ход событий. Это даст возможность операторам быстрее и точнее реагировать на определенные ситуации, что снизит аварийность. Тем более, на сегодняшний день существуют решения по фото- и видеоконтролю корпоративного транспорта, которые также вписываются в эту модель. Ведь они позволят держать руку на пульсе поведения и эмоционального состояния водителя, а это еще сильнее повысит точность прогнозов».

Проблемы функциональной грамматики. Предикативные категории в высказывании и целостном тексте.

Эта книга — шестая в серии «Проблемы функциональной грамматики» — выходит в свет после ухода из жизни автора теоретической концепции и главы Санкт- Петербургской научной школы функциональной грамматики члена-корреспондента РАН Александра Владимировича Бондарко, успевшего написать введение к тому и в значительной степени осуществить редактирование его основных разделов. Как и предшествующие тома данной серии, эта коллективная монография содержит ряд глав, посвященных грамматическому описанию русского языка в синхронии и диахронии, однако не ограничивается этим материалом: в книге рассматриваются данные самодийских, палеоазиатских, тунгусо-маньчжурских и романских языков. Основное внимание авторов сосредоточено на речевых реализациях предикативных категорий, их дискурсивных и текстовых функциях. В третьей части тома исследуются онтогенетические аспекты обсуждаемой проблематики. Книга подготовлена в отделе теории грамматики Института лингвистических исследований РАН (Санкт-Петербург) и предназначена для широкого круга лингвистов, преподавателей русского и иностранных языков, типологов и психолингвистов. В написании книги участвовали лингвисты из Москвы, Новгорода, Ольденбурга и Санкт-Петербурга.

This monograph is the sixth volume of „Problems of Functional grammar11. It is published shortly after the decease of Alexander Bondarko, the corresponding member of Russian Academy of Science, author of the theory of functional grammar, the leader of St. Petersburg Functional Grammar research group. He had managed to write and finish the preface to this book and completely read and edit the majority of chapters. As it was in the previous volumes, the book not only describes the Russian grammar (using synchronic and diachronic approaches), but also studies the data from Samoyedic, Paleo-Siberian, Tungusic Languages and Romance Languages. The main attention is paid to realisation of predicative categories in speech, its functions in discourse and text. In the third part of the monography, these problems are examined from the perspective of first language acquisition. The book was edited by the Department of Theory of Grammar at the Institute for Linguistic Studies RAS (Saint Petersburg). It will appeal to all kind of linguists, teachers of Russian and foreign languages, specialists in typology and psycholinguistics. The authors of the chapters include scholars from Moscow, Novgorod, Oldenburg and Saint Petersburg.

ОГЛАВЛЕНИЕ
Предисловие (М Д. Воейкова, В. В. Казаковская).
Введение. Системно-грамматические аспекты
семантики высказывания и целостного текста (\А. В. Бондарко |) . . 15
I. ПРЕДИКАТИВНЫЕ КАТЕГОРИИ В ВЫСКАЗЫВАНИИ  57
Глава I. Протодейксис, предикация и состав предикативных категорий высказывания (М Я. Дымарский) … 57 Глава И. Второе лицо индикатива в плане повествования
и в плане речи (Ю. П. Князев)  86
ГЛАВА III. К семантическому объяснению выбора наклонения в изъяснительных придаточных при предикатах
пропозициональной установки (И. М. Кобозева, Д. П. Попова) . . 112 Глава IV. Коммуникативная установка высказывания и категория наклонения (на материале французского языка)
(Е. Е. Корди) 134
ГЛАВА V. Видо-временные формы в эвенкийском языке
{И. В. Недячков)  150
Глава VI. Предикативное обладание в чукотском языке {М. Ю. Пупынина)   • • 176
Н. ПРЕДИКАТИВНЫЕ КАТЕГОРИИ В ЦЕЛОСТНОМ ТЕКСТЕ . . 199 ГЛАВА VII. Категория лица в грамматике и в тексте
(Н. К. Онипенко)    199
ГЛАВА VIII. Прилагательное в тексте как редуцированная
предикация (Г. И. Кустова) 224
ГЛАВА IX. Дискурсивные употребления инферентива
и репортатива в самодийских языках (А. Ю. Урманчиева) 247
ГЛАВА X. Временная нелокализованность действия
и ее выражение в древнерусских текстах (И. Н. Смирнов) 270
Глава XI. «Василий убо посланъ бываешь игуменом на нЪкое дкло».
Об одной модели страдательного залога в памятниках Древнерусской письменности (Е. Г. Сосновцева) 289
III. ОНТОГЕНЕЗ ВЫСКАЗЫВАНИЯ И ЦЕЛОСТНОГО ТЕКСТА . . 30! ГЛАВА XII. Функции императивных форм дай/давай и их грамматикализованных вариантов в высказываниях детей
и взрослых (М Д. Воейкова, К. А. Иванова) 3081
ГЛАВА XIII. Выражение качественности на ранних этапах
речевого онтогенеза (В. В. Казаковская)  3321
ГЛАВА XIV. К вопросу об онтогенезе детского текста (С. Н. Цейтлин) 359
Литература 381
Предметный указатель 416
Именной указатель 425
Summaries. .   432

Предикативные структуры научного текста в свете проблемы переводимости.

Гудухина Мария Николаевна — магистрант, Московский городской педагогический университет, г. Москва, Россия

Статья подготовлена для публикации в сборнике «Актуальные вопросы переводоведения и практики перевода».

Вопрос переводимости научных текстов относится к числу особых переводческих задач в силу логической организации, аргументированности, информационной нагруженности таких текстов [1, с. 428]. Перечисленные особенности научного текста определяют его структуру и объясняют сложность перевода — в тексте присутствует большое количество различных предикативных конструкций, через которые выстраивается авторская логика и обеспечивается аргументированность. Следует отметить, что предикативность составляет основу любого предложения, является его обязательным компонентом, фундаментом сказуемости [1, с. 184]. Как отмечают многие специалисты в области теории и практики перевода, именно выявление и передача логики и аргументированности исходного научного текста составляет первостепенную задачу при переводе, поскольку именно это позволяет воссоздать целостную модель концепции авторского текста. При этом трудность заключается в том, что предикативные модели специфичны для каждого языка и отражают культурные и языковые особенности.

Так, во-первых, аналитизм английского языка и синтетизм русского являются одной из причин обнаружения в оригинале и тексте перевода ряда несоответствий. Так, например, свобода сочетаемости слов в русском языке приводит к возникновению в научных текстах сложных предложений с большим числом придаточных, тогда как в английском тексте число структурных компонентов предложения и его длина, в целом, заметно меньше.

Во-вторых, для английского языка характерен фиксированный порядок слов, определяющий строгую последовательность языковых единиц, составляющих высказывание, что, в свою очередь, определяет его коммуникативную нагрузку. Кроме того, позиция слова маркирует отношения между единицами языка, что в русском языке преимущественно передается системой падежей.

В-третьих, в русскоязычных текстах особой частотностью отличаются существительные, для англоязычного текста характерен вербоцентризм, т.е. акцент делается на предикативные элементы предложения.

В силу данных особенностей языков (в том числе детерминирующих различий ментальности) на этапе предпереводческого анализа научного текста следует уделять особое внимание именно его структурным аспектам [1, с. 184].

Для того чтобы выявить характерные особенности предикативных структур, представленных в англоязычных и русскоязычных научных текстах, а также установить степень их соответствия, был проведен анализ 50 статей по лингвистике и смежным дисциплинам, отобранных методом сплошной выборки из англоязычных и русскоязычных научных журналов. В ходе проведения анализа были выявлены частотность и особенности представленных в них различных предикативных конструкций.

Известно, что полипредикативная конструкция состоит из нескольких предикативных групп — как правило, главной и одной или нескольких зависимых. Каждая предикативная группа представляет собой простое предложение с собственным именем субъекта и именем предиката, образующих так называемый предикативный узел: It is predicated on the well-established tenet that a considerable amount of discursive activity occurs in the extremely elastic and highly charged openings of turns, a position in the discourse that is the nexus of textual and interpersonal obligation, risk and potential (три предметные ситуации, 42 слова). Следует отметить, что предикативные группы в составе полипредикативной структуры также могут быть представлены полупредикативными структурами (герундиальными оборотами, причастными оборотами, абсолютными конструкциями и пр.): Recent corpus linguistic (CL) investigations of academic discourse (both written and spoken) have tended to use easily excisable lexical items and/or grammatical forms to determine what is ‘special’ about the language of academia, and to compare and contrast particular disciplines or subjects with each other (три предметные ситуации, 44 слова).

В статье будут представлены результаты одного этапа исследования, который состоял в анализе и систематизации полипредикативных структур, широко употребляемых как в англоязычных, так и в русскоязычных научных текстах.

Проведенный анализ дает возможность говорить о следующих закономерностях.

Тенденция английского языка к более экономным способам передачи мысли выражается в высокой информационной насыщенности сообщения, поэтому в научном тексте естественным является частотное по сравнению с другими моделями использование полипредикативных конструкций. Для таких конструкций характерны сжатость, высокий уровень коммуникативной нагруженности и ёмкость сообщения.

Анализ практического материала показал, что количество предметных ситуаций (предикативных узлов), представленных в английской полипредикативной структуре, в среднем составляет от 3 до 5, при этом длина среднего английского предложения составляет 30‒40 слов.

Русскоязычному научному тексту также свойственна информационная насыщенность предложения, но полипредикативные структуры содержат несколько развернутых частей (структур с полной предикативностью или полупредикативных конструкций). Однако в русскоязычном научном тексте используется меньше вторично-предикативных структур, поэтому в сравнении с англоязычным текстом он содержит больше слов. Так, длина среднего русского предложения составляет от 40 до 60 слов, а количество представленных предметных ситуаций колеблется в пределах от 4 до 7. Ср.: Многие теоретики и практики перевода, такие как Л.С. Бархударов, В.Н. Комиссаров, И.И. Халеева, считают, что одной из главных задач в подготовке переводчиков должно стать формирование вторичной языковой личности, которая обладает рядом отличий от «нормальной», непереводческой личности, и эти отличия выявляются во всех главных аспектах речевой коммуникации: языковом, текстообразующем, коммуникативном, личностном и профессионально-техническом (четыре предметные ситуации, 55 слов). При этом наличие полноценной предикативной пары не является обязательным как в силу особенностей структуры русского языка (возможность образования безличных, неопределенно-личных и обобщенно-личных предложений), так и в силу того, что русскому языку науки свойственна безличность, отвлеченность. Ср.: Предпонимание необходимо переводчику как для полного проникновения в суть высказывания, так и для того, чтобы восполнить расхождения в фоновых знаниях автора текста и получателя перевода, которые относятся к различным культурам и далеко не всегда обладают достаточными знаниями об их принципиальных различиях (три предметные ситуации, 41 слово).

Учитывая эти расхождения, при переводе необходимо передать без искажения и нарушения логики автора смысловые связи данного узла, а также сохранить естественность и красоту языка перевода. Для этого при работе с данными структурами необходимо выявить все представленные в них денотативные ситуации и логические связи.

Рассмотрим возможные способы передачи подобных конструкций при переводе англоязычного научного текста на русский язык.

Например, в предложении This study examines the problems of translation (1) that the genre of popular science feature articles poses for translators and investigates the methods (2) followed in dealing with these problems (3) and their ability to produce adequate translations (4) представлены четыре предметные ситуации (35 слов). Грамматическая основа предложения (главная предикативная единица) выражена подлежащим и сказуемым, что является обязательным для структуры английского языка. Зависимые предикативные группы представлены придаточным предложением с полной предикативной парой (подлежащим и сказуемым), причастным и инфинитивным оборотами.

В связи с существующими тенденциями русского языка естественным будет заменить формальное подлежащее в главном предложении на обстоятельство места (this study — в исследовании). При этом подлежащим становится существительное проблемы, с которым теперь согласовано сказуемое рассматриваются. Инфинитивный оборот и причастный оборот можно заменить структурами с отглагольным существительным, что позволит уменьшить длину предложения. Таким образом, перевод предложения будет выглядеть следующим образом: В исследовании рассматриваются проблемы перевода статей научно-популярного стиля, с которыми сталкиваются переводчики, изучаются способы их решения и эффективность методов в обеспечении адекватного перевода (Перевод мой. — Г. М.) (четыре предметные ситуации, 24 слова).

Построенная при переводе на русский язык полипредикативная структура выглядит органично и полностью передает смысл и логику исходного высказывания, поэтому одна из стратегий при переводе английской полипредикативной модели — сохранение сложной модели (допустимо не членить на более простые модели) с применением определенных структурных изменений в области передачи предикативности.

В некоторых случаях может потребоваться структурная перестройка исходного высказывания. Например, полипредикативная структура The position taken here (1) is that robust descriptions of the features of spoken discourse need to be based on substantial samples of naturally occurring language (2), and that these descriptions should include the collaborative features of turn-taking and turn construction (3) that are evidenced in specific types of interaction (4) (четыре предметные ситуации, 46 слов) осложняется моделями со свернутой предикативностью, нормы же русского языка требуют разворачивания подобных моделей, а следовательно, применения операции членения (в противном случае предложение станет слишком объемным даже для русского языка). При этом при переводе на русский язык образуются две полные предикативные конструкции или полупредикативная конструкция и модель с полной предикативностью. Ср.: Авторы придерживаются того мнения, что заслуживающие доверия характеристики особенностей разговорного дискурса должны основываться на существенном количестве примеров (образцов) естественного языка. Эти характеристики также должны включать как особенности очередности, так и порядок построения, свидетельствующие о конкретных видах взаимодействия (Перевод мой. — Г.М.) (два предложения, четыре предметных ситуации, 37 слов). Применение подобного приёма позволило передать логику исходного высказывания и при этом обеспечить компактность и простоту предложений в тексте перевода.

Таким образом, при переводе английских предложений, являющихся полипредикативными конструкциями, более часто используемых в англоязычном научном дискурсе в силу его высокой информативности и, следовательно, представленности нескольких предметных ситуаций в одном предложении, следует задействовать определенные структурные изменения. С одной стороны, возможно сохранение полипредикативной структуры при условии, что переводчиком соблюдаются нормы языка перевода (например, разворачивание вторично-предикативных структур при переводе на русский язык или замена полупредикативных структур (инфинитивных, причастных и герундиальных оборотов) структурами со свернутой предикативностью (отглагольными существительными), широко представленными в русскоязычном научном дискурсе. С другой стороны, в некоторых случаях такие преобразования могут привести к появлению очень объемных, сложных для восприятия полипредикативных моделей в силу того, что русскоязычные полипредикативные структуры являются более многословными. В этих ситуациях целесообразно прибегнуть к операции членения и выстраиванию двух или трех самостоятельных полипредикативных структур или структур со свернутой предикативностью, связанных между собой союзными отношениями.

Возникающие в процессе перевода несоответствия при передаче значений полипредикативных конструкций, широко представленных в англоязычных научных текстах, на русский язык представляются естественными в силу различий в структуре русского и английского языков. Это говорит о возможности успешной передачи научной мысли на другой язык, т.е. о переводимости научного текста. Необходимо лишь иметь в виду отсутствие абсолютного тождества между текстами оригинала и перевода, что объясняется детерминирующими их языковыми и культурными особенностями. В связи с этим при переводе научных текстов переводчик должен вносить определенные коррективы в структуру текста с учетом особенностей принимающего языка и культуры, принимая во внимание как репертуар предикативных моделей, так и их частотность в паре языков, что позволит обеспечить качественный перевод.

 

Список литературы

1.      Сулейманова О.А. ― Грамматические аспекты перевода: учебное пособие [Текст] / O. A. Сулейманова, Н. Н. Беклемешева, К. С. Карданова и др. М.: Академия, 2009.

2.       Olohan М. ― Scientific and technical translation [Текст] / M. Olohan // The Routledge Handbook of Translation Studies/Edited by C. Millán and F. Bartrina. London and New York: Routledge, 2013. P. 425‒438.

Предикативные конструкции с неличными формами глагола в испанском языке — книга

Предикативные конструкции с неличными формами глагола в испанском языке — книга | ИСТИНА – Интеллектуальная Система Тематического Исследования НАукометрических данных

Предикативные конструкции с неличными формами глагола в испанском языкекнига

  • Авторы: Раевская М.М., Суви М.С., Сударь Г.С.
  • Год издания: 2010
  • Место издания: ЦОП ФИЯР МГУ им. М.В.Ломоносова Москва
  • Объём: 72 страниц
  • Учебное пособие без грифа
  • Аннотация: В пособии подробно рассматриваются грамматизованные и лексико-синтаксические глагольные конструкции, называющиеся в испанской литературе PERIFRASIS VERBALES, и представляющие для русскоязычной аудитории трудности при переводе с русского на испанский язык. Пособие состоит из трех глав, каждая из которых сопровождается детальным изложением теоретического материала и включает разнообразные практические упражнения, расположенные по степени возрастания трудности и направленные на формирование и закрепление у студентов навыка адекватного перевода соответствующих фраз с русского языка на испанский и наоборот. Предназначено для студентов старших курсов ФИЯР МГУ6 изучающих испанский как 1-ый и 2-ой иностранный язык.
  • Добавил в систему: Сударь Галина Станиславовна

данных в масштабе: узнайте, как Predicate Pushdown сэкономит вам деньги | Ади Полак | Microsoft Azure

Даже если вы тратите много времени на работу с данными в масштабе, вы можете не знать о Predicate Pushdown и его важности при создании продуктов. Интересно, для чего это нужно и почему? прочитай это.

Predicate Pushdown получил свое название от того факта, что части операторов SQL, которые фильтруют данные, называются предикатами. Они получили это название, потому что предикаты в математической логике и предложения в SQL — это одно и то же — утверждения, которые при оценке могут иметь значение ИСТИНА или ЛОЖЬ для разных значений переменных или данных.

Он может улучшить производительность запросов на , уменьшив объем данных, считываемых (ввод-вывод) из файлов хранилища. Процесс базы данных оценивает предикаты фильтра в запросе по метаданным , хранящимся в файлах хранилища.

Метаданные помогают процессу хранения решить, какие файлы актуальны для чтения, прежде чем это произойдет.

  • Если вы отправите запрос в одном месте для обработки большого количества данных, которые находятся в другом месте, вы можете создать большой сетевой трафик, который может быть медленным и дорогостоящим.Но…
  • … если вы можете «протолкнуть» части запроса туда, где хранятся данные, и, таким образом, отфильтровать большую часть данных, вы можете значительно уменьшить сетевой трафик.
  • Учитывая метаданные хранилища, «проталкивание» помогает нам решить, какие файлы релевантны, а какие нет.

Означает, что размер файлов метаданных меньше, чем при чтении фактических файлов данных. 

 metadataFiles.size () << actualFiles.size ()
  • Хранение точной статистики, метаданных и индексов.

При обработке данных в масштабе мы смотрим на следующие пункты, которые могут повредить наш карман:

  • Сетевой трафик (отправка данных по сети)
  • I / O (чтение файлов с диска ограничено диском скорость чтения)
  • Время (цели SLA продукта - согласованное время обработки)

Когда мы используем всю мощь предиката push-down, мы экономим деньги, читая только те данные, которые нам нужны. Это приводит к более быстрой обработке запросов.Следовательно, платите только за то, что используется.

Кроме того, мы экономим сетевой трафик, операции ввода-вывода и драгоценное время.

Ссылка:

Следуйте за мной на Medium, чтобы увидеть больше сообщений о Scala, Kotlin, больших данных, чистом коде и чепухе разработчиков программного обеспечения. Ваше здоровье !

определение предикативного слова The Free Dictionary

Чувствительность, специфичность, положительная прогностическая ценность, отрицательная прогностическая ценность и уровень ингибирования были рассчитаны после разрешения противоречивых результатов для обоих анализов для мужчин и женщин, а также для каждого организма.Это мир, который дает ингредиенты для наших галлюцинаций и нашей поэзии; Стихи Сзе вызывают у нас галлюцинации и читаются как предсказательные механизмы, как если бы поэт, в соответствии с нашими потребностями, указывал путь своими стихами через клубок фрактальных реальностей бытия. Факторы риска гипоксически-ишемической энцефалопатии (ГИЭ) которые легко идентифицируются во время пренатального скрининга, такие как материнский диабет, гипертония, аутоиммунные заболевания и нарушения роста плода, имеют очень низкую положительную прогностическую ценность для HIE, сказал он на встрече акушерства и гинекологов, спонсируемой Медицинским колледжем Джорджии.Жан Люк Марион предполагает, что рациональность веры раскрывается в стремлении «впитать рассуждение веры в логику милосердия» (108), в которой обоснованность утверждений веры находится в «переходе от предикации к исполнению» (108). 109) Прогнозирующее утверждение «Иисус есть Господь» не имеет эмпирической проверки. Dragon Software выполняет распознавание голоса, Medi-Web и Healtheon do Web, TXEN выполняет интегрированный биллинг и управляемую помощь для рассмотрения претензий, Nichols Research выполняет сложный интеллектуальный анализ данных и предикативные алгоритмы.Во-первых, на общих логических основаниях совершенно ясно, что ссылка, обозначение, идентификация и повторная идентификация в принципе не могут быть уловлены какими-либо простыми предикативными средствами, выражающими непревзойденное достоинство ». смысл как модель теокрита, и видя, что второй "Corydon" наиболее очевидно интерпретируется как предикативный, но не может объяснить особый акцент на имени, который придает повторение; в Эклогах или других источниках нет никаких других доказательств того, что `Corydon 'является синонимом` `высший певец' ', и в единственном другом стихотворении, где появляется пение Corydon, оно описывается как incondita,` `неотшлифованный' '(2.4, по общему признанию, в тот момент, когда певец расстроен и, возможно, не так компетентен, как обычно), потому что типы серьезных поведенческих проблем, которые наиболее часто исследуются в области нарушений развития, не являются особенно предикторами PD (Rojahn, Borthwick- Duffy, & Jacobson, 1993) и присутствуют в других группах населения с MR (Jacobson, 1982a, 1982b, 1988), необходимы адекватные инструменты скрининга и оценки для содействия эффективной клинической практике. Фридман и Каттнер изучают риск дефолта, денежно-кредитную политику. эффекты, дифференцированный налоговый режим и меняющиеся потребности в денежных средствах заемщиков для возможных указаний на прогностическую силу переменных.CSD также настораживает нас тем, что как субстантивное, так и предикативное использование датируется только девятнадцатым веком. Интересно, что модель, предложенная в этой главе, интерпретирует категорию как цепочку предикатов, в которой единственными непосредственными предикативными отношениями являются те, которые связывают непосредственно смежные элементы. Отношение может проявляться в трех типах синтаксических конструкций: предикативных (Stassen 2009; Kowalik 2016), адноминальных (Коптьевская Тамм 2002; 2006; [фраза опущена] 2007; Дугин 2008; Красноухова 2011) и внешних (Haspelmath 1999).

Что такое прогнозное моделирование?

Прогнозирующее моделирование, также называемое прогнозной аналитикой, - это математический процесс, который направлен на прогнозирование будущих событий или результатов путем анализа закономерностей, которые могут прогнозировать будущие результаты. Цель прогнозного моделирования - ответить на следующий вопрос: «Что, исходя из известного поведения в прошлом, наиболее вероятно произойдет в будущем?»

После сбора данных аналитик выбирает и обучает статистические модели, используя исторические данные.Хотя может возникнуть соблазн думать, что большие данные делают прогнозные модели более точными, статистические теоремы показывают, что после определенного момента ввод большего количества данных в прогнозную аналитическую модель не повышает точность. Старая поговорка «Все модели ошибочны, но некоторые полезны» часто упоминается с точки зрения того, что они полагаются исключительно на прогнозные модели для определения будущих действий.

Во многих случаях использования, включая прогнозы погоды, несколько моделей запускаются одновременно, а результаты объединяются для создания одного окончательного прогноза.Этот подход известен как ансамблевое моделирование. По мере появления дополнительных данных статистический анализ будет либо подтвержден, либо пересмотрен.

Приложения прогнозного моделирования

Прогностическое моделирование часто ассоциируется с метеорологией и прогнозированием погоды, но имеет множество приложений в бизнесе.

Одно из наиболее распространенных применений прогнозного моделирования - это интернет-реклама и маркетинг. Разработчики моделей используют исторические данные пользователей Интернета, прогоняя их через алгоритмы, чтобы определить, какие виды продуктов могут быть интересны пользователям и на что они, вероятно, будут нажимать.

Байесовские фильтры спама используют прогнозное моделирование для определения вероятности того, что данное сообщение является спамом. При обнаружении мошенничества прогнозное моделирование используется для выявления в наборе данных выбросов, указывающих на мошенническую деятельность. А в управлении взаимоотношениями с клиентами (CRM) прогнозное моделирование используется для нацеливания сообщений на клиентов, которые с наибольшей вероятностью совершат покупку. Другие приложения включают планирование мощностей, управление изменениями, аварийное восстановление (DR), проектирование, управление физической и цифровой безопасностью и городское планирование.

Методы моделирования

Анализ репрезентативных частей доступной информации - выборка - может помочь ускорить время разработки моделей и ускорить их развертывание.

После того, как специалисты по данным соберут эти образцы данных, они должны выбрать правильную модель. Линейные регрессии относятся к простейшим типам прогнозных моделей. Линейные модели, по сути, принимают две коррелированные переменные - одну независимую, а другую зависимую - и наносят одну на ось x, а другую - на ось y.Модель применяет наиболее подходящую линию к полученным точкам данных. Специалисты по обработке данных могут использовать это, чтобы предсказать появление зависимой переменной в будущем.

Различные алгоритмы прогнозного моделирования включают логистическую регрессию, анализ временных рядов и деревья решений.

Некоторые из самых популярных методов включают:

  • Деревья решений. Алгоритмы дерева решений берут данные (добытые, с открытым исходным кодом, внутренние) и отображают их в виде графиков для отображения возможных результатов различных решений.Деревья решений классифицируют переменные отклика и предсказывают переменные отклика на основе прошлых решений, могут использоваться с неполными наборами данных, легко объяснимы и доступны для начинающих специалистов по анализу данных.
  • Анализ временных рядов. Это метод предсказания событий во времени. Вы можете предсказать будущие события, анализируя прошлые тенденции и экстраполируя их оттуда.
  • Логистическая регрессия. Этот метод представляет собой метод статистического анализа, который помогает при подготовке данных.По мере поступления большего количества данных способность алгоритма сортировать и классифицировать их улучшается, и поэтому можно делать прогнозы.

Самая сложная область прогнозного моделирования - это нейронная сеть . Этот тип модели машинного обучения независимо просматривает большие объемы помеченных данных в поисках корреляций между переменными в данных. Он может обнаруживать даже тонкие корреляции, которые появляются только после просмотра миллионов точек данных. Затем алгоритм может делать выводы о немаркированных файлах данных, которые по типу аналогичны набору данных, на котором он обучался.Нейронные сети составляют основу многих современных примеров искусственного интеллекта (ИИ), включая распознавание изображений, интеллектуальных помощников и генерацию естественного языка (NLG).

Нейронная сеть - это тип прогнозной модели, которая независимо просматривает большие объемы помеченных данных в поисках корреляций между переменными в данных.

Общие алгоритмы прогнозного моделирования

Случайный лес. Алгоритм, объединяющий несвязанные деревья решений и использующий классификацию и регрессию для организации и маркировки огромных объемов данных.

Модель с усилением градиента. Алгоритм, использующий несколько деревьев решений, похожий на случайный лес, но они более тесно связаны. При этом каждое дерево исправляет недостатки предыдущего и строит более точную картину.

К-средних. Группирует точки данных аналогично модели кластеризации и пользуется популярностью в персонализированных розничных предложениях. Он может создавать персонализированные предложения при работе с большой группой, ища сходства.

Пророк. Процедура прогнозирования, особенно эффективная при планировании мощностей. Этот алгоритм работает с данными временных рядов и является относительно гибким.

Инструменты прогнозного моделирования

Перед развертыванием инструмента модели прогнозирования важно, чтобы ваша организация задала вопросы. Вы должны разобраться в следующем: уточнить, кто будет запускать программное обеспечение, каковы будут варианты использования этих инструментов, с какими другими инструментами будет взаимодействовать ваша прогнозная аналитика, а также бюджет.

Различные инструменты предъявляют разные требования к грамотности данных, эффективны в разных случаях использования, лучше всего подходят для использования с аналогичным программным обеспечением и могут быть дорогостоящими. Как только ваша организация прояснит эти вопросы, сравнивать инструменты станет проще.

  • Sisense. Программное обеспечение для бизнес-аналитики, предназначенное для различных компаний и предлагающее широкий спектр функций бизнес-аналитики. Это требует минимального опыта в сфере ИТ.
  • Хрустальный шар Oracle. Приложение на основе электронных таблиц, предназначенное для инженеров, специалистов по стратегическому планированию и ученых из разных отраслей, которое может использоваться для прогнозного моделирования, прогнозирования, а также моделирования и оптимизации.
  • IBM SPSS Predictive Analytics Enterprise. Платформа бизнес-аналитики, которая поддерживает интеграцию с открытым исходным кодом и предлагает описательный и прогнозный анализ, а также подготовку данных.
  • SAS Advanced Analytics. Программа, которая предлагает алгоритмы, которые определяют вероятность будущих результатов и могут использоваться для интеллектуального анализа данных, прогнозирования и эконометрики.

Рекомендации по прогнозному моделированию

Одна из наиболее часто упускаемых из виду задач прогнозного моделирования - получение необходимого объема данных и их сортировка для использования при разработке алгоритмов. По некоторым оценкам, специалисты по данным тратят на этот шаг около 80% своего времени. Сбор данных важен, но его полезность ограничена, если эти данные не обрабатываются и не очищаются должным образом.

После того, как данные отсортированы, организации должны соблюдать осторожность, чтобы избежать переобучения.Излишнее тестирование обучающих данных может привести к тому, что модель окажется очень точной, но запомнит ключевые моменты в наборе данных, а не научится обобщать.

Хотя прогнозное моделирование часто считается в первую очередь математической проблемой, пользователи должны спланировать технические и организационные барьеры, которые могут помешать им получить необходимые данные. Часто системы, хранящие полезные данные, не подключены напрямую к централизованным хранилищам данных. Кроме того, некоторые направления бизнеса могут считать данные, которыми они управляют, являются их активом, и они не могут свободно делиться ими с группами специалистов по анализу данных.

Еще одним потенциальным камнем преткновения для инициатив в области прогнозного моделирования является обеспечение решения реальных бизнес-задач в проектах. Иногда специалисты по данным обнаруживают корреляции, которые кажутся интересными в то время, и создают алгоритмы для дальнейшего исследования корреляции. Однако то, что они находят что-то статистически значимое, не означает, что это дает представление, которое может использовать бизнес. Инициативы по прогнозному моделированию должны иметь прочную основу для соответствия бизнесу.

вызовов методов прогнозирования - документация по ключевым словам ABAP

Вызовы прогнозируемых методов - документация по ключевым словам ABAP

SAP NetWeaver AS ABAP версии 751, © SAP AG, 2017 г. Все права защищены.

ABAP - Документация по ключевым словам → ABAP - Справочник → Логика выполнения программы → Выражения и функции для условий → log_exp - Логические выражения → rel_exp - Предикаты → rel_exp - Прогнозирующий вызов метода →

Вызов предикативных методов

В этом примере демонстрируются вызовы предикативных методов.

Исходный код

СООБЩИТЬ demo_predicative_method_call.

КЛАСС демо ОПРЕДЕЛЕНИЕ.
ОБЩЕСТВЕННЫЙ РАЗДЕЛ.
КЛАСС-МЕТОДЫ главная.
КОНЕЦ.

КЛАСС ДЕМО ВНЕДРЕНИЯ.
МЕТОД основной.
ЕСЛИ cl_abap_demo_services => is_production_system ().
cl_demo_output => дисплей (
«Эта демонстрация не может быть запущена в производственной системе»).
ВЫЙТИ ИЗ ПРОГРАММЫ.
ENDIF.

ТИП носителя данных spfli-carrid ЗНАЧЕНИЕ 'LH'.
cl_demo_input => запрос (ИЗМЕНЕНИЕ поле = носитель).

DATA (out) = cl_demo_output => новый (
) -> следующий_раздел ('ЕСЛИ').
ЕСЛИ cl_demo_spfli => get_spfli (to_upper (перевозчик)).
out-> write ('Заполнено').
ЕЩЕ.
out-> write ('Не заполнено').
ENDIF.

out-> next_section ('COND'
) -> написать (COND string (
КОГДА cl_demo_spfli => get_spfli (to_upper (перевозчик))
ТО `ЗАЛИЛ`
ИНАЧЕ `Не заполнено`)
) -> дисплей ().
КОНЕЦ.
КОНЕЦ.

НАЧАЛО ОТБОРА.
демо => main ().

Описание

Функциональный метод IS_PRODUCTION_SYSTEM класса CL_ABAP_DEMO_SERVICES вызывается предикативно в оператор управления IF для проверки того, что текущая система не является производственной системой. Вызываемый метод является предикатный метод.

Затем вызывается функциональный метод GET_SPFLI класса CL_DEMO_SPFLI. предикативно один раз в оператор управления IF и один раз в условное выражение COND.В этом случае это не предикатный метод. Выражения отношения могут быть истинными или ложными, в зависимости от того, заполнена или пуста возвращенная внутренняя таблица.

Управляйте доступом и защищайте свои данные Блок

Чтобы реализовать безопасность на уровне строк, вы устанавливаете предикат для каждого набора данных, в котором вы хотите ограничить доступ к записям. Звучит сложно, но предикат - это просто причудливое название условия фильтра, которое определяет доступ на уровне строк к записям в наборе данных. Когда пользователь отправляет запрос к набору данных с предикатом, Tableau CRM проверяет предикат, чтобы определить, к каким записям пользователь может получить доступ.Если у пользователя нет доступа к записи, Tableau CRM просто не вернет ее.

Давайте посмотрим, как выглядит предикат безопасности. Не волнуйся. Никаких настроек менять не будем, ничего не сломается!

Предикаты безопасности можно увидеть, просмотрев файл JSON потока данных или страницу редактирования набора данных.

Предикат легче увидеть на странице редактирования набора данных.

  1. На панели запуска приложений найдите и выберите Analytics Studio.
  2. На главной вкладке Tableau CRM щелкните Все элементы .
  3. Щелкните Наборы данных .
  4. Наведите указатель мыши на набор данных, щелкните стрелку действия и щелкните Изменить .
  5. Прокрутите страницу вниз до раздела Предикат безопасности.

Если для вашего набора данных определен предикат безопасности, вы увидите его здесь.

Описанный выше вариант использования - ограничение доступа пользователей к определенным записям - очень распространен. Вот пример предиката, который выполняет этот фильтр: 

 "rowLevelSecurityFilter": "'AccountOwner' == \" $ User.Название \ ""

AccountOwner - это поле набора данных, в котором хранится полное имя владельца учетной записи для каждой цели продаж. $ User.Name относится к столбцу Name объекта User, в котором хранится полное имя каждого пользователя. Tableau CRM выполняет поиск, чтобы узнать, кто в настоящее время вошел в систему.

Этот предикат возвращает совпадение, если имена в AccountOwner и $ User.Name совпадают. Пользователь видит только те данные, для которых он или она является владельцем учетной записи. Довольно просто, не правда ли? В руководстве по внедрению безопасности Analytics содержится дополнительная информация о предикатах безопасности и способах их добавления.

Молодец. Теперь вы можете похвастаться тем, что знаете все о предикатах безопасности в Tableau CRM!

- стремительный рост предикативной аналитики в 2018 году - KG Hawes

Внедрение прогнозной аналитики взлетело до небес в 2018 году

Принятие решений на основе данных становится новой нормой

С развитием бизнес-технологий, таких как анализ речи и искусственный интеллект, способных собирать и собирать большие данные, все больше компаний используют прогнозную аналитику для принятия решений на основе данных.Недавний опрос более 50 руководителей компаний из списка Fortune 1000, имеющих большой вес в финансовой отрасли, показал, что шокирующие 97% уже инвестируют в проекты, связанные с большими данными и искусственным интеллектом. По мере того как эти предприятия начинают пожинать плоды создания культуры, основанной на данных, другие компании и конкуренты, которым это не удается, будут продолжать отставать все дальше и дальше.

Прогнозная аналитика использует различные методы статистики и моделирования в сочетании с интеллектуальным анализом данных и современными технологиями, такими как машинное обучение или искусственный интеллект, для точного прогнозирования будущих бизнес-результатов.Применяя эту стратегию, предприятия способны выявлять новые тенденции и потенциальные риски, оптимизировать свой персонал и получать малоизвестные преимущества перед своими конкурентами. Благодаря последним достижениям в технологии речевой и текстовой аналитики, прогнозная аналитика стала популярным выбором для улучшения отношений с потребителями и взаимодействия с ними.

розничных продавцов, таких как BJ’s Wholesale Club и Rue 21, используют свои данные для принятия более разумных решений о покупке. Тщательно отслеживая настроения потребителей и тенденции покупок, прогнозная аналитика позволяет компаниям точнее, чем когда-либо, адаптировать предложения продуктов и ценообразование.Для розничных продавцов это устраняет большую часть необходимости в «тестовых запасах» и приводит к более быстрой окупаемости инвестиций.

«Мы уже видим результаты за счет устранения неэффективных продуктов на ранних этапах процесса выбора, при повторном инвестировании наших складских долларов в более эффективных». Майкл Аппель, генеральный директор | Rue21

Согласно отчету, опубликованному ранее в этом году, 47% организаций здравоохранения уже используют ту или иную форму прогнозной аналитики. В сфере здравоохранения данные о пациентах можно использовать по-разному: от определения новых операционных показателей до создания подробных профилей пациентов для оптимизации ухода и индивидуального подхода к пациентам.В отчете также говорится, что внедрение прогнозной аналитики может сократить расходы на 25% ежегодно в течение пяти лет.

Другие отрасли также используют прогнозную аналитику для взаимодействия с потребителями. Благодаря передовым технологиям анализа речи компании, использующие бизнес-модель контакт-центра, могут собирать информацию из данных о своих звонках, что дает возможность проводить глубокий анализ потребителей с использованием собственных слов и эмоциональных перегибов звонящего. Компании по управлению циклом доходов, такие как Professional Credit, используют свои данные о потребителях, чтобы создать индивидуальный опыт для своих потребителей и увеличить их доход, предлагая правильный выбор в нужное время.

По мере того, как технологии продолжают развиваться, предлагая предприятиям более простые методы использования их данных, будут появляться и инновационные приложения для прогнозного анализа. Вскоре принятие решений на основе данных будет полностью автоматизировано, избавляя от необходимости строить догадки из операционных процессов, оптимизации производительности, целевого маркетинга и отношений с клиентами. Компании, внедряющие эти стратегии на раннем этапе, будут иметь значительное преимущество перед теми, кто вступил в игру поздно.

В вашем контакт-центре нет решения для аналитики? Узнайте, как новый модуль поведенческого анализа VoizTrail Suite может изменить способ ведения бизнеса.Запланируйте демонстрацию сегодня.

прогнозных моделей и онлайн-мониторинг для прогнозирования образования ТГМ на полномасштабной WTP

Последнее изменение: 2 ноября 2015 г.

Авторов:

  • Эллисон Райнерт, Джастин Ирвинг, Бен Стэнфорд - Хейзен и Сойер
  • Тиффани Хоули - Управление коммунальных предприятий Cape Fear

Поскольку многие коммунальные предприятия стремятся к соблюдению правила этапа 2 дезинфицирующих средств / побочных продуктов дезинфекции (D / DBP), они оценивают различные методы и инструменты для мониторинга DBP и прогнозирования образования DBP в своих системах распределения.Было разработано несколько моделей прогнозирования как для тригалометанов (THM), так и для галогенуксусной кислоты (HAAs), однако большая часть этих моделей имеет ограниченную применимость. Кроме того, в последние годы онлайн-системы мониторинга THM стали популярными среди предприятий водоснабжения, стремящихся лучше понять образование THM на своих заводах и в системах распределения. Системы мониторинга значительно расширили понимание образования и распределения THM, но сами по себе не обеспечивают никаких прогностических возможностей.Таким образом, основная цель этой статьи будет состоять в том, чтобы представить результаты недавно завершенного исследования, в котором мы сравнили различные прогнозные модели THM, а затем использовали непрерывные данные THM в режиме онлайн с 3-D матрицами излучения возбуждения флуоресценции (EEM) и основными компонентный анализ (PCA) для разработки новой модели прогнозирования THM на полномасштабном участке водоочистной станции (WTP), даже при периодическом воздействии высококонцентрированного бромида.

В данном исследовании онлайн-мониторинг ТГМ (ежечасные пробы) в пункте въезда проводился в течение четырех месяцев с одновременным отбором проб качества воды.Флуоресцентный отбор проб объединенного фильтрующего потока также проводился в течение одного месяца. Онлайн-монитор THM смог зафиксировать как общие THM (TTHM), так и определенные THM. Этот большой набор данных позволил разработать базовые условия ТГМ, а также базовые условия содержания органических веществ. Имея в своем распоряжении качество воды и измерения THM в режиме онлайн, было проведено сравнение трех различных прогнозных моделей, ранее разработанных как для сырой, так и для очищенной воды. Кроме того, с помощью PCA была разработана прогностическая модель, основанная на данных из WTP.С помощью статистического программного обеспечения R компоненты прогнозной модели были выделены из пар длин волн возбуждения / излучения, которые больше всего влияют на формирование THM. В результате была разработана трехкомпонентная модель со значением R2 0,96 для хлороформа и 0,86 для прогнозирования бромоформа. Также были созданы дополнительные модели для каждого из других заданных THM и прогнозов TTHM, которые проиллюстрировали влияние концентрации бромида в исходной воде.

Оценка прогнозных моделей и разработка новой прогнозной модели полезны для отдельных коммунальных предприятий или очистных сооружений, стремящихся к дальнейшей оценке способов понимания образования ДАД.Предоставляя коммунальным предприятиям инструменты, позволяющие предвидеть, как их качество воды повлияет на последующее формирование DBP, можно принимать обоснованные решения о том, как эксплуатировать установку и систему распределения. Разрабатывая эффективные прогностические модели, использующие достижения в технологии, такие как EEM, коммунальные предприятия будут лучше оснащены для реагирования на быстро меняющееся качество воды, чтобы поддерживать соответствие ПДД, а также продолжать производить сточные воды высокого качества.

За дополнительной информацией обращайтесь к автору по адресу areinert @ hazenandsawyer.com.

Узнавайте о новых публикациях в нашем электронном бюллетене
Горизонты

Horizons Весна 2021 (pdf)

Horizons демонстрирует важные проекты и инновации в области водоснабжения, водоотведения, повторного использования и ливневой канализации, которые помогают нашим клиентам достичь своих целей и могут помочь вам в достижении ваших.

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *