Predictive Analytics: Methoden - Verfahren - Anwendungen

Methodische Grundlagen zu Predictive Analytics

• Regression versus Klassifikation.
• Training versus Testing.
• Bias versus Varianz.
• Identifikation potenzieller Einsatzfelder.

Datenbeschaffung und-aufbereitung als Grundlage für Predictive Analytics

• Identifikation von geeigneten Datenquellen.
• Gewinnung, Aufbereitung und Zusammenführung von Rohinformationen.
• Datenexploration und -visualisierungen.
• Umgang mit Missing Values und Ausreißern.
• Datentransformationen.
• Feature Engineering und Selektion.
• Cross Validation.

Konkrete Verfahren und Case Studies

• Lineare Verfahren wie lineare Regression und Probit-/Logit-Modelle.
• Nichtlineare Verfahren wie Entscheidungsbäume, Random Forests, neuronale Netze.
• Einblick in wesentliche Verfahren anhand von Fallstudien.
• Workshop zur Erhöhung der Trefferquote bei Finanzprüfungen – Klassifikationen mittels Entscheidungsbäumen und Random Forests.
• Workshop zum Clustering von Kundensegmenten.
• Workshop zur Umsatzprognose.

Aktuelle Trends und Entwicklungstendenzen