Analitika prediktiboa
Analitika prediktiboak barnean hartzen ditu datu-analisiaren (“data mining”) prozesuan erabiltzen diren hainbat eta hainbat teknika; horien artean aipagarriak dira estatistika eta ikasketa automatikoa (“machine learning”).
Analitika prediktiboak, analitika bisualarekin batera, datuetako ezagutza inplizitua erauztea du helburu; hala, haien arteko harreman eta eredu ezkutuak lortzen dira, hau da, lehenengo begiratuan ikusten ez direnak, eta azken erabiltzaileak errazago interpreta ditzake.
TEKNIKERrek hainbat informazio-iturritan oinarritutako eredu analitikoak garatzen ditu monitorizaziorako, diagnostikorako eta predikziorako, “data mining” izeneko datu-analisiaren prozesuko etapak kontuan hartuz:
Informazioa lortzea, prozesatzea eta gordetzea:
Zenbait gailu (sentsoreak, kontagailuak, mugikorra, weba…) eta eskura dauden informazio-sistemak (pribatuak zein publikoak) integratzea
Arlo jakin bati buruz (adibidez, degradazio mekanikoa, osasun-indizea, anomalia energetikoak…) datu-forman zein esperientzia- eta heuristiko-forman (expertise) dagoen informazioa biltzea
Ereduak garatzea:
- Datuetan eta ezagutzan oinarritutako ereduak garatzea: KBS, ikasketa automatikoa (gainbegiratua eta gainbegiratu gabea, Sak, NNak, SVM…), arrazoiketa semantikoa, kimiometria, fidagarritasun-analisia, estatistika, arauak…
- Ereduak doitzea, zalantza-egoeretan lan egiteko (ezagutza ez-osoa edo fidagarritasun gutxi bildutako datuetan)
Lortutako ereduek faktoreen arteko harremanak atzematen dituzte baldintza-multzo jakin bati lotutako arriskuak eta onurak errazago ebaluatzeko, horien arabera hartzen baitira erabakiak.
Ereduak azken sisteman txertatzea:
- Ereduak ezartzea erabakitzen laguntzeko sistemetan (lineaz kanpo) edo software txertatuan (online)
- Arrazoiketa analitikoa, interfaze bisual interaktiboek erraztua. Informazioa bisualki irudikatzea, ondorioak ateratzean eta erabakiak hartzean interakzio handiagoa egon dadin eta datuak errazago uler daitezen.