Klumme: En af de mest interessante teknikker inden for data mining er prædiktive modeller - altså modeller der skal forudsige et eller andet.
Det kan være mængden af nedbør, sandsynligheden for at en bruger klikker på en reklame, værdien af et parcelhus eller risikoen for at låntageren går konkurs.
Der findes mange forskellige typer af prædiktive modeller lige fra lineær regression til beslutningstræer, support vector machines og neurale netværk.
Men de er alle estimeret ud fra et datasæt af eksempler på sammenhængen mellem input og output og kræver derfor en bestemt type datagrundlag for at kunne bringes i spil.
De problemer der kan være med datagrundlaget er ofte de samme, så spørgsmålet er naturligvis: Har du data, der er gode nok?
Du kan lave et selvcheck på de tre mest hyppige snubletråde:
Check 1: Har du data på resultatet?
Når man skal estimere en sammenhæng mellem input og output, skal man selvfølgelig også bruge eksempler på output - altså resultatet af et eller andet.
Det er banalt. Og hvis output er mængden af regnvand, er der nok også målinger af mm regn hos DMI, som man kan finde frem til.
Men det er ikke altid nemt: Hvis en skole ønsker at identificere hændelser i skoleforløbet, der er særligt positive eller negative for om eleven senere hen har succes, så må man starte med at spørge, hvad "succes" betyder i denne sammenhæng.
Er det, at personen er fri af kriminalitet? Er i job? Tjener mange penge? Har familie? Føler at han eller hun har et godt liv? Og når man har defineret det, så er det jo ikke altid ligetil at finde data på det.
Check 2: Har du en historik i data?
Mange systemer er lavet til at være operationelle. De skal fungere her og nu og altid være opdaterede med seneste viden.
Derfor er data ofte mere aktuelle end godt er, forstået på den måde at når man estimerer en prædiktiv model til at lave forudsigelser, så er der brug for at kende data, som de så ud på det tidspunkt hvor forudsigelserne skal foretages.
Det vil sige, at hvis man skal estimere en prædiktiv model for, om en bankkunde går konkurs, så skal man have data, som det så ud, dengang kunden ansøgte om lånet og ikke to år efter, hvor alle jo godt ved, at de gik ned.
Man skal så at sige kunne spole filmen baglæns og genskabe situationen, som den så ud tidligere.
Check 3: Har du data der er relevant?
Når man skal estimere en sammenhæng mellem input og output, er det vigtigt ikke bare at have input data, men også at at have relevant input data.
Det handler om at være relevant for den output variabel, der skal forudsiges, og det er her, der kan være udfordringer.
Hvis f.eks. en fødevareproducent gerne vil estimere kvaliteten af de skinker, der kommer fra leverandørerne, er det ikke nok at kende leverandørernes omsætning, antal ansatte og adresse. Så skal man måske kende temperaturmålinger fra kølerummene eller luftfugtigheden under transporten.
Mange forsøger at lave prædiktive modeller baseret på traditionelt registerdata - ikke fordi de tror at netop det vil virke godt, men fordi det er tilgængeligt - og det har ikke altid gode chancer for succes.
Kan du svare ja til alle tre ovenstående, står du rigtig stærkt og skal bare se at komme i gang med din første prædiktive model.