|
badania rynku
tworzenie profili klientów i odkrywanie ich preferencji
marketing bezpośredni
realizacja segmentacji klientów i optymalizowania kampanii marketingowych
analizy finansowe
analizy wniosków kredytowych oraz wykrywanie potencjalnych oszustw
analizy operacyjne
zarządzanie przepływem pieniędzy oraz udoskonalenie logistyki
medycyna
przewidywanie kosztów leczenia, przeprowadzanie analiz medycznych czy przewidywanie długości hospitalizacji
|
|
Z pomocą modułu IBM SPSS Neural Networks można znajdować nawet bardzo złożone związki pomiędzy danymi w krótkim czasie, co ułatwia podejmowanie decyzji np. o podjęciu docelowych działań sprzedażowych w oparciu o posiadane dane. Moduł ten jest szczególnie efektywny w znajdowaniu ukrytych wzorców w danych i dzięki temu umożliwia budowanie lepszych modeli predykcyjnych.
`
Rys. Możliwość wykorzystania sieci neuronowej typu RBF w przewidywaniu kategorii klienta w oparciu o zebrane cechy. W przykładzie został przedstawiony schemat cieci oraz macierz klasyfikacji (przewidywane vs. obserwowane wartości) służąca do oceny dobroci dopasowania
Sieci neuronowe należą do zbioru nieliniowych technik modelowania. W pewnym dużym uproszczeniu przypominają działanie ludzkiego mózgu. Składają się z warstwy wejściowej, warstwy wyjściowej i jednej lub dwóch warstw ukrytych. W trakcie procesu uczenia się sieci neuronowych , czyli procesu odkrywania przez sieć związków w pomiędzy zmiennymi wyjaśniającymi i zmienną wyjaśnianą, połączeniom pomiędzy dwoma neuronami przypisane zostają odpowiednie wagi, które są korygowane przez iteracyjny algorytm w ten sposób, aby minimalizować błąd i zapewnić jak najlepszą predykcję. Analityk wybiera pewne założenia, zgodnie z którymi sieć „uczy się”, może kontrolować reguły zatrzymania algorytmu oraz architekturę sieci.
Chcesz dowiedzieć się więcej na temat możliwości wykorzystania tego modułu w swojej pracy,
skontaktuj się z nami .
|
