Таамаглан шинжилгээ нь өгөгдөл олборлолт, таамаглан загварчлал, машин сургалтын олон төрлийн статистикийн аргуудыг хамарч, одоогийн болон түүхэн баримтуудыг шинжлэн ирээдүйн эсвэл бусад тодорхойгүй үйл явдлуудыг урьдчилан таамаглахад ашиглагддаг. Бизнесийн салбарт таамаг загварууд нь түүхэн болон гүйлгээний өгөгдлөөс олдсон хэв маягуудыг ашиглан эрсдэл, боломжуудыг тодорхойлдог. Эдгээр загварууд олон хүчин зүйлийн хоорондын харилцааг барьж авснаар тодорхой нөхцөлтэй холбоотой эрсдэл эсвэл боломжийг үнэлэх боломжийг олгож, гүйлгээний шийдвэр гаргалтыг чиглүүлдэг. Эдгээр техникийн арга барилын гол үр нөлөө нь Таамаглан шинжилгээ нь тус бүрийн нэгж (хэрэглэгч, ажилтан, эрүүл мэндийн өвчтөн, бүтээгдэхүүний SKU, автомашин, бүрэлдэхүүн хэсэг, машин эсвэл бусад байгууллагын нэгж) бүрт Таамаглан оноо (магадлал)-ыг өгдөгт оршино. Ингэснээр олон тооны нэгжид хамаарах байгууллагын үйл явцыг тодорхойлох, мэдээлэх, нөлөөлөх боломжтой болдог. Үүнд маркетинг, зээлийн эрсдэлийн үнэлгээ, залилан илрүүлэх, үйлдвэрлэл, эрүүл мэндийн үйлчилгээ, хууль сахиулах зэрэг төрийн үйл ажиллагаа орно.

Тодорхойлолт

Энэхүү өгүүлэл нь сэдвийн зөвхөн нэг онцгой тал дээр төвлөрсөн тул нийтлэг мэдээллийг нэмэх, хэлэлцүүлэгт оролцож сайжруулахыг хүсэж байна. (2024 оны 12-р сар) Таамаглан шинжилгээ нь бизнесийн оюуны (BI) технологийн цогц бөгөөд их хэмжээний өгөгдөл доторх харилцаа, хэв маягийг илрүүлж, зан төлөв, үйл явдлыг урьдчилан таамаглахад ашиглагддаг. Бусад BI технологиос ялгаатай нь Таамаглан шинжилгээ нь ирээдүйг урьдчилан харах шинжтэй бөгөөд өнгөрсөн үйл явдлыг ашиглан ирээдүйг таамагладаг. Таамаглан шинжилгээний статистикийн аргууд нь өгөгдлийн загварчлал, машин сургалт, хиймэл оюун ухаан, гүн сургалтын алгоритм, өгөгдөл олборлолтыг багтаана. Ихэвчлэн сонирхож буй тодорхойгүй үйл явдал ирээдүйд тохиолдох боловч Таамаглан шинжилгээг өнгөрсөн, одоо, ирээдүй аль ч төрлийн тодорхойгүй зүйлд хэрэглэж болно. Жишээ нь, гэмт хэрэг гарсны дараа сэжигтнийг илрүүлэх эсвэл зээлийн картны залилангийн үйлдлийг бодит цаг хугацаанд илрүүлэх гэх мэт. Таамаглан шинжилгээний үндэс нь тайлбарлагч хувьсагч ба урьдчилан таамаглагдах хувьсагчийн хоорондын харилцааг өнгөрсөн үйл явдлаас барьж авч, тодорхойгүй үр дүнг урьдчилан таамаглахад ашиглах явдал юм. Гэхдээ үр дүнгийн нарийвчлал, ашиглах чадвар нь өгөгдлийн шинжилгээний түвшин, таамаглалын чанараас ихээхэн хамаарна гэдгийг анхаарах хэрэгтэй. Таамаглан шинжилгээг ихэвчлэн илүү нарийвчилсан түвшинд таамаглал гаргах, жишээ нь байгууллагын нэгж бүрт Таамаглан оноо (магадлал) үүсгэх гэж тодорхойлдог. Энэ нь ерөнхий Таамаглан төлөвлөлтөөс ялгаатай. Жишээ нь, “Таамаглан шинжилгээ — туршлага (өгөгдөл) дээр суралцаж хувь хүний ирээдүйн зан төлөвийг таамаглан илүү сайн шийдвэр гаргахад чиглэсэн технологи.” Ирээдүйн үйлдвэрлэлийн системд Таамаглан шинжилгээ нь боломжит асуудлыг урьдчилан таамаглаж, тасралтгүй ажиллагааг хангах, шийдвэр гаргалтыг оновчтой болгох зааварчилсан шинжилгээнд холбох үнэ цэнэтэй байх болно.

Шинжилгээний аргууд

Таамаглан шинжилгээ хийхэд ашиглагдах арга, техникүүдийг ерөнхийд нь регрессийн арга болон машин сургалтын арга гэж хоёр ангилж болно.

Машин сургалт

Машин сургалт гэдэг нь машинд хүний оюун ухаан шаардсан зан төлөвийг суралцаж дуурайх чадварыг олгохыг хэлнэ. Үүнийг хиймэл оюун ухаан, алгоритм, загваруудын тусламжтайгаар гүйцэтгэдэг. Автокорреляцийн интегралжсан шилжих дундаж (ARIMA) ARIMA загварууд нь цаг хугацааны дарааллын загварын түгээмэл жишээ юм. Эдгээр загвар нь автокорреляцийг ашигладаг бөгөөд энэ нь регрессийн програм хангамж ашиглан ихэнх шинжилгээ, зөөлрүүлэлтийг машин сургалтаар гүйцэтгэх боломжтой гэсэн үг. ARIMA загварууд ерөнхий чиг хандлагагүй бөгөөд дундаж орчмын тогтмол хэлбэлзэлтэй цаг хугацааны ижил төстэй хэв маягийг үүсгэдэг. Ингэснээр хувьсагчдыг шинжлэн ирээдүйн утгуудыг илүү сайн таамаглахад өгөгдлийг шүүж боловсруулдаг. ARIMA аргын нэг жишээ нь экспоненциал зөөлрүүлэлтийн загварууд юм. Экспоненциал зөөлрүүлэлт нь хуучин ба шинэ өгөгдлийн чухал ялгааг харгалзан үздэг бөгөөд шинэ өгөгдөл ирээдүйн утгыг таамаглахад илүү үнэн зөв, үнэ цэнэтэй тул тооцоололд илүү их жин өгдөг.

Цаг хугацааны дарааллын загварууд

Цаг хугацааны дарааллын загварууд нь машин сургалтын нэг төрөл бөгөөд өнгөрсөн утгуудыг ашиглан өгөгдлийг ойлгож, урьдчилан таамаглахад чиглэдэг. Цаг хугацааны дараалал гэдэг нь хувьсагчийн утгын тэгш зайтай хугацааны дараалал бөгөөд бизнесийн хэрэглээнд жил, улирал гэх мэт хугацааг хамардаг. Үүнийг хийхийн тулд өгөгдлийг зөөлрүүлж, санамсаргүй хэлбэлзлийг арилган өгөгдлийн чиг хандлагыг илрүүлэх шаардлагатай байдаг. Үүнийг олон аргаар гүйцэтгэж болно.

Нэг удаагийн шилжих дундаж

Нэг удаагийн шилжих дундаж арга нь өгөгдлийн бага хэмжээний хэсгүүдийг ашиглан нэг дундаж авах үед үүсэх алдааг бууруулж, бүх өгөгдлийн дундаж авахтай харьцуулахад илүү нарийвчлалтай дундаж гаргадаг.

Төвлөрсөн шилжих дундаж

Төвлөрсөн шилжих дундаж арга нь нэг удаагийн шилжих дундажийн өгөгдлөөс дундаж утгыг авч ашигладаг. Гэвч тэгш тоотой өгөгдлийн багцаар тооцоолох нь төвөгтэй тул сондгой тоотой өгөгдөлд илүү тохиромжтой.

Таамаглан загварчлал

Таамаглан загварчлал нь ирээдүйн зан төлөвийг таамаглахад ашиглагддаг статистикийн арга юм. Энэ нь тодорхой нэгжийн шинж чанар ба тухайн нэгжийн зан төлөвийн хоорондын харилцааг шинжлэн, өөр нэгж дээр ижил хэв маяг илрэх магадлалыг үнэлдэг. Таамаглан загваруудыг өгөгдөл олборлолтын технологийн нэг төрөл гэж үзэж болно. Эдгээр загварууд нь түүхэн болон одоогийн өгөгдлийг шинжлэн ирээдүйн боломжит үр дүнг таамаглах загварыг бий болгодог. Ямар ч аргыг ашигласан байсан, ерөнхийдөө Таамаглан загвар бүтээх үйл явц нь ижил шат дараалалтай байдаг. Эхлээд төслийн зорилго, хүссэн үр дүнг тодорхойлж, үүнийг Таамаглан шинжилгээний зорилго, үүрэгт хөрвүүлнэ. Дараа нь эх өгөгдлийг шинжлэн хамгийн тохиромжтой өгөгдөл, загвар бүтээх аргыг сонгоно (загварууд зөвхөн ашигласан өгөгдлийн чанараас хамаарна). Өгөгдлийг сонгон хувиргаж загвар бүтээдэг. Загваруудыг бүтээж туршиж, хүчинтэй эсэхийг үнэлнэ. Загварын үр дүнг бизнесийн үйл явцад ашиглаж, өгөгдлийн хэв маягийг илрүүлэх нь бизнесийн ашиг тусыг шууд баталгаажуулахгүй гэдгийг ойлгоно. Эцэст нь загваруудыг удирдан стандартчилж, гүйцэтгэлийг сайжруулна (шинэ зохицуулалтын шаардлагыг хангахын тулд загварын менежментийн эрэлт нэмэгдэнэ).