Прогнозная аналитика работает в реальном мире, и мы не понимаем, как именно. Мы включаем свои сотовые телефоны и ожидаем, что они будут работать, не понимая основ. Жмем педаль газа и ждем, что машина поедет. Даже такая простая вещь, как карандаш, может не быть общеизвестной с точки зрения производства.

Если вы не понимаете, как работает предиктивная аналитика, вы никогда не перейдете к новым моделям и парадигмам. Тем не мение. Доктор Филлипп Дизингер и его коллеги из фармацевтической компании Boehringer Ingelheim рассказывают, как мы теперь дополняем системное моделирование чем-то более статистическим, машинным обучением, чтобы преодолеть трудности с обеими системами в этом выступлении от ODSC Europe 2018.

[Статья по теме: Объявление первых докладчиков виртуальной конференции ODSC Europe 2020]

Две культуры: машинное обучение и системное моделирование

Согласно Дизингеру, 98% статистиков используют модели регрессии, и только 2% регулярно используют деревья решений или нейронные сети. В системном моделировании большинством моделей управляют модели из первых принципов или дифференциальные уравнения.

Что касается машинного обучения, то такие проблемы, как ограниченное понимание системы, нерелевантная теория и вопросы о том, связаны ли выводы с модельными механизмами, а не с механизмами системы, являются огромной проблемой для улучшения прогнозных результатов.

С другой стороны, системное моделирование может включать огромное количество подходов, слишком много для того, чтобы внедрить в любое масштабируемое для бизнеса решение. Они сложны с аналитической точки зрения и требуют значительных ресурсов, но без универсальной применимости для повышения эффективности бизнеса.

Компаниям нужна такая аналитика, но без улучшения нашего понимания их реальных приложений ни один из них не сможет полностью ответить на этот вопрос.

Например, компания хочет создать инструмент оценки численности населения, чтобы предсказать количество потенциальных участников конференции. В подходах к машинному обучению вы собираете свои данные (место конференции, размер места, цена билета, маркетинг и т. Д.), Выполняете некоторую разработку функций, а затем обучаете и оцениваете свою модель.

В подходе системного моделирования вы используете подходы, ориентированные на идентификацию. Например, значки конференции нумеруются последовательно. Шансы встретить кого-то с четырехзначным номером относительно низки для конференции с 1050 участниками, но будут обычными для 10 000 человек. Вы можете использовать вероятностное решение среднего поля.

Подход в реальной жизни

Давайте рассмотрим два подхода, которые фармацевтическая компания применяет в реальной жизни для создания моделей прогнозирования, которые учитывают два уникальных препятствия в сфере здравоохранения / фармацевтики.

Рецепты и маркетинг с доктором Габриэлем Мэйтом

Пример из реальной жизни - это тот, с которым компания Boehringer Ingelheim хорошо знакома. Как фармацевтическая компания, она полагается на маркетинг, ориентированный на торговых представителей, в гораздо большей степени, чем в других областях. Отрасль жестко регулируется, а маркетинговые инициативы требуют значительных ресурсов.

Оптимизация этой маркетинговой инициативы помогает снизить цены и снизить давление на врачей. Трудно использовать традиционные подходы, потому что данные анонимны и недоступны, а традиционные экономические показатели не работают в этой конкретной области.

Рецепты обычно следуют системе коллективного поведения. Существует четко определенный порядок, который переводит рецепты из неупорядоченного в упорядоченное состояние, поэтому можем ли мы использовать его для более точного прогнозирования маркетинговых усилий в такой необычной области?

Это явление называется «фазовым переходом». Компания хочет использовать эту концепцию для распространения мнения в сети, чтобы повлиять на это мнение в разумных пределах.

  • Модель Изинга: описывает переход от неорганизованного состояния к организованному с двумя состояниями.
  • Модель Поттса: Обобщение одной и той же модели фазового перехода для более чем двух состояний.

В ходе поиска мы понимаем, что мнение врача зависит от нескольких различных состояний: текущего мнения о болезни, мнения сверстников и, как внешнее влияние, маркетинга. Нам нужно понимать мнение врача и его маркетинговые действия.

В отличие от медицинских данных, мы можем найти множество данных о сети наших врачей: ассоциациях выпускников, местах работы, научных исследованиях и т. Д. В сочетании с общими данными о рецептах мы можем получить гораздо лучшее представление о положении дел.

Модель изменяет состояние врачей на основе случайной вероятности (Модель Маркова). Модель создает матрицу, которая предсказывает, как врачи влияют друг на друга в отношении количества рецептов и потенциального влияния маркетинга на эту сеть.

Из этого процесса можно сделать несколько важных выводов:

  • врачи влияют друг на друга
  • эти мнения имеют большее значение, чем маркетинг
  • есть порог, ниже которого маркетинг не имеет значения
  • порог меняется от врача к доктору
  • Эффект от маркетинга быстро иссякает

Фармацевтические компании могут использовать это для моделирования маркетинговых эффектов для более значительного воздействия, несмотря на сложные препятствия, представленные данными здравоохранения.

Требуйте эластичности с доктором Беренис Пила-Диез

Прогностические модели также должны учитывать уникальное отношение здравоохранения к спросу и предложению. Фармацевтические препараты не идут напрямую к потребителю, и предложение не является ограничивающим фактором. Что касается спроса, существует довольно много различий в таких вещах, как конкуренты, популярность и эффективность.

Компания использует теорию возмущений, чтобы лучше понять эластичность спроса. При таком моделировании вы используете систему с известной вариацией и добавляете поправочные члены или возмущения для определения потенциальной вариации.

Мы можем начать понимать, как спрос органически развивается с течением времени. По мере того, как вы добавляете простые дополнения, такие как цена, вы начинаете больше понимать, как сложный спрос на что-то не соответствует традиционным концепциям спроса / предложения.

Системное моделирование сложных задач

Компания использовала системное моделирование, чтобы делать сложные прогнозы для фармацевтической компании, включая прогнозирование маркетинга, спроса и предложения. Ознакомьтесь с их докладом, чтобы получить подробное описание обоих этих примеров из реальной жизни.