پیش­ بینی مانند رده بندی است با این تفاوت که اطلاعات، مطابق برخی از رفتارهای پیش ­بینی شده آینده یا ارقام تخمین­ زده آینده دسته­ بندی می ­شوند. در عمل پیش ­بینی، تنها روش برای بررسی صحت دسته‌بندی، انتظار دیدن آینده است.
هر یک از تکنیک­ های استفاده شده در رده ­بندی را می ­توان برای استفاده در پیش­ بینی تطبیق داد، جایی که متغیری که باید پیش ­بینی شود از قبل معلوم است و داده­ های پیشین برای آن وجود دارد. از داده‌های پیشین برای تهیه یک مدل که بیانگر رفتار مشاهده شده کنونی است استفاده می ­شود، وقتی این مدل برای ورودی­ های کنونی به کار رفت، نتیجه کار، پیش­بینی رفتار آینده خواهد بود. مثال هایی از پیش ­بینی از طریق تکنیک­ های داده ­کاوی از این قرارند:
پیش­ بینی اینکه کدام مشتریان در طول 6 ماه آینده، بازار محصول ما را ترک خواهند کرد.
پیش ­بینی اینکه کدام مشترکین تلفن، متقاضی خدمات ویژه مانند مکالمه سه جانبه یا پیغام­ گیر خواهند شد.
بیشتر تکینک­ های داده ­کاوی در صورت وجود داده ­های مناسب، برای استفاده در پیش ­بینی مناسبند. انتخاب تکنیک به ماهیت داده های ورودی و نوع متغیری که باید پیش­ بینی شود بستگی دارد.

[thrive_leads id='1265']
author-avatar

حدود علی ایوبی

من علی ایوبی هستم متخصص و مدرس بازاریابی اینترنتی، به کسانی که نیاز به دیجیتال مارکتینگ خود را دارند کمک می کنم که بتوانید سیستم بازاریابی آنلاین خود را راه اندازی کنند به نظرم من دلیل شکست شکست کسب و کارها نداشتن سیستمی برای جذب مخاطب(ترافیک) و تبدیل آن به مشتری(تبدیل) است روش کار من استفاده از سیستم قیف های فروش(Funnel) است.

بازگشت به لیست
0 0 رای ها
امتیازدهی به مقاله
اشتراک در
اطلاع از
guest
0 نظرات
بازخورد (Feedback) های اینلاین
مشاهده همه دیدگاه ها