Présentation des modèles de régression dans SAP Analytics Cloud Smart Predict

Dans l'étude de cas, nous vous présentons un scénario d'utilisation de modèles de régression dans la prévision des paiements.

• Mesurer l'impact d'une augmentation des coûts d'un produit sur les bénéfices d'une entreprise.
• Comprendre à quel point les ventes d'une entreprise sont sensibles aux modifications des dépenses publicitaires, des promotions ou de la tarification.
• Analyse de la manière dont une modification des taux d'intérêt affecte un cours des actions.
• Prévision des valeurs de sinistre/sinistre pour une compagnie d'assurance automobile, en fonction de facteurs tels que les attributs de la voiture, les informations sur le conducteur et les données démographiques.
• Prévision de la consommation future d'électricité, en fonction de la demande historique, des prévisions météorologiques et des prix.

Qu'est-ce que l'analyse de régression ? L'analyse de régression est un nom collectif pour les techniques utilisées pour la modélisation et l'analyse de données numériques composées de valeurs d'une variable cible et d'une ou plusieurs variables d'influenceur.

Les paramètres de la régression sont estimés et donnent un "meilleur ajustement" des données.

La variable cible dans l'équation de régression est modélisée en fonction des variables d'influenceur, d'un terme de constantes et d'un terme d'erreur. La cible est une variable continue.

La formule pour une droite de régression simple est représentée sous la forme d'une équation : y = a + bx.

Où :

• y est la cible.
• a est l'intercept (le niveau de y où x est 0).
• b est la pente de la ligne.
• x est la variable d'influenceur.

• La régression linéaire multiple est utilisée pour expliquer la relation entre une variable cible continue et deux ou plusieurs variables d'influenceur. 
• Les variables d'influenceur peuvent être continues ou catégoriques.
• L'analyse de régression linéaire multiple est la tâche d'ajuster une seule ligne à travers un nuage de points, avec plusieurs dimensions de points de données.
• La régression est le plus souvent utilisée pour :
  • Identifiez la force de l'effet des variables d'influenceur sur une variable cible.
  • Prévoir les effets ou les impacts des modifications : pour comprendre dans quelle mesure la variable cible change lorsque vous modifiez les variables d'influenceur. Par exemple, une régression linéaire multiple peut expliquer le volume des ventes qui devrait augmenter (ou diminuer) pour chaque augmentation (ou diminution) d'un point en heures de main-d'œuvre.
  • Prévoir les tendances et les valeurs futures. L'analyse de régression linéaire multiple peut être utilisée pour obtenir des estimations de points. Un exemple de question est: quel sera le prix de l'or dans six mois ?