予測モデリング

考古学における予測モデリングの基礎は、1950年代半ばにゴードン・ウィリーがペルーのヴィル渓谷で行った研究に由来する。 ^{[ 6 ]}徹底的かつ集中的な調査が行われ、文化遺物と傾斜や植生などの自然の特徴との共変動性が決定された。定量的手法の開発と適用可能なデータの入手可能性の向上により、1960年代にこの分野は成長し、1980年代後半には世界中の主要な土地管理者によって大幅な進歩が遂げられた。

一般的に、考古学における予測モデリングとは、土壌の種類、標高、傾斜、植生、水域への近さ、地質、地形などの自然指標と考古学的特徴の存在との間に、統計的に有効な因果関係または共変関係を確立することです。考古学的調査を受けた土地のこれらの定量化可能な属性を分析することで、未調査地域の自然指標に基づいて、その地域の「考古学的感受性」を予測できる場合があります。米国では、土地管理局（BLM）、国防総省（DOD）^{[ 7 ] [ 8 ]} 、多数の高速道路および公園管理機関など、大規模な土地管理者がこの戦略をうまく活用しています。文化資源管理計画に予測モデリングを使用することで、地盤の攪乱を伴い、結果として考古学的遺跡に影響を与える可能性のある活動を計画する際に、より情報に基づいた意思決定を行うことができます。

予測モデリングは、顧客が特定の行動をとる可能性を記述する顧客レベルのモデルを作成するために、分析的な顧客関係管理やデータマイニングで広く使用されています。これらの行動は通常、販売、マーケティング、顧客維持に関連しています。^{[ 9 ]}

例えば、モバイル通信事業者などの大規模な消費者向け組織は、製品のクロスセル、製品のディープセル（またはアップセル）、および解約に関する一連の予測モデルを持っています。また、現在では、このような組織がアップリフトモデルを使用した顧客維持可能性モデルを持つことも一般的になっています。これは、標準的な解約予測モデルとは異なり、契約期間の終わりに顧客を維持できる可能性（解約確率の変化）を予測します。^{[ 9 ]}

保険業界では、予測モデリングの応用例が数多く存在するが、これは主に保険契約が将来を見据えた性質を持つためである。実際、損害保険の料率設定における重要な原則は、料率は過去の損失を回収するのではなく、将来のコスト予測に基づいて設定されなければならないということであり、この機能において予測モデリングは極めて重要となる。^{[ 10 ]}

予測モデリングは、自動車保険において、保険契約者から得られた情報に基づいて、保険契約者に事故のリスクを割り当てるために利用されています。これは、予測モデルがテレメトリベースのデータを使用して、請求の可能性に対する予測リスクのモデルを構築する使用ベースの保険ソリューションで広く使用されています。 ^{[ 11 ]}ブラックボックス自動車保険の予測モデルは、GPSまたは加速度センサーの入力のみを使用します。^{[ 11 ]}一部のモデルは、高度な運転行動、独立した衝突記録、道路履歴、ユーザープロファイルなど、基本的なテレメトリを超える幅広い予測入力を含み、リスクモデルを改善します。^{[ 11 ]}

2009年、パークランド・ヘルス＆ホスピタル・システムは、再入院リスクの高い患者を特定するために予測モデリングを使用する目的で、電子カルテの分析を開始しました。当初、同病院はうっ血性心不全の患者に焦点を当てていましたが、このプログラムは糖尿病、急性心筋梗塞、肺炎の患者にも拡大しました。^{[ 12 ]}

2018年、Banerjeeら^{[ 13 ]}は、電子カルテの自由記述形式の臨床記録を分析し、受診の時系列を維持しながら、患者の短期的な余命（3か月以上）を推定する深層学習モデルを提案した。このモデルは、大規模なデータセット（10,293人の患者）でトレーニングされ、別のデータセット（1,818人の患者）で検証された。ROC（受信者操作特性）曲線下面積は0.89であった。説明可能性を高めるため、彼らは、モデルの予測の根拠を医師がより理解しやすくなるような対話型のグラフィカルツールを開発した。PPES-Metモデルの高い精度と説明可能性により、このモデルは転移性癌の治療を個別化するための意思決定支援ツールとして使用でき、医師に貴重な支援を提供できる可能性がある。

最初の臨床予測モデル報告ガイドラインは2015年に発表され（個々の予後または診断のための多変量予測モデルの透明性のある報告（TRIPOD））、その後更新されました。^{[ 14 ]} TRIPOD声明は2024年に機械学習と人工知能の手法に関する項目を含むTRIPOD+AI声明に更新されました^{[ 15 ]}。TRIPOD+AI声明はTRIPOD声明に取って代わります。

臨床予測モデルは、データの出所が不明な合成または捏造された疑いのある信頼性の低いデータに基づいて開発され、その後臨床現場で使用されたことも示されている^{[ 16 ] [ 17 ] [ 18 ]}。

トレーディングにおける予測モデリングとは、一連の予測変数を用いて結果の確率を予測するモデリングプロセスです。予測モデルは、株式、先物、通貨、商品など、さまざまな資産に対して構築できます。予測モデリングは、トレーディング会社が戦略を立案し取引を行うために今でも広く利用されています。価格、出来高、建玉、その他の過去のデータに関する指標を評価するために、数学的に高度なソフトウェアを使用し、再現可能なパターンを発見します。^{[ 19 ]}

予測モデリングは、各キャンペーンのデータに基づいた結果を予測することで、リードジェネレーターに有利なスタートを切らせます。この方法は時間を節約し、潜在的な盲点を明らかにして、クライアントがより賢明な意思決定を行うのに役立ちます。^{[ 20 ]}

予測モデリングは、米国の農業協同組合の持続可能性を予測するために使用されており、会員の異質性の影響と、農業協同組合のマクロ環境における将来の集計レベルの持続可能性を予測する上でのその重要性に焦点を当てています。^{[ 21 ]}