Прогностика и предиктивная аналитика, часть 2.

Собственно, что почитать на ближайшие праздники и выходные?

Тема сегодняшней подборки - предиктивная аналитика и прогностика: важнейшая и моя любимая ветвь профайлинга.

Я люблю тему прогностики и трендов потому, что такая литература всегда заставляет задать себе вопрос: "а верной ли мы дорогой идем, товарищи? и не повернули ли мы назад?" Как вы понимаете, эти вопросы прямо сейчас актуальны как никогда.

Напоминаю, что на все эти книги у вас скидка 10%.

Подборка книг по эмоциям здесь.
Подборка книг по нейробиологии, часть 1.
Подборка книг по нейробиологии, часть 2.
Подборка книг по предиктивной аналитике и прогностике, часть 1.

Итак: предиктивная аналитика и прогностика, часть 2.

1. Фактологичность. Десять причин наших заблуждений о мире – и почему все не так плохо, как кажется. Анна Рослинг Рённлунд, Ула Рослинг, Ханс Рослинг.

Книга с аннотациями Билла Гейтса и Барака Обамы посвящена тома, как анализировать шумные данные в самых разнообразных ситуациях. Непростая, но содержательная.

2. Почему. Руководство по поиску причин и принятию решений. Саманта Клейнберг.

Содержательная, но для многих непростая книга по определению причинно-следственных и других связей между событиями.

3. Как не ошибаться. Сила математического мышления. Джордан Элленберг

Отличная объемная книга, в которой основной акцент сделан на статистику и теорию вероятности, работу в ситуации неопределенности.

4. Теория игр. Искусство стратегического мышления в бизнесе и жизни. Барри Дж. Нейлбафф, Авинаш Диксит.

Классическая, хоть и довольно древняя (2008) книга о теории вероятностей и игр при принятии решений. Содержательно, объемно и нескучно. В сравнении с другими - просто)).

5. Неизбежно. 12 технологических трендов, которые определяют наше будущее. Кевин Келли.

Большинство книг о трендах содержат довольно много воды и весьма дискуссионные. Эта - одна из лучших по теме. Не бе вопросов, но ОК.

6. 2030. Как современные тренды влияют друг на друга и на наше будущее. Мауро Гильен.

Книга издана в доковидную эпоху и не учитывает этого тренда. Но во всем остальном - сильна и системна.

7. Мегатренды. Как предсказывать грядущие тенденции и видеть то, что упускают другие. Рохит Бхаргава.

Книга на стыке прогностики, креативного мышления и трендологии. Хорошая и содержательная.

8. Будущее быстрее, чем вы думаете. Как технологии меняют бизнес, промышленность и нашу жизнь. Стивен Котлер, Питер Диамандис.

Книга про тренды в бизнесе, промышленности и социальных технологиях. Заставляет задуматься.. Рекомендую ообенно руководителям.

9. Вероятности и неприятности. Математика повседневной жизни. Сергей Самойленко.

Хорошая и совсем недавно вышедшая книга по математическому мышлению и статистике. Но для большинства покажется сложной.

10. Игра случая. Математика и мифология совпадения. Джозеф Мазур.

Самая простая, легенькая и тоненькая из всего этого списка)). Если вы вообще не в теме - то лучше не найти.

Посмотреть весь список можно здесь

#книги, #рекомендации, #новинки, #мэтры, #будущее, #прогностика, #аналитика, #BigData, #профайлинг_филатов, #Proprofiling

ТИП 8. Неверно определяемые данные.
Различные определения, даже профессиональные могут быть противоречивыми или со временем меняться.
Если мы, например, читаем метанализ посвященный невербальным признакам обмана, но у нас нет уверенности, что все авторы, которые попали в группу анализа, одинаково понимают, что такое «закрытые жесты» или «строгий голос», то гарантии того, что данные метанализа будут корректными, нет.

#анализданных, #аналитика, #BigData, #информация, #статистика, #психотип, #КИ, #мэтры, #профайлинг_филатов, #ProProfiling

Темные данные в профайлинге. Часть 2.

Продолжение, начало здесь

ТИП 9. Обобщение данных.
Обобщение данных по определению означает отбрасывание деталей.

Если вы учитываете только средние значения любого параметра, то это не дает никакой информации о диапазоне всех данных или об асимметрии их распределения. Среднее значение может скрыть тот факт, что некоторые значения могут очень сильно от него отличаться. В то же время обобщение может скрывать и тот факт, что все значения идентичны.

ТИП 10. Ошибки измерения и неопределенность.

Ошибки измерения изучаемых значений часто приводят к ошибочным выводам. Часто мы изучаем параметры, которые нельзя измерить непосредственно, и приходится пользоваться косвенными или опосредованными вычислениями. Например, при измерении кожно-гальванической реакции при инструментальной детекции лжи низкое качество самого электрода, который используется для фиксации параметров может серьезно исказить результат.

ТИП 11. Искажения обратной связи и уловки.

Этот тип данных возникает, когда собранные значения начинают влиять на исходный процесс. Например, в процессе оценки человека, получив какую-то часть информации, вы уже понимаете, к какому выводу вы, скорее всего, придете. И после этого качество вашего анализа второй половины данных существенно снижается. Или еще один пример – если все говорят, что этот пользователь, например, истероид, то возникает соблазн их послушать и это также снизит качество вашего анализа.

ТИП 12. Информационная асимметрия.

Информационная асимметрия возникает, когда один и тот же набор данных анализируют эксперты с разным уровнем подготовки и информированности.
Понятно, что если одну и ту же информацию анализируют эксперты разной подготовки (не говоря еще о их предвзятостях), то результаты этих анализов будут существенно отличаться.

ТИП 13. Намеренно затемненные данные.

Они наблюдаются, когда люди намеренно скрывают данные или манипулируют ими с целью обмана или введения в заблуждение. Возможностей для примеро здксь огромное количество: мы можем сознательно отбрасывать неугодную для нас информацию или часть данных, для того, чтобы сознать желаемое впечатление от этой информации и повлиять на дальнейшие выводы и поведение.

ТИП 14. Фальшивые и синтетические данные.

Сфальсифицированные или специально созданные данные с целью введения в заблуждение. Однако такие наборы данных создаются не только для мошенничества, но и с исследовательской задачей: существует метод симуляции, когда генерируются искусственные наборы данных, которые могли возникнуть в результате изучаемого процесса, а также другие методы, использующие репликацию данных, например методы бутстреппинга, бустинга и сглаживания. Современные статистические инструменты широко используют такие идеи, но их некачественная репликация может привести к ошибочным выводам.

ТИП 15. Экстраполяция за пределы ваших данных.

Наборы данных всегда конечны. Это означает, что они имеют максимальное и минимальное значения, за пределами которых лежит неизвестность. Заявление о возможных значениях выше максимума или ниже минимума в наборе данных требует выдвижения предположений или получения информации из какого-то другого источника. Более того, экстраполяция имеющихся данных на другой контекст или события имеет свои известные ограничения и требует крайней осторожности.

#анализданных, #аналитика, #BigData, #информация, #статистика, #психотип, #КИ, #мэтры, #профайлинг_филатов, #ProProfiling