Book

Predictive Analytics

The Power to Predict Who Will Click, Buy, Lie, or Die

Eric Siegel

Wiley, 2016

Buy book or audiobook

Read or listen offline

Amazon Kindle

1×

Faça o Login para ouvir o resumo em áudio.

Editorial Rating

Na getAbstract, resumimos os livros* que ajudam as pessoas a entenderem o mundo, tornando-o um lugar melhor. Tudo o que selecionamos para a nossa biblioteca deve se destacar em uma das duas qualidades principais a seguir:

Esclarecedor – Você vai aprender conteúdos que vão ajudar você a tomar decisões melhores.

Útil – Você vai seguir conselhos práticos que vão ajudar você a se aprimorar no que faz.

Classificamos cada conteúdo em uma escala de 1 a 10 em relação a estas duas qualidades principais. As nossas avaliações ajudam você a escolher os títulos para a sua lista de leitura, indo de robusto (5) a brilhante (10). Os livros que classificamos abaixo de 5 não são resumidos. A seguir, confira o significado de cada nível da avaliação:

10 – Brilhante. Um livro útil e/ou esclarecedor que, além de atender aos mais elevados padrões em todos os aspectos pertinentes, destaca-se até mesmo entre os melhores. Ele se torna muitas vezes um clássico instantâneo e uma leitura obrigatória para qualquer pessoa.
9 – Superior. Um livro útil e/ou esclarecedor que é extremamente completo, tem muitos pontos fortes e nenhuma deficiência a ser mencionada.
8 – Muito bom. Um livro útil e/ou esclarecedor que tem um número substancial de qualidades notáveis sem se sobressair em todas as áreas. Apresenta as últimas descobertas em um tópico e é escrito por um especialista renomado, mas carece de um pouco de estilo.
7 – Bom. Um livro útil e/ou esclarecedor que combina dois ou mais pontos fortes notáveis; por exemplo, contém ideias incomumente novas e as apresenta de uma maneira envolvente.
6 – Notável. Um livro útil e/ou esclarecedor que se destaca por pelo menos um aspecto; por exemplo, é particularmente bem estruturado.
5 – Robusto. Um livro útil e/ou esclarecedor, apesar das suas deficiências óbvias. Por exemplo, pode oferecer conselhos decentes em algumas áreas, ao mesmo tempo que é repetitivo ou normal demais em outras.

*A getAbstract resume muito mais do que apenas livros. Analisamos todo tipo de conteúdo que possa interessar ao nosso público: além de livros, resumimos também artigos, relatórios, video talks e podcasts. O que apresentamos aqui sobre os livros se aplica a todos os formatos cobertos.

Recommendation

Predictive analytics (PA) is a concept that’s both undeniably powerful and potentially creepy. This branch of computer science combines big data with statistics to foretell what you might buy, how you might vote or when you might die. Author and predictive analytics guru Eric Siegel is an unabashed cheerleader for his discipline, and he mostly brushes off the privacy concerns it raises. But that’s not to dismiss his study, which is engagingly written and elegantly translates dense materials and abstract concepts into easy-to-read prose. Siegel draws on a number of real-world examples from well-known companies, including Target, Hewlett-Packard and Chase Bank, and he describes his own experience as an expert consultant on predictive analytics. The result is an enlightening, plainly written guide. getAbstract recommends his PA overview to managers and investors seeking insight into a fast-growing corner of the tech economy.

Summary

Big Data and Predictions

Imagine it’s 2022. Predictive analytics (PA) plays a crucial role in your life, starting with your commute to work. When you get in your car, a predictive model will use biometrics to verify your identity. Spotify will pick music based on its forecast of your musical tastes.

As you drive, a “social techretary” reads the Facebook feeds, CareerBuilder ads and Match responses it predicts you will like. You’ll receive directions and notifications about traffic congestion from Siri. If you take your eyes off the road for too long, your car will shake your seat as a warning. If a more severe threat looms, such as a distracted driver in another vehicle or a child about to dart into traffic, your car will sound a warning. Your vehicle’s prediction system will scan the engine and transmission and warn you of imminent mechanical breakdowns.

These interactions are just the most obvious uses of PA. Other examples operate behind the scenes. You bought the car with a loan that won approval because you have a good credit score. Your auto insurer monitors your behavior with sensors that send information about your driving habits to a predictive model...

About the Author

Former Columbia University professor Eric Siegel is the founder of Predictive Analytics World and executive editor of The Predictive Analytics Times.

Comment on this summary or Iniciar a Discussão

Sign in to share your opinion
A. S. 6 years ago

Interesting, worth a read.
a. A. getAbstract 7 years ago

PA is = to FICO scoring in the early days. Soon everyone will use it.
M. d. 8 years ago

Good introduction. It didn't answer the question posted at beginning on how to *handle* privacy concerns.

Predictive Analytics

The Power to Predict Who Will Click, Buy, Lie, or Die

Read or listen offline

Editorial Rating

Recommendation

Summary

Big Data and Predictions

About the Author

My Highlights

Comment on this summary or Iniciar a Discussão

More on this topic

By the same author

Learners who read this summary also read

Related Channels