Video: Как я взломала сайт знакомств (Noiembrie 2024)
Analiza predictivă este rezultatul practic al Big Data și business intelligence (BI). Ce faceți atunci când afacerea dvs. colectează volume uimitoare de date noi? Aplicațiile de afaceri din ziua de azi se prăbușesc în munți de noi clienți, piață, ascultare socială și date în timp real de aplicații, cloud sau performanțe ale produsului. Analitica predictivă este o modalitate de a valorifica toate aceste informații, de a obține perspective noi tangibile și de a rămâne în fața concurenței.
Organizațiile utilizează analize predictive într-o varietate de moduri diferite, de la marketingul predictiv și extragerea datelor până la aplicarea algoritmilor de învățare automată (ML) și inteligență artificială (AI) pentru a optimiza procesele de afaceri și a descoperi noi tipare statistice. Practic, calculatoarele învață din comportamentele anterioare despre cum pot face mai bine anumite procese de afaceri și oferă informații noi despre modul în care funcționează organizația dvs. cu adevărat. Dar, înainte de a intra în toate modalitățile fascinante, întreprinderile și companiile de tehnologie utilizează analize predictive pentru a economisi timp, a economisi bani și a câștiga o margine față de restul pieței, este important să vorbim despre exact ce este analiza predictivă și ce nu este.
Ce este Analiza predictivă?
Analitica predictivă nu este un concept alb-negru sau o caracteristică discretă a managerilor de baze de date moderne. Este o grămadă de tehnologii de analiză a datelor și tehnici statistice rulate sub un singur banner. Tehnica de bază este analiza de regresie, care prezice valorile aferente ale mai multor variabile corelate bazate pe dovedirea sau respingerea unei ipoteze particulare. Analiza predicativă este despre recunoașterea tiparelor în date pentru probabilitatea proiectului, potrivit Allison Snow, Senior Analyst al B2B Marketing la Forrester.
„Este esențial să recunoaștem că analiza este despre probabilități, nu despre absolut”, a explicat Snow, care acoperă spațiul de marketing predictiv. "Spre deosebire de analiticele tradiționale, atunci când se aplică analitice predictive, nu se știe în prealabil ce date sunt importante. Analiticele predictive determină ce date sunt predictive pentru rezultatul pe care doriți să îl prezici."
Gândiți-vă la un reprezentant de vânzări care se uită la un profil principal într-o platformă de management al relațiilor cu clienții (CRM), cum este Salesforce.com. Să presupunem că presupunerea este că plumbul vă va cumpăra produsul. Alte presupuneri sunt că variabilele sunt costul produsului, rolul principal în cadrul unei afaceri și raportul actual de rentabilitate al companiei. Acum plop aceste variabile într-o ecuație de regresie și voila! Aveți un model predictiv din care să extrapolați o strategie eficientă pentru aruncarea și vânzarea unui produs în condițiile corecte.
În afară de analiza regresiei (complexele și subseturile pe care le puteți descoperi în acest primar Harvard Business Review ), analiza predictivă folosește, de asemenea, progresiv mai multe date mining și ML. Exploatarea datelor este exact cum sună: examinați seturi mari de date pentru a descoperi tipare și a descoperi noi informații. Tehnicile ML devin, cu o mai mare regularitate, devenind cratițele și pichetele pentru găsirea nuggeturilor de aur. Inovațiile ML, precum rețelele neuronale și algoritmii de învățare profundă pot prelucra aceste seturi de date nestructurate mai repede decât un om de știință sau cercetător tradițional de date și cu o precizie mai mare și mai mare pe măsură ce algoritmii învață și se îmbunătățesc. Este același mod în care funcționează IBM Watson, iar seturile de instrumente open-source, cum ar fi TensorFlow și CNTK-ul Microsoft oferă funcționalitatea ML de aceeași linie.
Marea schimbare care se încadrează în boomul analitic predictiv nu este doar avansarea ML și AI, ci este faptul că nu sunt doar oamenii de știință ai datelor care folosesc aceste tehnici. Instrumentele BI și vizualizarea datelor, împreună cu organizațiile open-source precum Apache Software Foundation, fac instrumentele de analiză Big Data mai accesibile, mai eficiente și mai ușor de utilizat ca niciodată. Instrumentele de analiză a datelor ML și de date sunt acum autoservire și sunt în mâna utilizatorilor de afaceri de zi cu zi - de la vânzătorul nostru care analizează datele de plumb sau executivul care încearcă să descifreze tendințele de piață din sala de consiliu până la reprezentantul de servicii pentru clienți care cercetează puncte comune de durere pentru clienți și media socială manager de marketing care indică demografiile și tendințele sociale pentru a urma publicul destinat unei campanii. Aceste cazuri de utilizare sunt doar vârful aisbergului în explorarea tuturor modurilor în care analizele predictive schimbă afacerea, multe altele pe care le vom analiza mai jos.
Acestea fiind spuse, analizele predictive nu sunt ca o minge de cristal sau almanacul sportiv al lui Biff Tannen de la Back to the Future 2. Algoritmii și modelele nu pot spune afacerea dvs. dincolo de umbra de îndoială că următorul său produs va fi un câștigător de un miliard de dolari. sau că piața este pe punctul de a tanc. Datele sunt încă un mijloc de a face o ghicire educată; pur și simplu suntem mult mai bine educați decât eram înainte.
Analiza analizei predictive, prescriptive și descriptive
Într-un alt raport Forrester intitulat „Analiza predictivă vă poate infuza aplicațiile cu un„ avantaj nedrept ”, „ Analistul principal, Mike Gualtieri, subliniază că „cuvântul„ analitică ”din„ analitice predictive ”este un pic greșit. Analitica predictivă nu este o ramură a analitice tradiționale, cum ar fi raportarea sau analiza statistică. Este vorba despre găsirea unor modele predictive pe care firmele le pot folosi pentru a prezice rezultatele viitoare ale afacerii și / sau comportamentul clienților."
Pe scurt, Snow a explicat că termenul „predictiv” denotă în mod inerent riscul de certitudine, descompunând peisajul instrumentelor de analiză și modul în care acesta determină analiza prescriptivă.
„Analitica descriptivă, deși nu este deosebit de„ avansată ”, surprinde pur și simplu lucruri întâmplate”, a spus Snow. "Analiza descriptivă sau istorică este fundamentul pe care s-ar putea dezvolta un algoritm. Acestea sunt metrici simple, dar adesea prea voluminoase pentru a fi gestionate fără un instrument de analiză.
"În general, tablourile de bord și raportarea sunt cele mai frecvente utilizări pentru analiza predictivă în cadrul organizațiilor de astăzi. Aceste instrumente nu au adesea legătura cu deciziile de afaceri, optimizarea proceselor, experiența clienților sau orice altă acțiune. Cu alte cuvinte, modelele produc informații, dar nu explicite. instrucțiuni despre ce să faci cu ele. Analitica prescriptivă este locul în care intuiția îndeplinește acțiunea. Răspund la întrebarea: „Știu acum probabilitatea unui rezultat ce se poate face pentru a-l influența în direcția care este pozitivă pentru mine”, indiferent dacă asta ar fi prevenirea clienții se potrivesc sau face o vânzare mai probabilă."
Analiza predictivă este peste tot
Pe măsură ce peisajul BI evoluează, analizele predictive își găsesc calea în cazuri de utilizare din ce în ce mai multe. Instrumente precum alegerile editorilor noștri Tableau Desktop și Microsoft Power BI proiectează intuitiv și utilizabil, precum și colecții mari de conectori și vizualizări de date pentru a da sens volumelor masive de companii de date importate din surse precum Amazon Elastic MapReduce (EMR), Google Distribuțiile BigQuery și Hadoop de la jucători precum Cloudera, Hortonworks și MapR. Aceste instrumente de autoservire nu au neapărat cele mai avansate caracteristici de analiză predictivă, dar fac Big Data mult mai mică și mai ușor de analizat și de înțeles.
Snow a spus că există o serie largă de cazuri de utilizare pentru analitice predictive în afaceri astăzi, de la detectarea fraudei de la punctul de vânzare (POS), ajustarea automată a conținutului digital bazat pe contextul utilizatorului pentru a conduce conversii sau inițierea serviciului proactiv pentru clienți pentru risc surse de venit. În marketingul B2B, Snow a spus că întreprinderile și IMM-urile folosesc marketing predictiv pentru aceleași motive pentru care folosesc orice strategie, tactică sau tehnologie: pentru a câștiga, a păstra și a servi clienții mai bine decât cei care nu.
Aflând mai adânc, Snow a identificat trei categorii de cazuri de utilizare a marketingului B2B, a spus că domină succesul predictiv timpuriu și a pus bazele utilizării mai complexe a analizelor de marketing predictive.
1. Scoruri predictive: prioritizarea perspectivelor, avantajelor și conturilor cunoscute pe baza probabilității lor de a lua măsuri.
„Cel mai comun punct de intrare pentru marketeri B2B în marketingul predictiv, notarea predictivă adaugă o dimensiune științifică, matematică, prioritizării convenționale care se bazează pe speculații, experimentare și iterație pentru a obține criterii și ponderații”, a spus Snow. "Acest caz de utilizare ajută vânzătorii și marketerii să identifice mai rapid conturile productive, să petreacă mai puțin timp pe conturi mai puțin susceptibile să se convertească și să inițieze campanii de vânzare încrucișată sau de vânzare încrucișată."
2. Modele de identificare: identificarea și achiziționarea de perspective cu atribute similare cu clienții existenți.
"În acest caz de utilizare, conturile care au prezentat un comportament dorit (au făcut o achiziție, au reînnoit un contract sau au achiziționat produse și servicii suplimentare) servesc la baza unui model de identificare", a spus Snow. „Acest caz de utilizare ajută vânzătorii și marketerii să găsească perspective valoroase mai devreme în ciclul de vânzări, să descopere noi marketeri, să acorde prioritate conturilor existente pentru extindere și inițiativele de marketing bazate pe conturi de energie (ABM) prin aducerea la suprafață a conturilor care pot fi rezonabil de așteptat să fie mai receptiv la mesajele de vânzare și de marketing."
3. Segmentare automatizată: segmentele de segmente pentru mesagerie personalizată.
„Comercianții B2B au reușit în mod tradițional să se segmenteze doar prin atribute generice, cum ar fi industria, și au făcut acest lucru cu un astfel de efort manual, încât personalizarea s-a aplicat doar campaniilor cu prioritate înaltă”, a spus Snow. "Acum, atributele folosite pentru a alimenta algoritmii predictivi pot fi acum adăugate la înregistrările contului pentru a susține atât segmentarea complexă cât și automatizată. Acest caz de utilizare ajută vânzările și marketerii să conducă comunicații de ieșire cu mesaje relevante, să permită conversații substanțiale între vânzări și perspective și să informeze strategia conținutului. mai inteligent ".
Instrumentele BI și cadrele open-source, cum ar fi Hadoop, democratizează datele în ansamblu, dar, în afară de marketingul B2B, analiza predictivă este de asemenea transformată în platforme software din ce în ce mai mult din cloud într-o serie de industrii. Luati site-ul companiei de matrimoniale online eHarmony Elevated Careers si mana altor furnizori din spatiul „Analiza predictiva pentru angajarea”. Aceste platforme sunt încă foarte mult în primele zile, dar ideea de a utiliza date pentru a prezice care sunt cei care solicită locuri de muncă sunt cele mai potrivite pentru anumite locuri de muncă și companiile au potențialul de a reinventa modul în care managerii de resurse umane (HR) recrutează talent.
Furnizorii de birou de ajutor, cum ar fi Zendesk, au început, de asemenea, să adauge capabilități de analiză predictivă pentru a ajuta software-ul de birou. Compania și-a îmbogățit platforma cu puteri predictive pentru a ajuta serviciile pentru clienți să repete zonele cu probleme cu un sistem de avertizare timpurie bazat pe date, numit Satisfaction Prediction. Funcția folosește un algoritm ML pentru a procesa rezultatele sondajului de satisfacție, aruncând variabile, inclusiv timp pentru rezolvarea unui bilet, latența de răspuns a serviciului clienților și formularea biletelor specifice într-un algoritm de regresie pentru a calcula evaluarea de satisfacție proiectată a unui client.
De asemenea, vedem că analizele predictive au un impact mare asupra liniei de jos pe scară industrială și cu Internet of Things (IoT). Google folosește algoritmi ML în centrele de date pentru a rula întreținerea predictivă la fermele de servere care alimentează infrastructura de cloud publice a Google Cloud Platform (GCP). Algoritmii folosesc date privind vremea, încărcarea și alte variabile pentru a ajusta pompele de răcire din centrul de date în mod prealabil și reduc semnificativ consumul de energie.
Acest tip de întreținere predictivă devine ceva obișnuit și în fabrici. Companiile tehnologice din întreprindere, precum SAP, oferă platforme de întreținere predictivă și servicii care folosesc date cu senzori de la dispozitive de fabricație IoT conectate pentru a prezice când o mașină este expusă riscului pentru probleme mecanice sau defecțiuni. Companiile tehnice precum Microsoft explorează, de asemenea, întreținerea predictivă pentru aplicațiile aerospațiale, punând Cortana să lucreze la analizarea datelor senzorilor din motoarele și componentele aeronavelor.
Lista de aplicații potențiale de afaceri continuă, de la modul în care analizele predictive schimbă industria de vânzare cu amănuntul la start-up-uri fintech folosind modelări predictive privind analiza fraudei și riscul tranzacțiilor financiare. Am zgâriat doar suprafața, atât în modul în care diferite industrii ar putea integra acest tip de analiză a datelor, cât și în profunzimile la care instrumentele și tehnicile de analiză predictivă vor redefini modul în care facem afaceri în concordanță cu evoluția AI. Pe măsură ce ne apropiem de cartografierea cu adevărat a unui creier artificial, posibilitățile sunt nesfârșite.
