Video: Plánování schůzky v Teams (Listopad 2024)
Prediktivní analytika je praktickým výsledkem Big Data a Business Intelligence (BI). Co děláte, když vaše firma shromažďuje ohromující objemy nových dat? Dnešní obchodní aplikace se hroutí v horách nových zákazníků, trhu, sociálních poslechů a dat o výkonu aplikací, cloudu nebo produktů v reálném čase. Prediktivní analytika je jedním ze způsobů, jak využít všechny tyto informace, získat hmatatelné nové poznatky a zůstat před konkurencí.
Organizace využívají prediktivní analytiku různými způsoby, od prediktivního marketingu a těžby dat až po použití algoritmů strojového učení (ML) a umělé inteligence (AI) k optimalizaci obchodních procesů a odhalení nových statistických vzorců. V zásadě se počítače učí z minulého chování o tom, jak lépe podnikat určité obchodní procesy a přinést nové poznatky o tom, jak vaše organizace skutečně funguje. Ale než se dostaneme do všech fascinujících způsobů, jak podniky a technologické společnosti využívají prediktivní analýzu, aby šetřily čas, šetřily peníze a získaly výhodu nad zbytkem trhu, je důležité mluvit o tom, co přesně je prediktivní analytika a co není.
Co je prediktivní analýza?
Prediktivní analytika není černobílým konceptem nebo diskrétní funkcí moderních správců databází. Je to banda technologií pro analýzu dat a statistických technik, srolovaných pod jeden banner. Základní technikou je regresní analýza, která předpovídá související hodnoty více korelovaných proměnných na základě prokázání nebo vyvrácení konkrétního předpokladu. Podle Allison Snow, Senior analytika B2B marketingu ve Forresteru, je prediktivní analytika o rozpoznávání vzorců v datech podle pravděpodobnosti projektu.
„Je klíčové si uvědomit, že analytika se týká pravděpodobností, ne absolutních, “ vysvětlil Snow, který pokrývá prediktivní marketingový prostor. "Na rozdíl od tradičních analytiků člověk při použití prediktivní analýzy předem neví, jaká data jsou důležitá. Prediktivní analýza určuje, která data predikují výsledek, který chcete předvídat."
Přemýšlejte o obchodním zástupci při pohledu na profil vedení v platformě pro řízení vztahů se zákazníky (CRM), jako je Salesforce.com. Řekněme, že předpoklad je, že si váš produkt koupí hlavní zákazníci. Dalším předpokladem je, že proměnné jsou náklady na produkt, role vedoucího v rámci podniku a současný poměr ziskovosti společnosti. Nyní plop tyto proměnné do regresní rovnice a voila! Máte prediktivní model, ze kterého můžete extrapolovat účinnou strategii pro nadhazování a prodej produktu na správné vedení.
Kromě regresní analýzy (složitosti a podmnožiny, o kterých se můžete dozvědět v tomto Harvard Business Review primer), prediktivní analytika také používá progresivně více dolování dat a ML. Dolování dat je přesně to, co zní: prozkoumáte velké soubory dat, abyste objevili vzory a objevili nové informace. Techniky ML se s větší pravidelností stávají prosévací pánve a krumpáče pro nalezení zlatých datových nuggetů. Inovace ML, jako jsou neuronové sítě a algoritmy pro hluboké učení, mohou tyto nestrukturované datové sady zpracovávat rychleji než tradiční datový vědec nebo výzkumník as větší a větší přesností, jak se algoritmy učí a zlepšují. Je to stejný způsob, jakým pracuje IBM Watson, a open-source nástroje, jako je Google TensorFlow a Microsoft CNTK, nabízejí ML funkčnost na stejných liniích.
Velkou změnou, která se promítá do prediktivního analytického rozmachu, není jen pokrok ML a AI, ale také to, že to nejsou jen vědci s údaji, kteří tyto techniky využívají. Nástroje pro vizualizaci BI a dat spolu s organizacemi s otevřeným zdrojovým kódem, jako je Apache Software Foundation, dělají nástroje pro analýzu velkých dat přístupnější, efektivnější a snadněji použitelné než kdykoli předtím. Nástroje pro analýzu dat a ML jsou nyní samoobslužné a jsou v rukou běžných obchodních uživatelů - od našeho prodejce, který analyzuje hlavní data nebo od vedoucího, který se snaží rozluštit tržní trendy v zasedací síni, až po zákaznický servis zkoumající běžné body bolesti zákazníků a sociální média marketingový manažer, který měří demografické a společenské trendy sledujících, aby kampaň oslovil správné cílené publikum. Tyto případy použití jsou jen špičkou ledovce při zkoumání všech způsobů, jak prediktivní analytika mění podnikání, z nichž mnoho dalších se dostaneme do níže.
To znamená, že prediktivní analytika není jako křišťálová koule nebo sportovní almanach Biff Tannen od Back to the Future 2. Algoritmy a modely nedokážou vaší firmě říci, že jejím dalším produktem bude vítěz v hodnotě miliard dolarů. nebo že se trh chystá tankovat. Data jsou stále prostředkem ke vzdělanému hádání; jsme prostě mnohem lépe vzdělaní, než jsme byli.
Rozebrat prediktivní, preskriptivní a popisnou analýzu
V další zprávě společnosti Forrester nazvané „Prediktivní analýza může vaše aplikace naplnit pomocí„ nekalé výhody “, „ hlavní analytik Mike Gualtieri poukazuje na to, že „slovo„ analytika “v„ prediktivní analýze “je trochu mylné. Prediktivní analytika není oborem tradičních analytiků, jako je reporting nebo statistická analýza. Jde o nalezení prediktivních modelů, které firmy mohou použít k předpovídání budoucích obchodních výsledků a / nebo chování zákazníků. ““
Snow v krátkosti vysvětlil, že termín „prediktivní“ neodmyslitelně označuje pravděpodobnost nad jistotou, rozkládá analytické nástroje a jak se promítá do předepsané analytiky.
„Popisná analytika, i když není nijak zvlášť„ vyspělá “, jednoduše zachycuje věci, které se staly, “ řekl Snow. „Popisná nebo historická analytika je základem, na kterém by mohl být algoritmus vyvinut. Jedná se o jednoduché metriky, ale často příliš objemné na to, aby se daly spravovat bez analytického nástroje.
„Obecně lze říci, že dashboardy a reporting jsou dnes nejčastěji používány pro prediktivní analýzu v rámci organizací. Tyto nástroje často postrádají spojení s obchodními rozhodnutími, optimalizací procesů, zákaznickými zkušenostmi nebo jakoukoli jinou akcí. Jinými slovy, modely vytvářejí náhledy, ale nikoli explicitní instrukce o tom, co s nimi dělat. Předepisující analytika je místem, kde se setkávají vhledy. Odpovídají na otázku: „Nyní vím pravděpodobnost výsledku, co lze udělat, aby to ovlivnilo ve směru, který je pro mě pozitivní, “ zda tomu brání zákaznické víření nebo větší pravděpodobnost prodeje. “
Prediktivní analýza je všude
Jak se BI krajina vyvíjí, prediktivní analytika se dostává do stále více případů obchodního využití. Nástroje, jako jsou naše možnosti editorů Tableau Desktop a Microsoft Power BI sport, intuitivní design a použitelnost, a velké kolekce datových konektorů a vizualizací, které dávají smysl obrovským objemům importovaných dat ze zdrojů, jako jsou Amazon Elastic MapReduce (EMR), Google BigQuery a distribuce Hadoop od hráčů, jako jsou Cloudera, Hortonworks a MapR. Tyto samoobslužné nástroje dosud nutně nemají nejpokročilejší prediktivní analytické funkce, ale dělají z velkých dat mnohem menší a snadnější analýzu a porozumění.
Snow uvedl, že v podnikání dnes existuje celá řada případů použití pro prediktivní analýzu, od detekce podvodů v místě prodeje, automatického přizpůsobení digitálního obsahu založeného na uživatelském kontextu, řízení konverzí nebo zahájení aktivního zákaznického servisu pro ohrožené zdroje příjmů. V B2B marketingu Snow řekl, že podniky a malé a střední podniky používají prediktivní marketing ze stejných důvodů, jako používají jakoukoli strategii, taktiku nebo technologii: k získání, udržení a poskytování služeb zákazníkům lépe než ti, kteří tak neučiní.
V hloubce hlouběji identifikovala Snow tři kategorie případů použití B2B B2B marketingu, které podle ní dominují časnému prediktivnímu úspěchu a položily základy komplexnějšímu využití prediktivní marketingové analýzy.
1. Prediktivní hodnocení: Upřednostňování známých vyhlídek, potenciálních zákazníků a účtů na základě jejich pravděpodobnosti, že přijmou opatření.
"Nejběžnějším vstupním bodem pro prediktory marketingu B2B pro prediktivní marketing, prediktivní hodnocení přidává vědeckou, matematickou dimenzi k konvenčnímu určování priorit, které se spoléhá na spekulace, experimentování a iteraci, aby se odvodila kritéria a váhy, " řekl Snow. „Tento případ použití pomáhá prodejcům a obchodníkům rychleji identifikovat produktivní účty, trávit méně času na účtech, u nichž je méně pravděpodobné, že převedou, a zahájit cílené kampaně typu cross-sell nebo upsell.“
2. Identifikační modely: Identifikace a získání vyhlídek s atributy podobnými stávajícím zákazníkům.
„V tomto případě slouží jako základ identifikačního modelu účty, které vykazovaly požadované chování (provedly nákup, obnovily smlouvu nebo zakoupily další produkty a služby), “ uvedl Snow. „Tento případ použití pomáhá prodejcům a obchodníkům najít cenné vyhlídky dříve v prodejním cyklu, odhalí nové obchodníky, upřednostňuje stávající účty pro rozšíření a marketingové iniciativy založené na energetických účtech (ABM) tím, že přináší na povrchové účty, u kterých lze důvodně očekávat, že budou vnímavější k prodejním a marketingovým zprávám. “
3. Automatizovaná segmentace: Segment vede k personalizovaným zprávám.
"Obchodníci B2B byli tradičně schopni segmentovat pouze podle obecných atributů, jako je průmysl, a činili tak s manuálním úsilím, že personalizace se vztahovala pouze na kampaně s vysokou prioritou, " řekl Snow. „Nyní mohou být atributy používané k napájení prediktivních algoritmů nyní připojeny k záznamům účtů na podporu složité i automatizované segmentace. Tento případ použití pomáhá prodejcům a obchodníkům řídit odchozí komunikaci s relevantními zprávami, umožňuje podstatné konverzace mezi prodejem a potenciálními zákazníky a informuje o strategii obsahu inteligentněji. “
Nástroje BI a open-source frameworks, jako je Hadoop, demokratizují data jako celek, ale kromě B2B marketingu se prediktivní analytika zapéká do stále více cloudových softwarových platforem v celé řadě průmyslových odvětví. Vezměte online seznamovací společnost eHarmony's Elevated Careers a několik dalších dodavatelů do prostoru „prediktivní analýzy pro najímání“. Tyto platformy jsou stále velmi v počátcích, ale myšlenka využití dat k předpovědi, kteří uchazeči o zaměstnání jsou nejvhodnější pro konkrétní pracovní místa a společnosti, má potenciál znovuobjevit, jak manažeři lidských zdrojů (HR) přijímají talenty.
Poskytovatelé helpdesku, jako je Zendesk, také začali přidávat prediktivní analytické funkce pro software help desk. Společnost rozšířila svoji platformu s predikčními pravomocemi, aby pomohla zákaznickým službám opakovat problémové oblasti pomocí systému včasného varování řízeného daty zvaného Satisfaction Prediction. Tato funkce používá algoritmus ML ke zpracování výsledků průzkumu spokojenosti, házení proměnných včetně času k vyřešení tiketu, latence odezvy na služby zákazníkům a konkrétní formulaci tiketu do regresního algoritmu pro výpočet plánovaného hodnocení spokojenosti zákazníka.
Vidíme také, že prediktivní analýza má velký dopad na spodní hranici v průmyslovém měřítku a s internetem věcí (IoT). Google používá ve svých datových centrech algoritmy ML ke spuštění prediktivní údržby na serverových farmách napájejících veřejnou cloudovou infrastrukturu Google Cloud Platform (GCP). Algoritmy využívají data o počasí, zátěži a dalších proměnných k předběžné úpravě chladicích čerpadel v datových centrech a významně snižují spotřebu energie.
Tento druh prediktivní údržby se stává běžným také v továrnách. Podnikové technologické společnosti, jako je SAP, nabízejí prediktivní údržbářské a servisní platformy využívající data senzorů z připojených výrobních zařízení IoT a předpovídají, kdy je stroj ohrožen mechanickými problémy nebo poruchami. Technologické společnosti, jako je Microsoft, také zkoumají prediktivní údržbu leteckých aplikací a přinutí Cortanu pracovat na analýze dat senzorů z leteckých motorů a součástí.
Seznam potenciálních obchodních aplikací pokračuje a dále, od toho, jak prediktivní analytika mění maloobchodní průmysl k fintech začínajícím podnikům pomocí prediktivního modelování analýzy podvodů a rizika finančních transakcí. Povrch jsme pouze poškrábali, a to jak způsoby, jak mohou různá průmyslová odvětví integrovat tento typ analýzy dat, a do hloubek, do kterých prediktivní analytické nástroje a techniky předefinují, jak obchodujeme ve shodě s vývojem AI. Když se přibližujeme k opravdovému mapování umělého mozku, možnosti jsou nekonečné.
