A prediktív elemzés a Big Data és az üzleti intelligencia (BI) gyakorlati eredménye. Mit csinálsz, amikor vállalkozása lenyűgöző mennyiségű új adatot gyűjt? A mai üzleti alkalmazások új ügyfelekkel, piacokkal, társadalmi meghallgatással és valós idejű alkalmazásokkal, felhőkkel vagy termékek teljesítményével kapcsolatos hegyekben rekednek. A prediktív elemzés az egyik módja annak, hogy kiaknázza az összes információt, új kézzelfogható tapasztalatokat szerezzen, és maradjon a verseny előtt.
A szervezetek a prediktív elemzést számos különféle módon használják, a prediktív marketingtől és az adatbányászattól a gépi tanulás (ML) és a mesterséges intelligencia (AI) algoritmusok alkalmazásáig az üzleti folyamatok optimalizálása és az új statisztikai minták feltárása érdekében. Alapvetően a számítógépek a múltbeli viselkedésből tanulnak arról, hogyan lehetne jobban végrehajtani bizonyos üzleti folyamatokat, és új betekintést nyújtsanak a szervezet működéséről. De mielőtt megismerkednénk az izgalmas módszerekkel, amelyekben a vállalkozások és a technológiai társaságok prediktív elemzéseket alkalmaznak, hogy időt takarítsanak meg, pénzt takarítsanak meg, és előnyt szerezzenek a piac többi részével szemben, fontos, hogy pontosan beszéljünk arról, hogy mi a prediktív elemzés és mi nem.
Mi az előrejelző elemzés?
A prediktív elemzés nem egy fekete-fehér koncepció vagy a modern adatbázis-kezelők diszkrét tulajdonsága. Ez egy csomó adatelemzési technológiát és statisztikai technikát gyűjt össze egy zászló alatt. Az alapvető módszer a regressziós analízis, amely előrejelzi több, korrelált változó kapcsolódó értékeit egy adott feltételezés bizonyítása vagy megdöntése alapján. Allison Snow, a Forrester B2B marketing vezető elemzője szerint a prediktív elemzés az adatok mintázatának a projekt valószínűségére való felismeréséről szól.
"Kulcsfontosságú annak felismerése, hogy az elemzés valószínűségekről szól, nem abszolút tényezőkről" - magyarázta Snow, aki a prediktív marketingtérrel foglalkozik. "A hagyományos elemzéssel ellentétben a prediktív elemzés alkalmazásakor nem tudjuk előre megtudni, hogy mely adatok fontosak. A prediktív analitika meghatározza, hogy az adatok milyen prediktív eredményt adnak az előrejelzéshez."
Gondoljon egy értékesítési képviselőre, aki az ügyfélkapcsolat-kezelési (CRM) platformon, például a Salesforce.com vezető profilját keresi. Tegyük fel, hogy a feltételezés az, hogy az ólom megvásárolja a terméket. Egyéb feltevések szerint a változók a termékköltség, a vezető szerepe az üzleti életben és a vállalat jelenlegi jövedelmezőségi mutatója. Most tedd be ezeket a változókat regressziós egyenletbe és íme! Van egy prediktív modell, amellyel extrapolálhat egy hatékony stratégiát a termék jobb elvezetésére és eladására.
A regressziós elemzésen kívül (a bonyolultabb dolgokról és részhalmazakról ebben a Harvard Business Review primer-ben foglalkozik) a prediktív elemzés fokozatosan növeli az adatbányászatot és az ML-t is. Az adatbányászat pontosan így hangzik: megvizsgálja a nagy adatkészleteket minták felfedezése és új információk feltárása érdekében. Az ML technikák - rendszeresebbé válva - szitáló edényekké és csákányokká válnak az aranydat-rögök megtalálásához. Az ML innovációk, például a neurális hálózatok és a mélyreható tanulási algoritmusok ezeket a nem strukturált adatkészleteket gyorsabban tudják feldolgozni, mint a hagyományos adattudósok vagy kutatók, és nagyobb és nagyobb pontossággal tudják kezelni az algoritmusok megtanulását és fejlesztését. Ugyanúgy működik az IBM Watson, és a nyílt forráskódú eszközkészletek, például a Google TensorFlow és a Microsoft CNTK ugyanazon vonalon kínálják az ML funkciókat.
A prediktív elemzési fellendülés nagy változása nemcsak az ML és az AI fejlődése, hanem az, hogy nem csupán az ezeket a technikákat alkalmazó tudósok. A BI és az adatok megjelenítésére szolgáló eszközök, valamint a nyílt forrású szervezetek, például az Apache Software Foundation, a Big Data elemző eszközöket minden eddiginél könnyebben hozzáférhetővé, hatékonyabbá és könnyebben használhatóvá teszik. Az ML és az adatelemző eszközök ma már önkiszolgálóak és a mindennapi üzleti felhasználók kezébe kerülnek - az értékesítőktől kezdve, akik elemzik az ólomadatokat vagy az ügyvezető vezetőt, aki megpróbálja megfejteni a tárgyalóterem piaci tendenciáit, az ügyfélszolgálati munkatársakig, akik közös ügyfélfájdalmakat és a közösségi médiát kutatnak. marketing menedzser, amely felveszi a követői demográfiai és társadalmi tendenciákat, hogy kampány révén elérje a megfelelő célközönséget. Ezek a felhasználási esetek csak a jéghegy csúcsa annak feltárásában, hogy a prediktív elemzés miként változtatja meg az üzletet, és ezekbõl még sokan mélyebben betekintünk.
Ugyanakkor a prediktív elemzés nem olyan, mint egy kristálygömb vagy Biff Tannen sport-almanachja a Back to the Future 2-ből. Az algoritmusok és modellek nem tudják megmondani az Ön vállalkozását, hogy kétségbe esik, hogy következő terméke milliárd dolláros nyertes lesz. vagy hogy a piac tankolni kezd. Az adatok továbbra is eszközt jelentenek kitaláláshoz; egyszerűen sokkal jobban képzettek vagyunk, mint régen.
Prediktív, előíró és leíró elemzés lebontása
Egy másik, a „Prediktív elemzés befolyásolhatja az alkalmazásokat tisztességtelen előnnyel” című Forrester jelentésében, Mike Gualtieri fő elemző rámutatott, hogy a „prediktív elemzés” alatt az „analytics” szó kissé téves. A prediktív elemzés nem a hagyományos elemzések ága, például a jelentések vagy a statisztikai elemzés. Arról szól, hogy megtalálják a prediktív modelleket, amelyek segítségével a vállalatok előre jelezhetik a jövőbeli üzleti eredményeket és / vagy az ügyfelek magatartását."
Röviden, Snow elmagyarázta, hogy a "prediktív" kifejezés magában hordozza a bizonyosság fölé eső valószínűséget, lebontva az elemző eszköz szerszámkörnyezetét és azt, hogy miként alakul ki a receptív analitika.
"A leíró elemzés, bár nem különösebben" fejlett ", egyszerűen csak a történt eseményeket rögzíti" - mondta Snow. "A leíró vagy történelmi elemzés az az alap, amelyen alapulhat egy algoritmus kidolgozása. Ezek egyszerű metrikák, de gyakran túl terjedelmesek ahhoz, hogy elemző eszköz nélkül kezelhetők legyenek.
"Általánosságban elmondható, hogy az irányítópultok és a jelentéskészítés a leggyakrabban alkalmazott prediktív elemzés a szervezetekben. Ezeknek az eszközöknek gyakran hiányzik a kapcsolat az üzleti döntésekhez, a folyamatok optimalizálásához, az ügyfelek tapasztalataihoz vagy bármilyen más tevékenységhez. Más szavakkal: a modellek betekintést nyújtanak, de nem kifejezetten utasítások arról, hogy mit kell velük csinálni. A receptív analitika az, ahol a betekintés megfelel a cselekvésnek. Válaszolnak a kérdésre: „Most már ismerem annak a valószínűségét, hogy egy eredmény eredményezhető annak érdekében, hogy az nekem pozitív irányba befolyásolhassa”. az ügyfelek borzadása vagy az eladás valószínűbbé tétele."
A prediktív elemzés mindenhol megtalálható
A BI táj fejlődésével a prediktív analitika egyre több üzleti felhasználási esethez jut. Az olyan eszközök, mint a szerkesztők választása, a Tableau Desktop és a Microsoft Power BI, az intuitív tervezés és használhatóság, valamint az adatcsatlakozók és a vizualizációk nagy gyűjteménye, hogy értelmezzék az olyan nagy mennyiségű adatot, amelyet az üzleti vállalkozások olyan forrásokból importálnak, mint például az Amazon Elastic MapReduce (EMR), a Google BigQuery és Hadoop disztribúciók olyan játékosoktól, mint a Cloudera, a Hortonworks és a MapR. Ezeknek az önkiszolgáló eszközöknek még nem feltétlenül vannak a legfejlettebb prediktív elemző funkciók, ám ezek a nagy adatok sokkal kisebbek, könnyebben elemezhetők és megérthetők.
Snow szerint a kereskedelemben a prediktív elemzések széles körben használhatók, kezdve az értékesítési pontokkal (POS) kapcsolatos csalások felismeréséig, a digitális tartalomnak a felhasználói környezet alapján történő automatikus kiigazításáig a konverziók készítéséig vagy proaktív ügyfélszolgálat kezdeményezéséhez a kockázattal járó kockázatokhoz. bevételi források. A B2B marketingben a Snow szerint a vállalkozások és az SMB-k ugyanazon okokból használnak prediktív marketingt, mint bármilyen stratégiát, taktikát vagy technológiát: az ügyfelek jobb nyerése, megtartása és kiszolgálása érdekében, mint azok, amelyek nem.
Mélyebbre mélyítve a Snow a B2B marketinghasználat három kategóriáját azonosította, amelyek szerint a korai prediktív siker dominál, és megteremti az alapot a prediktív marketing analitika összetettebb használatához.
1. Prediktív pontozás: Az ismert kilátások, vezetések és számlák prioritása a cselekvés valószínűsége alapján.
"A B2B marketingszakemberek leggyakoribb belépési pontja a prediktív marketingbe, a prediktív pontozásba a hagyományos prioritások meghatározásának tudományos, matematikai dimenzióját adja, amely a spekuláción, a kísérletezésen és a kritériumok és súlyozások kiszámításának iterációján alapszik" - mondta Snow. "Ez a használati eset segít az eladóknak és a marketingszakembereknek a termelékeny fiókok gyorsabb azonosításában, kevesebb időt töltenek olyan fiókokon, amelyek kevésbé valószínű, hogy átalakítanak, és célzott kölcsönös eladási vagy eladási kampányokat kezdenek."
2. Azonosítási modellek: A kilátások azonosítása és megszerzése a meglévő ügyfelekhez hasonló tulajdonságokkal.
"Ebben az esetben az azonosító modell alapját azok a számlák mutatják, amelyek a kívánt viselkedést mutatták be (vásároltak, megújították a szerződést, vagy további termékeket és szolgáltatásokat vásároltak)" - mondta Snow. "Ez a használati eset segít az értékesítőknek és a marketingszakembereknek az értékesítési ciklus elején megtalálni az értékes kilátásokat, felfedni az új marketingszakembereket, prioritássá tenni a meglévő fiókokat a bővítéshez és a teljesítményszámla alapú marketing (ABM) kezdeményezéseket azáltal, hogy felszíni számlákat vezet be, amelyek ésszerűen várhatóan várhatók. érzékenyebben reagálnak az értékesítési és marketing üzenetekre."
3. Automatizált szegmentálás: Szegmensvezetők a személyre szabott üzenetküldéshez.
"A B2B marketingszakemberek hagyományosan csak általános attribútumok szerint képesek szegmentálni, mint például az ipar, és olyan kézi erőfeszítésekkel tettek, hogy a személyre szabás csak a magas prioritással bíró kampányokra vonatkozik" - mondta Snow. "Most a prediktív algoritmusok betáplálásához használt attribútumokat hozzá lehet adni a számlarekordokhoz, hogy támogassák a bonyolult és az automatizált szegmentálást. Ez a használati eset segít az eladóknak és a marketingszakembereknek a kimenő kommunikáció irányításában releváns üzenetekkel, lehetővé teszi az értékesítések és a kilátások közötti lényeges beszélgetéseket, és tájékoztatja a tartalomstratégiát. okosabban."
A BI-eszközök és a nyílt forráskódú keretek, mint például a Hadoop, az adatok egészét demokratizálják, de a B2B marketing mellett a prediktív elemzéseket egyre több felhőalapú szoftverplatformra is sütik számos iparágban. Vedd fel az online társkereső társaság eHarmony emelt karrierjének webhelyét és néhány más szállítót a "prediktív elemzés a bérbeadásra" helyben. Ezeknek a platformoknak a kezdeti napjaiban még mindig nagyon sok van, de az az ötlet, hogy az adatok felhasználásával megjósoljuk, melyek az álláskeresők a legmegfelelőbbek az adott munkakörökhöz és a vállalatokhoz, felteheti azt, hogy újból feltalálja, hogy az emberi erőforrás (HR) menedzserei toborozzák a tehetségeket.
Az olyan ügyfélszolgálati szolgáltatók, mint a Zendesk, szintén elkezdenek hozzáadni a prediktív elemzési képességeket az ügyfélszolgálat szoftveréhez. A vállalat előrejelző képességekkel ösztönözte az ügyfélszolgálatot a problémás területek felismerésére egy adatvezérelt korai előrejelző rendszerrel, az úgynevezett Elégedettség előrejelzés segítségével. A szolgáltatás egy ML algoritmust használ az elégedettségi felmérés eredményeinek feldolgozására, és a változókat, beleértve a jegy megoldásához szükséges időt, az ügyfélszolgálat válaszidejének késleltetését és az egyedi jegy megfogalmazását regressziós algoritmusba, hogy kiszámítsa az ügyfél előrejelzett elégedettségi osztályozását.
Azt is látjuk, hogy a prediktív elemzések nagy hatást gyakorolnak az ipari léptékre és a tárgyak internetére (IoT). A Google az ML algoritmusokat használja adatközpontjaiban a prediktív karbantartás futtatására a Google Cloud Platform (GCP) nyilvános felhőinfrastruktúráját tápláló kiszolgálófarmokon. Az algoritmusok az időjárási, terhelési és egyéb változók adatait használják az adatközponti hűtőszivattyúk prepreventív beállítására és az energiafogyasztás jelentős csökkentésére.
Az ilyen prediktív karbantartás a gyárakban is általános. Az olyan vállalati technológiai vállalatok, mint az SAP, prediktív karbantartási és szolgáltatási platformokat kínálnak a csatlakoztatott tárgyak internete előállító eszközeinek érzékelő adatait felhasználva, hogy előre jelezzék, mikor áll fenn a gép mechanikai problémáinak vagy meghibásodásának veszélye. Az olyan technológiai cégek, mint a Microsoft, a repülés-űrjármű alkalmazások prediktív karbantartását is feltárják, és arra késztetik Cortana-t a repülőgép-hajtóművek és alkatrészeik érzékelőinek adatainak elemzésére.
A potenciális üzleti alkalmazások listája tovább folytatódik, attól kezdve, hogy a prediktív elemzés miként változtatja meg a kiskereskedelmi ipart az fintech induló vállalkozásokig, a csalások elemzésének és a pénzügyi tranzakciók kockázatának prediktív modellezése révén. Csak megkarcoltuk a felületet, mind abban, ahogyan a különféle iparágak integrálhatták az ilyen típusú elemzést, és a mélységig, ameddig a prediktív elemző eszközök és technikák újradefiniálják, hogyan működünk együtt az AI fejlődésével. Ahogy közelebb állunk a mesterséges agy valódi feltérképezéséhez, a lehetőségek végtelenek.
