Prediktívna analytika je praktickým výsledkom systému Big Data a Business Intelligence (BI). Čo robíte, keď vaša firma zbiera ohromujúce objemy nových údajov? Dnešné obchodné aplikácie sa hrabú v horách nových zákazníkov, trhu, spoločenského počúvania a údajov o výkonnosti aplikácií, cloudu alebo produktov v reálnom čase. Prediktívna analytika je jedným zo spôsobov, ako využiť všetky tieto informácie, získať konkrétne nové poznatky a udržať si náskok pred konkurenciou.
Organizácie používajú prediktívnu analýzu rôznymi spôsobmi, od prediktívneho marketingu a získavania údajov až po uplatňovanie algoritmov strojového učenia (ML) a umelej inteligencie (AI), aby optimalizovali obchodné procesy a odhalili nové štatistické vzorce. V podstate ide o to, že sa počítače učia z minulého správania o tom, ako lepšie vykonávať určité obchodné procesy a poskytujú nové poznatky o tom, ako vaša organizácia naozaj funguje. Predtým, ako sa dostaneme do všetkých fascinujúcich spôsobov, akými podniky a technologické spoločnosti využívajú prediktívnu analýzu, aby ušetrili čas, šetrili peniaze a získali výhodu oproti zvyšku trhu, je dôležité hovoriť o tom, čo je prediktívna analýza a čo nie.,
Čo je to prediktívna analýza?
Prediktívna analytika nie je čiernobielym konceptom alebo diskrétnou vlastnosťou moderných správcov databáz. Je to veľa technológií na analýzu údajov a štatistických techník zhrnutých pod jeden banner. Základnou technikou je regresná analýza, ktorá predpovedá súvisiace hodnoty viacerých korelovaných premenných na základe preukázania alebo vyvrátenia konkrétneho predpokladu. Podľa Allison Snow, hlavného analytika B2B marketingu vo Forresteri, prediktívna analytika spočíva v rozpoznávaní vzorcov v údajoch podľa pravdepodobnosti projektu.
„Je dôležité uznať, že analytika sa týka pravdepodobností, nie absolútnych údajov, “ vysvetlil Snow, ktorý pokrýva prediktívny marketingový priestor. „Na rozdiel od tradičnej analytiky, človek pri použití prediktívnej analýzy vopred nevie, aké údaje sú dôležité. Prediktívna analýza určuje, ktoré údaje predpovedajú výsledok, ktorý chcete predvídať.“
Zamyslite sa nad obchodným zástupcom, ktorý sa pozerá na hlavný profil v platforme pre riadenie vzťahov so zákazníkmi (CRM), ako je napríklad Salesforce.com. Povedzme, že predpoklad je, že váš produkt kúpi olovo. Ďalšími predpokladmi sú to, že premenné sú cena produktu, úloha vedúceho v rámci podniku a súčasný pomer ziskovosti spoločnosti. Teraz vyneste tieto premenné do regresnej rovnice a voily! Máte prediktívny model, z ktorého môžete extrapolovať efektívnu stratégiu prezentácie a predaja produktu na správne vedenie.
Okrem regresnej analýzy (zložitosti a podmnožiny, o ktorých sa môžete dozvedieť v tomto základnom dokumente Harvard Business Review ), prediktívna analytika tiež využíva progresívne viac údajov a ML. Dolovanie údajov je presne to, čo znie: preskúmate veľké súbory údajov, aby ste objavili vzory a odhalili nové informácie. Techniky ML sa s väčšou pravidelnosťou stávajú preosievacími miskami a krumpáčmi na nájdenie zlatých dátových nuggetov. Inovácie ML, ako sú neurónové siete a algoritmy hlbokého učenia, môžu spracovať tieto neštruktúrované súbory údajov rýchlejšie ako tradičný vedec alebo výskumník údajov as väčšou a väčšou presnosťou, ako sa algoritmy učia a zlepšujú. Je to rovnaký spôsob, akým pracuje IBM Watson, a otvorené nástroje, ako sú napríklad TensorFlow a CNTK od spoločnosti Microsoft, ponúkajú ML funkčnosť v rovnakom duchu.
Veľkou zmenou, ktorá sa dostáva do predikčného analytického boomu, nie je len pokrok v ML a AI, ale aj to, že to nie sú len vedci údajov, ktorí tieto techniky už používajú. Nástroje na vizualizáciu BI a údajov spolu s organizáciami s otvoreným zdrojovým kódom, ako je Apache Software Foundation, robia nástroje na analýzu veľkých údajov prístupnejšie, efektívnejšie a ľahšie použiteľné ako kedykoľvek predtým. Nástroje na analýzu údajov ML a údajov sú teraz samoobslužné a sú v rukách každodenných podnikových používateľov - od nášho predajcu, ktorý analyzuje hlavné údaje alebo od vedúceho, ktorý sa snaží rozlúštiť trendy na trhu v správnej rade, až po zákaznícky servis, ktorý skúma spoločné body bolesti zákazníkov a sociálne médiá. marketingový manažér merajúci demografické a sociálne trendy sledovateľov s cieľom osloviť pomocou kampane kampaň so správnym zacieleným publikom. Tieto prípady použitia sú iba špičkou ľadovca pri skúmaní všetkých spôsobov, ktorými prediktívna analytika mení podnikanie, z ktorých mnoho ďalších sa dostaneme dole.
To znamená, že prediktívna analýza nie je ako krištáľová guľa alebo športový almanach Biff Tannen od Back to the Future 2. Algoritmy a modely nedokážu povedať vášmu podnikaniu mimo tieňa pochybností, že jeho ďalším produktom bude víťaz v hodnote miliárd dolárov. alebo že sa trh chystá tankovať. Dáta sú stále prostriedkom na to, aby sme sa mohli poučiť. sme jednoducho omnoho lepšie vzdelaní, ako sme bývali.
Rozdelenie prediktívnej, normatívnej a popisnej analýzy
V inej správe spoločnosti Forrester s názvom „Prediktívne analýzy môžu vaše aplikácie naplniť„ nespravodlivou výhodou “.„ Hlavný analytik Mike Gualtieri zdôrazňuje, že „slovo„ analytika “v„ prediktívnej analýze “je trochu nesprávne pomenované. Prediktívna analytika nie je odvetvím tradičných analytických metód, ako je vykazovanie alebo štatistická analýza. Ide o nájdenie prediktívnych modelov, ktoré firmy môžu použiť na predpovedanie budúcich obchodných výsledkov a / alebo správania zákazníkov. ““
Stručne povedané, Snow vysvetlil, že pojem „prediktívny“ vo svojej podstate označuje pravdepodobnosť nad istotou, rozdeľuje analytické nástroje a ako sa premieňa na predpísanú analytiku.
„Opisná analytika, hoci nie je osobitne„ pokročilá “, jednoducho zachytáva veci, ktoré sa stali, “ povedal Snow. „Opisný alebo historický analytik je základom, na ktorom by sa mohol vyvinúť algoritmus. Ide o jednoduché metriky, ale často príliš objemné na to, aby sa dali spravovať bez analytického nástroja.
„Všeobecne možno povedať, že dashboardy a reporting sú v súčasnosti najbežnejším nástrojom na prediktívnu analýzu v organizáciách. Tieto nástroje často nemajú súvislosť s obchodnými rozhodnutiami, optimalizáciou procesov, skúsenosťami so zákazníkmi alebo akoukoľvek inou činnosťou. inštrukcie, čo s nimi robiť. Predpísateľná analytika je oblasťou, v ktorej sa stretne vhľad. “Odpovedajú na otázku„ Teraz viem pravdepodobnosť výsledku, čo sa dá urobiť, aby sme ho ovplyvnili v smere, ktorý je pre mňa pozitívny “, či už tomu bráni privádzanie zákazníkov alebo pravdepodobnosť predaja. “
Prediktívna analýza je všade
S vývojom prostredia BI sa prediktívna analytika nachádza v stále väčšom počte prípadov podnikového využitia. Nástroje, ako sú naše možnosti editora Tableau Desktop a Microsoft Power BI, intuitívny dizajn a použiteľnosť a veľké zbierky dátových konektorov a vizualizácií, ktoré zmapujú obrovské objemy importovaných údajov zo zdrojov, ako sú Amazon Elastic MapReduce (EMR), Google Distribúcie BigQuery a Hadoop od hráčov, ako sú Cloudera, Hortonworks a MapR. Tieto samoobslužné nástroje ešte nemusia mať najpokrokovejšie prediktívne analytické funkcie, ale robia veľké dáta oveľa menšie a ľahšie ich analyzovať a porozumieť im.
Spoločnosť Snow uviedla, že v podnikaní je dnes k dispozícii široká škála prípadov použitia, od detekcie podvodov v predajných miestach, automatickej úpravy digitálneho obsahu na základe kontextu používateľa, až po konverziu alebo začatia proaktívneho zákazníckeho servisu v ohrození zdroje príjmov. V oblasti B2B marketingu spoločnosť Snow uviedla, že podniky a malé a stredné podniky používajú prediktívny marketing z rovnakých dôvodov, aké používajú v prípade akýchkoľvek stratégií, taktík alebo technológií: na získanie, udržanie a poskytovanie služieb zákazníkom lepšie ako tie, ktoré ho nemajú.
Hĺbková analýza spoločnosti Snow identifikovala tri kategórie prípadov marketingu B2B, ktoré uviedla, že dominujú skorému prediktívnemu úspechu a položili základ pre komplexnejšie využívanie analytických prediktívnych analýz.
1. Prediktívne bodovanie: Stanovenie priorít známych potenciálnych zákazníkov, potenciálnych zákazníkov a účtov na základe ich pravdepodobnosti prijatia opatrení.
„Najbežnejším vstupným bodom pre obchodníkov B2B do prediktívneho marketingu, prediktívneho bodovania, sa do konvenčného určovania priorít pridáva vedecký, matematický rozmer, ktorý pri odvodení kritérií a váh závisí na špekuláciách, experimentovaní a iterácii, “ uviedol Snow. „Tento prípad použitia pomáha predajcom a obchodníkom rýchlejšie identifikovať produktívne účty, tráviť menej času na účtoch s menšou pravdepodobnosťou konverzie a iniciovať cielené kampane krížového predaja alebo predaja.“
2. Identifikačné modely: Identifikácia a získanie perspektív s atribútmi podobnými existujúcim zákazníkom.
„V tomto prípade slúžia účty, ktoré vykazujú želané správanie (uskutočnili nákup, obnovili zmluvu alebo zakúpili ďalšie produkty a služby), ako základ identifikačného modelu, “ uviedol Snow. „Tento prípad použitia pomáha predajcom a obchodníkom nájsť cenné vyhliadky na začiatku obchodného cyklu, odhaľuje nových obchodníkov, uprednostňuje existujúce účty pre rozširovanie a marketingové iniciatívy založené na energetických účtoch (ABM) tým, že prináša na povrchové účty, o ktorých možno odôvodnene predpokladať, že budú vnímavejšie na predajné a marketingové správy. “
3. Automatizovaná segmentácia: Segment vedie k personalizovaným správam.
„Obchodníci B2B boli tradične schopní segmentovať iba generické atribúty, ako napríklad priemysel, a robili tak s manuálnym úsilím, že personalizácia sa vzťahovala iba na vysoko prioritné kampane, “ uviedol Snow. „Atribúty použité na predpovedanie algoritmov sa teraz dajú pripojiť k záznamom účtov na podporu zložitej aj automatizovanej segmentácie. Tento prípad použitia pomáha predajcom a obchodníkom riadiť odchádzajúcu komunikáciu s relevantnými správami, umožňuje podstatné konverzácie medzi predajom a potenciálnymi zákazníkmi a informuje o stratégii obsahu. inteligentnejšie. “
Nástroje BI a open-source frameworks, ako je Hadoop, demokratizujú údaje ako celok, ale okrem B2B marketingu sa prediktívna analýza zapaľuje do stále viac cloudových softvérových platforiem v mnohých odvetviach. Vezmite webovú stránku spoločnosti Elehated Careers online spoločnosti eHarmony a niekoľko ďalších predajcov do priestoru „prediktívnej analýzy prijímania zamestnancov“. Tieto platformy sú stále ešte v počiatočných dňoch, ale myšlienka použitia údajov na predpovedanie, ktorí uchádzači o zamestnanie sú najvhodnejší pre konkrétne pracovné miesta a spoločnosti, má potenciál znovu objaviť spôsob, akým manažéri ľudských zdrojov (HR) prijímajú talenty.
Poskytovatelia technickej podpory, ako napríklad Zendesk, tiež začali pridávať prediktívne analytické funkcie na podporu softvéru technickej podpory. Spoločnosť rozšírila svoju platformu s prediktívnymi právomocami, aby pomohla zástupcom zákazníckeho servisu identifikovať problémové oblasti pomocou systému včasného varovania založeného na údajoch nazvaného Predikcia spokojnosti. Táto funkcia používa algoritmus ML na spracovanie výsledkov prieskumu spokojnosti, hádzanie premenných vrátane času na vyriešenie tiketu, latencie odozvy na služby zákazníkom a špecifické formulácie tiketu na regresný algoritmus na výpočet plánovanej spokojnosti zákazníka.
Vidíme tiež, že prediktívna analýza má veľký vplyv na konečný výsledok v priemyselnom meradle a prostredníctvom internetu vecí (IoT). Spoločnosť Google používa vo svojich dátových centrách algoritmy ML na spustenie prediktívnej údržby na serverových farmách napájajúcich verejnú infraštruktúru cloudu Google Cloud Platform (GCP). Algoritmy používajú údaje o počasí, zaťažení a ďalších premenných na predbežné nastavenie chladiacich čerpadiel v dátových centrách a na výrazné zníženie spotreby energie.
Tento druh prediktívnej údržby sa stáva bežnou súčasťou tovární. Podnikové technologické spoločnosti, ako napríklad SAP, ponúkajú prediktívne platformy údržby a servisu využívajúce údaje zo senzorov z pripojených výrobných zariadení IoT na predpovedanie toho, kedy je stroj vystavený riziku mechanických problémov alebo porúch. Technologické spoločnosti, ako je Microsoft, tiež skúmajú prediktívnu údržbu leteckých aplikácií, vďaka čomu môže Cortana pracovať na analýze údajov zo senzorov leteckých motorov a komponentov.
Zoznam potenciálnych obchodných aplikácií pokračuje a ďalej, od toho, ako prediktívna analytika mení maloobchodný sektor na fintech začínajúce podniky pomocou prediktívneho modelovania analýzy podvodov a rizika finančných transakcií. Povrch sme iba poškriabali, a to tak, ako rôzne odvetvia mohli integrovať tento typ analýzy údajov, a do hĺbok, do ktorých prediktívne analytické nástroje a techniky predefinujú, ako podnikáme v súlade s vývojom AI. Keď sa blížime k skutočnému zmapovaniu umelého mozgu, možnosti sú nekonečné.
