Video: Брайан Грин о теории струн (November 2024)
Predvidevna analitika je praktični rezultat Big Data in poslovne inteligence (BI). Kaj storite, ko vaše podjetje zbira osupljive količine novih podatkov? Današnje poslovne aplikacije so v gorah novih kupcev, trga, družabnega poslušanja in podatkov o uspešnosti aplikacij, oblakov ali izdelkov v realnem času. Napovedna analitika je eden od načinov, kako izkoristiti vse te informacije, pridobiti oprijemljive nove vpoglede in ostati pred konkurenco.
Organizacije uporabljajo prediktivno analitiko na različne načine, od napovedovalnega trženja in rudarjenja podatkov do uporabe algoritmov strojnega učenja (ML) in umetne inteligence (AI) za optimizacijo poslovnih procesov in odkrivanje novih statističnih vzorcev. V bistvu gre za računalnike, ki se učijo iz preteklega vedenja o tem, kako izboljšati določene poslovne procese in jim dati nov vpogled v to, kako vaša organizacija res deluje. Toda preden se lotimo vseh fascinantnih načinov, kako podjetja in tehnološka podjetja uporabljajo prediktivno analitiko, da prihranijo čas, prihranijo denar in pridobijo prednost pred ostalim trgom, je pomembno, da natančno govorimo o tem, kaj predvideva analitična in kaj ne.
Kaj je prediktivna analitika?
Napovedna analitika ni črno-bel koncept ali diskretna lastnost sodobnih upravljavcev baz podatkov. To je kopica tehnologij za analizo podatkov in statističnih tehnik, ki so zvite pod eno pasico. Temeljna tehnika je regresijska analiza, ki napoveduje povezane vrednosti več koreliranih spremenljivk, ki temeljijo na dokazovanju ali ovržanju določene predpostavke. Predvidevna analitika pomeni prepoznavanje vzorcev podatkov glede na verjetnost projektov, pravi Allison Snow, višja analitičarka B2B marketinga pri Forresterju.
"Ključno je prepoznati, da gre pri analitiki za verjetnosti, ne pa za absolutne, " je pojasnil Snow, ki zajema prostor za predvidevanje trženja. "Za razliko od tradicionalne analitike pri uporabi prediktivne analitike ne vemo vnaprej, kateri podatki so pomembni. Predvidevna analitika določa, kateri podatki napovedujejo rezultat, ki ga želite napovedati."
Razmislite o prodajnem zastopniku, ki si ogleda vodilni profil na platformi za upravljanje odnosov s strankami (CRM), kot je Salesforce.com. Recimo ob predpostavki, da bo vaš izdelek kupil prednjači. Druge predpostavke so, da so spremenljivke stroški izdelka, vloga vodilnega podjetja v podjetju in trenutni količnik dobičkonosnosti podjetja. Zdaj pa spremenite te spremenljivke v regresijsko enačbo in voila! Imate napovedni model, iz katerega lahko ekstrapolirate učinkovito strategijo pitchinga in prodaje izdelka na prave strani.
Poleg regresijske analize (katere zapletenosti in podvrste, ki jih lahko najdete v tem temeljnem poročilu za Harvard Business Review ), napovedna analitika uporablja tudi postopno več pridobivanja podatkov in ML. Izvajanje podatkov je natanko tako, kot se sliši: preučujete velike nabore podatkov, da odkrijete vzorce in odkrijete nove informacije. Tehnike ML z večjo pravilnostjo postajajo ločilniki in odbiralniki za iskanje zlatih podatkovnih kopriv. Inovacije ML, kot so nevronske mreže in algoritmi globokega učenja, lahko te nestrukturirane podatkovne naloge obdelajo hitreje kot tradicionalni znanstvenik podatkov ali raziskovalec in z večjo in večjo natančnostjo, ko se algoritmi učijo in izboljšujejo. Na enak način deluje IBM Watson in odprtokodni kompleti orodij, kot sta Googlov TensorFlow in Microsoftov CNTK, ponujajo funkcionalnost ML v istih vrsticah.
Velika sprememba v napovedi analitičnega razcveta ni samo napredovanje ML in AI, ampak tudi to, da znanstveniki, ki uporabljajo te tehnike, ne uporabljajo več. BI in orodja za vizualizacijo podatkov, skupaj z organizacijami z odprto kodo, kot je programska fundacija Apache, omogočajo, da so orodja za analizo velikih podatkov dostopnejša, učinkovitejša in enostavnejša za uporabo kot kdaj koli prej. Orodja za ML in analize podatkov so zdaj samopostrežna in v rokah vsakodnevnih poslovnih uporabnikov - od našega prodajalca, ki analizira vodilne podatke ali izvršnega direktorja, ki poskuša razvozlati tržne trende v sejni sobi, do predstavnikov storitve za stranke, ki raziskujejo običajne bolečinske točke strank in družbenih medijev vodja trženja, ki je meril demografijo sledilcev in družbene trende, da bi s kampanjo dosegel pravo ciljno publiko. Ti primeri uporabe so le vrh ledene gore pri raziskovanju vseh načinov, kako prediktivna analitika spreminja poslovanje, o številnih več jih bomo v nadaljevanju.
Kljub temu napovedna analitika ni podobna kristalni kroglici ali športnemu almanahu Biffa Tannena od Nazaj v prihodnost 2. Algoritmi in modeli ne morejo povedati vašega podjetja izven sence dvoma, da bo njegov naslednji izdelek dobitnik milijarde dolarjev ali da bo trg kmalu napolnjen. Podatki so še vedno sredstvo, s katerim lahko izobraženo ugibamo; preprosto smo veliko bolje izobraženi kot nekoč.
Razčlenitev predvidevanja, nagovarjanja in opisne analitike
V drugem poročilu podjetja Forrester z naslovom „Predictive Analytics lahko vaše aplikacije napolni s„ nepošteno prednostjo “, glavni analitik Mike Gualtieri poudarja, da je beseda„ analitika “v„ prediktivni analitiki “nekoliko napačna. Napovedna analitika ni veja tradicionalne analitike, kot sta poročanje ali statistična analiza. Gre za iskanje prediktivnih modelov, ki jih lahko podjetja uporabijo za napovedovanje prihodnjih poslovnih rezultatov in / ali vedenja strank."
Skratka, Snow je pojasnil, da izraz "napovedovalni" sam po sebi označuje verjetnost za gotovost, ki razgrajuje krajino analitičnega orodja in kako jo preoblikuje v predpisovalno analitiko.
"Opisna analitika, čeprav ni posebej" napredna, "preprosto zajame stvari, ki so se zgodile, " je dejal Snow. "Opisna ali zgodovinska analitika je temelj, na katerem se lahko razvije algoritem. To so preproste metrike, vendar pogosto preveč obsežne, da bi jih lahko upravljali brez orodja za analitiko.
"Na splošno so nadzorne plošče in poročanje danes najpogostejša uporaba za napovedno analitiko znotraj organizacij. Ta orodja pogosto nimajo povezave s poslovnimi odločitvami, optimizacijo procesov, uporabniško izkušnjo ali kakršnim koli drugim ukrepom. Z drugimi besedami, modeli omogočajo vpogled, vendar ne nazorne navodila, kaj storiti z njimi. Napisna analitika je, če se vpogled sreča z dejanji. Odgovorijo na vprašanje: "Zdaj vem verjetnost izida, kaj lahko storim, da vplivam nanjo v pozitivni smeri", ali to preprečuje stranka odpravi ali prodajo bolj verjetno."
Napovedna analitika je povsod
Ko se BI okolica razvija, napovedna analitika išče svojo pot v vedno več primerov poslovne uporabe. Orodja, kot so naša izbira urednikov Tableau Desktop in Microsoft Power BI sport, intuitivno oblikovanje in uporabnost ter velike zbirke podatkovnih konektorjev in vizualizacij, da bi se smiselno pojavile velike količine podatkovnih podjetij, ki jih uvažajo iz virov, kot so Amazon Elastic MapReduce (EMR), Google Distribucije BigQuery in Hadoop od igralcev, kot so Cloudera, Hortonworks in MapR. Ta orodja za samooskrbo še vedno nimajo najnaprednejših funkcij napovedne analitike, vendar imajo Big Data veliko manjše in jih je lažje analizirati in razumeti.
Snow je dejal, da je danes v podjetju široka vrsta primerov uporabe prediktivne analitike, od odkrivanja goljufij na prodajnem mestu (POS), samodejnega prilagajanja digitalne vsebine na podlagi uporabniškega konteksta, da bi spodbudili konverzije, ali pa sprožili proaktivno storitev za stranke s tveganjem viri prihodkov. V trženju z B2B podjetja Snow pravijo, da podjetja in mala in srednja podjetja uporabljajo napovedno trženje iz istih razlogov, s katerimi uporabljajo katero koli strategijo, taktiko ali tehnologijo: da bi osvojili, obdržali in služili strankam bolje kot tisti, ki tega ne storijo.
Sneg se je globlje poglobil in opredelil tri kategorije primerov uporabe B2B za trženje, ki je dejala, da prevladujejo pri zgodnjem napovednem uspehu in postavljajo temelje za bolj kompleksno uporabo prediktivne marketinške analitike.
1. Prediktivno ocenjevanje: dajanje prednosti znanim možnostim, potencialnim potencialnim potencialnim potencialnim rezultatom in računom na podlagi njihove verjetnosti ukrepanja.
"Najpogostejša vstopna točka za B2B tržnike v trženje prediktivnega trženja, napovedno točkovanje doda znanstveno, matematično razsežnost običajnemu določanju prednostnih nalog, ki temelji na špekulacijah, eksperimentiranju in iteraciji, da pridobijo merila in ponderje, " je dejal Snow. "Ta primer uporabe pomaga prodajalcem in prodajalcem, da hitreje prepoznajo produktivne račune, porabijo manj časa za račune, za katere obstaja manjša verjetnost za pretvorbo, in sprožijo ciljane oglaševalske akcije za navzkrižno prodajo ali prodajo."
2. Modeli identifikacije: prepoznavanje in pridobivanje potencialov z atributi, podobnimi obstoječim strankam.
"V tem primeru so računi, ki so kazali želeno vedenje (opravili nakup, obnovili pogodbo ali kupili dodatne izdelke in storitve), podlaga za identifikacijski model, " je dejal Snow. "Ta primer uporabe pomaga prodajalcem in tržnikom najti dragocene možnosti že prej v prodajnem ciklu, odkriti nove prodajalce, dajati prednost obstoječim računom za širitev in pobudam trženja, temelječega na računu moči (ABM), tako da prikaže na površinske račune, za katere je mogoče pričakovati, da bodo bolj dovzetni za prodajna in marketinška sporočila."
3. Samodejna segmentacija: vodi za segmente za prilagojeno sporočanje.
"Trgovci z B2B so že tradicionalno lahko segmentirali le generične lastnosti, kot je industrija, in to storili s tako ročnimi napori, da je personalizacija veljala le za zelo prednostne kampanje, " je dejal Snow. "Zdaj lahko atribute, ki se uporabljajo za napajanje algoritmov za napovedovanje, dodate zapisom računov, ki podpirajo zapleteno in avtomatizirano segmentacijo. Ta primera uporabe prodajalcem in tržnikom pomagajo pri odhodnih komunikacijah z ustreznimi sporočili, omogočajo obsežne pogovore med prodajo in potenciali ter obveščajo vsebinsko strategijo bolj pametno."
Orodja za BI in odprtokodni okviri, kot je Hadoop, demokratizirajo podatke kot celoto, toda poleg B2B trženja se napovedna analitika vključuje tudi v vse več in več oblakov zasnovanih programskih platform v številnih panogah. Oglejte si spletno spletno podjetje eHarmony's Elevated Careers in peščico drugih prodajalcev v prostoru "prediktivna analitika za najem". Te platforme so še vedno zelo v zgodnjih dneh, toda ideja o uporabi podatkov za napovedovanje, kateri iskalci zaposlitve so najbolj primerni za določena delovna mesta, podjetja pa lahko izumijo, kako kadrovski kadri (HR) upravljajo s talenti.
Ponudniki služb za pomoč uporabnikom, kot je Zendesk, so začeli dodajati tudi možnosti napovedne analitike v programsko opremo za pomoč uporabnikom. Podjetje je svojo platformo prevzelo s prediktivnimi pooblastili za pomoč uporabnikom, ki odkrivajo problematična področja s podatkovnim sistemom zgodnjega opozarjanja, imenovanim Satisfaction Prediction. Ta funkcija uporablja algoritem ML za obdelavo rezultatov ankete o zadovoljstvu, metanje spremenljivk, vključno s časom za razrešitev vozovnice, zamudo odziva pri odjemalcih in določeno obliko vozovnice, v algoritem regresije za izračun ocenjene ocene zadovoljstva stranke.
Opažamo tudi, da prediktivna analitika močno vpliva na dno v industrijskem obsegu in z internetom stvari (IoT). Google uporablja algoritme ML v svojih podatkovnih centrih za izvajanje predvidevanja vzdrževanja na strežniških kmetijah, ki napajajo javno infrastrukturo v oblaku Google Cloud Platform (GCP). Algoritmi uporabljajo podatke o vremenu, obremenitvi in drugih spremenljivkah, da predhodno prilagodijo hladilne črpalke podatkovnega centra in znatno zmanjšajo porabo energije.
Ta vrsta napovedovalnega vzdrževanja postaja vse pogostejša tudi v tovarnah. Podjetniška tehnološka podjetja, kot je SAP, ponujajo platforme za predvidevanje vzdrževanja in servisiranja s pomočjo senzorskih podatkov iz povezanih naprav za proizvodnjo IoT, da napovejo, kdaj stroj ogroža mehanske težave ali okvaro. Tehnična podjetja, kot je Microsoft, raziskujejo tudi napovedno vzdrževanje vesoljskih aplikacij in Cortana delajo na analizi senzorskih podatkov iz letalskih motorjev in komponent.
Seznam potencialnih poslovnih aplikacij se nadaljuje in spreminja, od tega, kako prediktivna analitika spreminja maloprodajno industrijo v fintech start-up podjetja z uporabo predvidevalnega modeliranja na podlagi analize goljufij in tveganja finančnih transakcij. Le praskali smo po površini, tako na način, kako bi različne panoge lahko integrirale to vrsto podatkovnih podatkov, in globine, do katerih bodo orodja in tehnike napovedne analitike na novo določile, kako poslujemo v sodelovanju z razvojem AI. Ko se približamo resničnemu preslikavi umetnih možganov, so možnosti neskončne.
