Prediktivna analitika, veliki podaci i kako ih natjerati da rade za vas

Prediktivna analitika praktični je rezultat Big Data-a i poslovne inteligencije (BI). Što radite kada vaše poduzeće prikupi nevjerojatne količine novih podataka? Današnje poslovne aplikacije pretvaraju se u planine novih podataka o klijentima, tržištu, društvenom slušanju i podacima o uspješnosti aplikacija, oblaka ili proizvoda u stvarnom vremenu. Prediktivna analitika jedan je od načina da se iskoriste sve te informacije, steknu opipljivi novi uvidi i ostanu ispred konkurencije.

Organizacije koriste prediktivnu analitiku na različite načine, od prediktivnog marketinga i vađenja podataka do primjene algoritama strojnog učenja (ML) i umjetne inteligencije (AI) kako bi optimizirali poslovne procese i otkrili nove statističke obrasce. To su u osnovi računala koja uče iz prošlih ponašanja o tome kako poboljšati određene poslovne procese i pružiti novi uvid u to kako vaša organizacija stvarno funkcionira. Ali prije nego što uđemo u sve fascinantne načine na koje tvrtke i tehnološke tvrtke koriste prediktivnu analitiku radi uštede vremena, uštede novca i stjecanja prednosti nad ostatkom tržišta, važno je razgovarati o tome što je to precizna analitika, a što nije,

Što je prediktivna analitika?

Prediktivna analitika nije crno-bijeli pojam niti je diskretna značajka modernih upravitelja baza podataka. To je gomila tehnologija za analizu podataka i statističkih tehnika nabrajanih pod jednim transparentom. Temeljna tehnika je regresijska analiza, koja predviđa povezane vrijednosti višestrukih, koreliranih varijabli na temelju dokazivanja ili opovrgavanja određene pretpostavke. Prediktivna analitika podrazumijeva prepoznavanje obrazaca u podacima kako bi se vjerovala projicirala, kaže Allison Snow, viša analitičarka B2B marketinga u Forresteru.

"Ključno je prepoznati da se analitika tiče vjerojatnosti, a ne apsoluti", objasnio je Snow, koji pokriva marketinški prostor predviđanja. "Za razliku od tradicionalne analitike, kada se primjenjuje prediktivna analitika, unaprijed se ne zna koji su podaci važni. Prediktivna analitika određuje koji podaci predviđaju ishod koji želite predvidjeti."

Razmislite o prodajnom predstavniku koji gleda vodeći profil na platformi za upravljanje odnosima s kupcima (CRM), poput Salesforce.com. Pretpostavimo da je pretpostavka da će vaš proizvod kupiti proizvod. Ostale pretpostavke su da su varijable trošak proizvoda, uloga vodeće tvrtke u poslovanju i trenutni omjer profitabilnosti tvrtke. Sada spojite te varijable u regresijsku jednadžbu i voila! Imate prediktivni model iz kojeg možete ekstrapolirati učinkovitu strategiju pitchinga i prodaje proizvoda na prave kanale.

Osim regresijske analize (zamršenosti i podskupovi o kojima možete govoriti u ovom temeljnom časopisu Harvard Business Review ), prediktivna analitika koristi i progresivno više podataka i ML. Iskopavanje podataka upravo je ono što zvuči: pregledavate velike skupove podataka kako biste otkrili obrasce i otkrili nove informacije. ML tehnike, s većom pravilnošću, postaju lonci za prosijavanje i grickalice za pronalazak zlatnih podataka. ML inovacije poput neuronskih mreža i algoritama dubokog učenja mogu obrađivati ​​ove nestrukturirane skupove podataka brže od tradicionalnog znanstvenika ili istraživača podataka i s većom i većom preciznošću kako algoritmi uče i poboljšavaju se. To je isti način na koji radi IBM Watson, a alati s otvorenim kodom kao što su Googleov TensorFlow i Microsoftov CNTK nude ML funkcionalnost na jednak način.

Velika promjena koja se temelji na procjeni prediktivnog analitičkog procvata nije samo napredovanje ML-a i AI-ja, već to što nisu samo znanstvenici podataka koji koriste ove tehnike. Alat za vizualizaciju BI i podataka, zajedno s organizacijama otvorenog koda poput Apache Software Foundation, alate za analizu velikih podataka čine pristupačnijim, učinkovitijim i jednostavnijim za upotrebu nego ikad prije. ML i alati za analizu podataka sada su samoposluživanje i u rukama je svakodnevnih poslovnih korisnika - od našeg prodavača koji analizira vodeće podatke ili izvršne vlasti koji pokušavaju dešifrirati tržišne trendove u odboru, pa sve do službe za korisnike i istraživanja zajedničkih bolničkih točaka boli i društvenih medija marketing menadžer procjenjujući demografske sljedbenike i društvene trendove kako bi kampanjom dosegli pravu ciljanu publiku. Ti su slučajevi upotrebe samo vrh ledenog brijega u istraživanju svih načina na koje prediktivna analitika mijenja posao, o čemu ćemo detaljnije ući u nastavku.

U skladu s tim, prediktivna analitika nije poput kristalne kugle ili sportskog almanaha Biffa Tannena od Povratak u budućnost 2. Algoritmi i modeli ne mogu prepoznati vaše poslovanje izvan sjene sumnje da će njegov sljedeći proizvod biti dobitnik milijardu dolara ili da se tržište sprema za spremanje. Podaci su još uvijek sredstvo za upućivanje u obrazovanju; jednostavno smo puno bolje obrazovani nego što smo nekad bili.

Razbijanje prediktivne, preskriptivne i opisne analitike

U drugom Forresterovom izvješću pod naslovom „Prediktivna analitika može infuzirati vaše aplikacije s„ nepoštenom prednosti “, glavni analitičar Mike Gualtieri ističe da je„ riječ analitika “u„ prediktivnoj analitici “pomalo pogrešna. Prediktivna analitika nije grana tradicionalne analitike poput izvješćivanja ili statističke analize. Riječ je o pronalaženju prediktivnih modela koje tvrtke mogu koristiti za predviđanje budućih poslovnih rezultata i / ili ponašanja kupaca."

Ukratko, Snow je objasnio da pojam "prediktivni" sam po sebi označava vjerojatnost za sigurnost, razbijajući krajolik alata za analitiku i kako se to pretvara u propisanu analitiku.

"Opisna analitika, iako nije osobito napredna, jednostavno bilježi stvari koje su se dogodile", rekao je Snow. "Deskriptivna ili povijesna analitika temelj je na kojem se može razviti algoritam. To su jednostavne metrike, ali često previše opsežne za upravljanje bez analitičkog alata.

"Općenito govoreći, nadzorne ploče i izvještavanje danas su najčešća upotreba prediktivne analitike unutar organizacija. Tim alatima često nedostaje veza s poslovnim odlukama, optimizacijom procesa, iskustvom korisnika ili bilo kojom drugom radnjom. Drugim riječima, modeli daju uvid, ali nisu eksplicitni upute što učiniti s njima. Propisivačka analitika je mjesto gdje uvid ispunjava radnju. Oni odgovaraju na pitanje: "Sada znam vjerojatnost ishoda što se može učiniti da utječem na njega u pozitivnom smjeru za mene", je li to sprečavanje kupac rasplamsati ili vjerovatno izvršiti prodaju."

Prognozna analitika je svuda

Kako se BI pejzaž razvija, prediktivna analitika pronalazi svoj put u sve više slučajeva poslovne upotrebe. Alati kao što su naš izbor urednika Tableau Desktop i Microsoft Power BI sport intuitivni dizajn i upotrebljivost, te velike zbirke podatkovnih konektora i vizualizacije kako bi se shvatilo ogromne količine podataka koje tvrtke uvoze iz izvora kao što su Amazon Elastic MapReduce (EMR), Google BigQuery i Hadoop distribucije od igrača poput Cloudera, Hortonworks i MapR. Ovi alati za samoposluživanje nemaju nužno dosad najnaprednije značajke predviđanja, ali Big Data čine mnogo manjim i jednostavnijim za analizu i razumijevanje.

Snow je rekao da danas postoji širok niz slučajeva korištenja prediktivne analitike u poslovanju, od otkrivanja prijevare na prodajnom mjestu (POS), automatskog prilagođavanja digitalnog sadržaja na temelju korisničkog konteksta radi pokretanja konverzija ili pokretanja proaktivnog korisničkog servisa za rizik izvori prihoda. U B2B marketingu, Snow kaže da poduzeća i mala i srednja poduzeća koriste prediktivni marketing iz istih razloga zbog kojih koriste bilo koju strategiju, taktiku ili tehnologiju: da bi pobijedili, zadržali i opslužili kupce bolje od onih koji to ne čine.

Držeći dublje, Snow je identificirao tri kategorije slučajeva korištenja B2B marketinga, za koje je rekla da dominiraju ranim prediktivnim uspjehom i da postavlja temelje za složeniju upotrebu prediktivne marketinške analitike.

1. Prediktivno bodovanje: Prednost prioriteta poznatim izgledima, potencijalnim potencijalnim klijentima i računima na temelju njihove vjerojatnosti poduzimanja mjera.

"Najčešća točka B2B marketinga u prediktivni marketing, prediktivno bodovanje dodaje znanstvenu, matematičku dimenziju uobičajenom prioritizaciji koje se oslanja na nagađanja, eksperimentiranje i iteraciju za dobivanje kriterija i ponderiranja", rekao je Snow. "Ovaj slučaj upotrebe pomaže prodavačima i trgovcima da brže identificiraju produktivne račune, troše manje vremena na račune za koje je manje vjerojatno da će ih pretvoriti i pokreću ciljane kampanje križne prodaje ili prodaje."

2. Modeli identifikacije: prepoznavanje i stjecanje perspektiva s atributima sličnim postojećim kupcima.

"U ovom slučaju, računi koji su pokazali željeno ponašanje (obavili kupnju, obnovili ugovor ili kupili dodatne proizvode i usluge) služe kao osnova identifikacijskog modela", rekao je Snow. „Ovaj slučaj upotrebe pomaže prodavačima i trgovcima da pronađu vrijedne izglede ranije u prodajnom ciklusu, otkriju nove trgovce, daju prednost postojećim računima za širenje i inicijativama marketinga utemeljenih na računu napajanja (ABM) dovođenjem na površinske račune za koje se opravdano može očekivati ​​da će biti osjetljiviji na prodajne i marketinške poruke."

3. Automatizirana segmentacija: vodi za segmente za personalizirano slanje poruka.

"B2B trgovci tradicionalno su bili u mogućnosti segmentirati samo generičke atribute, poput industrije, i učinili su to s takvim ručnim naporom da je personalizacija primijenjena samo na visoko prioritetne kampanje", rekao je Snow. "Sada se atributi koji se koriste za hranjenje algoritama za predviđanje sada mogu dodati u zapise računa kako bi podržali zamršenu i automatiziranu segmentaciju. Ovaj slučaj upotrebe pomaže prodavačima i trgovcima u izlaznoj komunikaciji s relevantnim porukama, omogućavaju značajne razgovore između prodaje i perspektiva i informišu strategiju sadržaja pametnije."

BI alati i okviri otvorenog koda, kao što je Hadoop, demokratiziraju podatke u cjelini, no osim B2B marketinga, prediktivna analitika također se ugrađuje u sve više i više softverskih platformi utemeljenih na oblaku u nizu industrija. Pogledajte internetsku web stranicu tvrtke EHarmony's Elevated Careers i nekoliko drugih dobavljača u prostoru "prediktivne analitike za zapošljavanje". Ove su platforme još uvijek vrlo rane, ali ideja korištenja podataka predviđa koji su tražitelji posla najprikladniji za specifične poslove, a tvrtke mogu izmisliti kako menadžeri ljudskih resursa zapošljavaju talente.

Pružatelji službe za pomoć, kao što je Zendesk, također su počeli dodavati mogućnosti prediktivne analitike kako bi se osigurao softver za pomoć. Tvrtka je svoju platformu ovjekovječila prediktivnim ovlastima kako bi pomogla službama za korisnike da uoči problematična područja pomoću podataka ranog sustava upozorenja pod nazivom Satisfaction Prediction. Značajka koristi algoritam ML za obradu rezultata ankete o zadovoljstvu, bacanje varijabli koje uključuju vrijeme za rješavanje karte, kašnjenje odgovora u službi kupca i specifične formulacije ulaznica u algoritam regresije za izračunavanje korisnikove projicirane ocjene zadovoljstva.

Također vidimo da prediktivna analitika daje velik utjecaj na suštinu industrijske razmjere i interneta stvari (IoT). Google koristi algoritme ML u svojim podatkovnim centrima za pokretanje prediktivnog održavanja na farmama poslužitelja koji pokreću javnu infrastrukturu oblaka Google Cloud Platform (GCP). Algoritmi koriste podatke o vremenu, opterećenju i drugim varijablama za preventivno podešavanje rashladnih crpki podatkovnog centra i značajno smanjuju potrošnju energije.

Ova vrsta prediktivnog održavanja postaje uobičajena i u tvornicama. Poduzetnička tehnološka poduzeća poput SAP-a nude platforme za predviđanje održavanja i servisiranja pomoću senzorskih podataka s spojenih IoT proizvodnih uređaja kako bi predvidjeli kada neki stroj prijeti mehaničkim problemima ili kvarom. Tehničke tvrtke poput Microsofta, također, istražuju održavanje predviđanja za zrakoplovne aplikacije, stavljajući Cortanu na analizu podataka senzora iz motora i komponenti zrakoplova.

Popis potencijalnih poslovnih aplikacija nastavlja se i nastavlja, od toga kako prediktivna analitika mijenja maloprodajnu industriju do fintech početnih poduzeća koristeći prediktivno modeliranje na analizi prijevara i rizika financijske transakcije. Samo smo se ogrebali po površini, na način na koji bi različite industrije mogle integrirati ovu vrstu analize podataka i dubine do kojih će alati i tehnike prediktivne analitike redefinirati kako poslujemo u skladu s evolucijom AI. Kako se približavamo istinskom preslikavanju umjetnog mozga, mogućnosti su beskrajne.