Nuspėjama analizė, dideli duomenys ir kaip priversti juos dirbti jums

Nuspėjamoji analizė yra „Big Data“ ir verslo intelekto (BI) praktinis rezultatas. Ką jūs darote, kai jūsų verslas surenka stulbinamą kiekį naujų duomenų? Šiandienos verslo programos yra daugybė naujų klientų, rinkos, socialinio klausymo ir realiojo laiko programų, debesų ar produkto našumo duomenų. Nuspėjamoji analizė yra vienas iš būdų panaudoti visą tą informaciją, įgyti apčiuopiamų naujų įžvalgų ir išlikti prieš varžybas.

Organizacijos naudoja nuspėjamąją analizę įvairiais būdais, pradedant numatomąja rinkodara ir duomenų gavyba, baigiant mašininio mokymosi (ML) ir dirbtinio intelekto (AI) algoritmų taikymu, siekiant optimizuoti verslo procesus ir atskleisti naujus statistinius modelius. Iš esmės kompiuteriai mokosi iš ankstesnio elgesio, kaip geriau atlikti tam tikrus verslo procesus ir suteikti naujų įžvalgų, kaip jūsų organizacija iš tikrųjų veikia. Tačiau prieš pradedant domėtis visais įdomiais būdais, kaip įmonės ir technologijų įmonės naudoja prognozuojamąją analizę, kad sutaupytumėte laiko, sutaupytumėte pinigų ir įgytumėte pranašumo likusioje rinkoje, svarbu kalbėti apie tai, kas tiksliai yra numatomoji analizė, o kas ne..

Kas yra nuspėjamoji analizė?

Nuspėjamoji analizė nėra juodai balta koncepcija ar atskira šiuolaikinių duomenų bazių tvarkytojų savybė. Tai krūva duomenų analizės technologijų ir statistinių metodų, sukauptų po viena reklamjuoste. Pagrindinis metodas yra regresinė analizė, kurios metu prognozuojamos susijusios, daugelio koreliuotų kintamųjų vertės, remiantis tam tikros prielaidos įrodymu ar paneigimu. Pasak „Forrester“, B2B rinkodaros vyresniojo analitiko Allisono Snovo, numatoma analitika yra duomenų atpažinimas pagal projekto tikimybę.

„Svarbiausia pripažinti, kad analitika yra susijusi su tikimybėmis, o ne su absoliutais“, - aiškino Sniegas, apimantis prognozuojamą rinkodaros erdvę. "Skirtingai nuo tradicinės analizės, taikant prognozavimo analizę, iš anksto nežinoma, kokie duomenys yra svarbūs. Nuspėjamoji analizė nustato, kokie duomenys prognozuoja rezultatą, kurį norite numatyti."

Pagalvokite apie pardavimų atstovą, ieškantį pagrindinio profilio ryšių su klientais valdymo (CRM) platformoje, pavyzdžiui, Salesforce.com. Tarkime, kad daroma prielaida, kad pirkėjas pirks jūsų produktą. Kitos prielaidos yra tai, kad kintamieji yra produkto savikaina, lyderio vaidmuo versle ir dabartinis bendrovės pelningumo koeficientas. Dabar suskirstykite tuos kintamuosius į regresijos lygtį ir voila! Turite nuspėjamąjį modelį, pagal kurį galima ekstrapoliuoti efektyvią strategiją, leidžiančią parodyti ir parduoti produktą į dešinę.

Be regresinės analizės (apie sudėtingas dalis ir pogrupius, apie kuriuos galite sužinoti šiame Harvardo verslo apžvalgos apraše), prognozinėje analitikoje taip pat naudojama vis daugiau duomenų gavybos ir ML. Duomenų gavyba yra būtent tai, kas atrodo: tiriate didelius duomenų rinkinius, norėdami sužinoti modelius ir atskleisti naują informaciją. ML metodai, reguliariau dirbant, tampa sijojamosiomis keptuvėmis ir kirtikliais auksiniams duomenų grynuoliams surasti. ML naujovės, tokios kaip neuroniniai tinklai ir giluminio mokymosi algoritmai, gali šiuos nestruktūrizuotus duomenų rinkinius apdoroti greičiau nei tradicinius duomenų mokslininkus ar tyrinėtojus, o didesnį ir didesnį tikslumą, kai algoritmai mokosi ir tobulėja. „IBM Watson“ veikia taip pat, o atvirojo kodo įrankių rinkiniai, tokie kaip „Google“ „TensorFlow“ ir „Microsoft“ CNTK, siūlo ML funkcijas tomis pačiomis linijomis.

Didelis pokytis, įeinantis į prognozuojamą analizės bumą, yra ne tik ML ir AI progresas, bet ir tai, kad šiuos metodus naudoja ne tik duomenų mokslininkai. BI ir duomenų vizualizacijos įrankiai kartu su atvirojo kodo organizacijomis, tokiomis kaip „Apache Software Foundation“, daro „Big Data“ analizės įrankius prieinamesnius, efektyvesnius ir lengviau naudojamus nei bet kada anksčiau. ML ir duomenų analizės priemonės yra savitarnos paslaugos ir yra kasdienio verslo vartotojų rankose - nuo mūsų pardavėjo, analizuojančio pagrindinius duomenis, ar vykdomosios valdžios, bandančios iššifruoti rinkos tendencijas posėdžių salėje, iki klientų aptarnavimo atstovo, tiriančio įprastus klientų skausmo taškus ir socialinę žiniasklaidą. rinkodaros vadybininkas įvertina sekėjų demografinius rodiklius ir socialines tendencijas, kad kampanija pasiektų reikiamą tikslinę auditoriją. Šie naudojimo atvejai yra tik ledkalnio viršūnė tiriant visus būdus, kaip prognozinė analizė keičia verslą, apie kuriuos dar pateksime toliau.

Taigi prognozuojanti analizė nėra panaši į krištolo rutulį ar Bifo Tanneno sportinį almanachą iš „ Atgal į ateitį 2. Algoritmai ir modeliai negali pasakyti jūsų verslui už abejonių, kad kitas produktas bus milijardo dolerių laimėtojas. arba kad rinka ruošiasi tankuoti. Duomenys vis dar yra priemonė tinkamai atspėti; mes tiesiog daug geriau išsilavinę nei buvome anksčiau.

Nuspėjamos, aprašomosios ir aprašomosios analizės pažeidimas

Kitoje „Forrester“ ataskaitoje, pavadintoje „Nuspėjamoji analizė gali pakenkti jūsų programoms naudodama nesąžiningą pranašumą“, vyriausiasis analitikas Mike'as Gualtieri pabrėžia, kad žodis „analytics“ „nuspėjamojoje analitikoje“ yra šiek tiek klaidinga. Nuspėjamoji analizė nėra tokios tradicinės analizės šaka, kaip ataskaitų teikimas ar statistinė analizė. Tai yra apie prognozavimo modelių, kuriuos įmonės gali naudoti numatydamos būsimus verslo rezultatus ir (arba) klientų elgesį, paiešką “.

Trumpai tariant, Sniegas paaiškino, kad terminas „nuspėjamasis“ iš esmės reiškia tikrumo tikimybę, suskaidydamas analizės įrankių kraštovaizdį ir tai, kaip jis paverčiamas receptiniais analitikais.

„Apibūdinanti analizė, nors ir nėra ypač„ pažengusi “, tiesiog fiksuoja įvykius“, - teigė Sniegas. Aprašomoji ar istorinė analizė yra pagrindas, ant kurio gali būti kuriamas algoritmas. Tai yra paprasta metrika, tačiau dažnai ji yra per daug talpi, kad ją būtų galima valdyti be analizės įrankio.

"Apskritai, informacijos skydai ir ataskaitos yra dažniausiai naudojami prognozuojamai analizei organizacijose. Šioms priemonėms dažnai trūksta ryšio su verslo sprendimais, proceso optimizavimu, klientų patirtimi ar bet kokiais kitais veiksmais. Kitaip tariant, modeliai pateikia įžvalgas, bet nėra aiškūs. Nurodymai, ką su jais daryti. Receptyvinė analizė yra ta vieta, kur įžvalga susitinka su veiksmais. Jie atsako į klausimą: „Aš dabar žinau rezultato tikimybę, ką galima padaryti norint paveikti jį man teigiama linkme“, ar tai trukdo klientų keiksmas ar pardavimo tikimybė “.

Nuspėjamoji „Analytics“ yra visur

Besikeičiant BI aplinkai, nuspėjamoji analizė atranda kelią į vis daugiau verslo naudojimo atvejų. Įrankiai, tokie kaip mūsų redaktorių pasirinkimas „Tableau Desktop“ ir „Microsoft Power BI“, sukuria intuityvų dizainą ir naudojimą, dideli duomenų jungčių ir vizualizacijų rinkiniai, siekiant įprasminti didžiulius duomenų kiekius, kuriuos verslo įmonės importuoja iš tokių šaltinių, kaip „Amazon Elastic MapReduce“ (EMR), „Google“. „BigQuery“ ir „Hadoop“ platinimai iš tokių žaidėjų kaip „Cloudera“, „Hortonworks“ ir „MapR“. Šie savitarnos įrankiai dar nebūtinai turi pačias pažangiausias prognozavimo analizės funkcijas, tačiau dėl jų „Big Data“ yra daug mažesni, juos lengviau analizuoti ir suprasti.

Sniegas teigė, kad šiandien versle galima rasti daugybę numatomosios analizės atvejų: pradedant nuo sukčiavimo pardavimo vietoje (POS) nustatymo, automatiškai pritaikant skaitmeninį turinį atsižvelgiant į vartotojo kontekstą, siekiant paskatinti konversijas, arba inicijuojant aktyvią klientų aptarnavimą rizikingai pajamų šaltiniai. Vykdydamas B2B rinkodarą, „Snow“ teigė, kad įmonės ir mažos ir vidutinės įmonės naudoja numatomąją rinkodarą dėl tų pačių priežasčių, kurios naudoja bet kokią strategiją, taktiką ar technologijas: norint laimėti, išlaikyti ir aptarnauti klientus geriau nei tuos, kurie to nedaro.

Pažvelgdama giliau, Snow nustatė tris B2B rinkodaros naudojimo atvejų kategorijas, jos teigimu, jos dominavo ankstyvoje prognozuojamoje sėkmėje ir padėjo pagrindą sudėtingesniam numatomos rinkodaros analizės naudojimui.

1. Nuspėjamasis balų nustatymas: prioritetų nustatymas žinomoms perspektyvoms, klientams ir sąskaitoms atsižvelgiant į jų tikimybę imtis veiksmų.

„Dažniausias B2B rinkodaros įžengimo taškas į numatomą rinkodarą, numatomasis balų vertinimas prideda mokslinį, matematinį aspektą įprastam prioritetų nustatymui, kuris remiasi spekuliacijomis, eksperimentavimu ir iteracija kriterijams ir svoriams apskaičiuoti“, - teigė Snow. "Šis naudojimo atvejis padeda pardavėjams ir rinkodaros specialistams greičiau nustatyti produktyvias paskyras, mažiau laiko praleisti sąskaitose, kurios mažiau linkusios konvertuoti, ir inicijuoti tikslines kryžminio pardavimo ar pardavimo kampanijas."

2. Identifikavimo modeliai: potencialių klientų identifikavimas ir įgijimas su atributais, panašiais į esamus klientus.

„Šiuo naudojimo atveju sąskaitos, kuriose buvo parodytas norimas elgesys (įsigyta prekė, atnaujinta sutartis ar nupirkti papildomi produktai ir paslaugos), yra identifikavimo modelio pagrindas“, - teigė Sniegas. „Šis naudojimo atvejis padeda pardavėjams ir rinkodaros specialistams rasti vertingų perspektyvų anksčiau pardavimo ciklo metu, atskleisti naujus rinkodaros specialistus, suteikti prioritetą esamoms sąskaitoms plėtrai ir„ power account-based marketing “(ABM) iniciatyvoms, pateikiant į paviršių sąskaitas, kurių pagrįstai galima tikėtis. labiau linkę į pardavimo ir rinkodaros pranešimus “.

3. Automatizuotas segmentavimas: segmentai vedami asmeniniams pranešimams.

„B2B rinkodaros specialistai tradiciškai sugebėjo segmentuoti tik pagal bendrus atributus, tokius kaip pramonė, ir tai darė su tokiomis rankomis, kad personalizavimas buvo taikomas tik labai prioritetinėms kampanijoms“, - teigė Sniegas. "Dabar atributus, naudojamus numatomiesiems algoritmams pateikti, dabar galima pridėti prie sąskaitos įrašų, kad būtų galima palaikyti ir sudėtingą, ir automatizuotą segmentą. Šis naudojimo atvejis padeda pardavėjams ir rinkodaros specialistams nukreipti siunčiamąjį ryšį, įgalina esminius pokalbius tarp pardavimų ir perspektyvų bei informuoja turinio strategiją. protingiau “.

BI įrankiai ir atvirojo kodo sistemos, tokios kaip „Hadoop“, yra visų duomenų demokratizavimas, tačiau, be B2B rinkodaros, nuspėjamoji analizė taip pat kepama vis daugiau debesų programinės įrangos platformų daugelyje pramonės sričių. Pažvelkite į internetinių pažinčių kompanijos „eHarmony“ padidintos karjeros svetainę ir daugybę kitų pardavėjų erdvėje „Nuspėjama analizė nuomai“. Šios platformos vis dar yra labai ankstyvos, tačiau idėja panaudoti duomenis siekiant nuspėti, kurie ieškantys darbo yra tinkamiausi konkretiems darbams ir įmonėms, gali iš naujo išrasti, kaip žmogiškųjų išteklių (HR) vadovai įdarbina talentus.

Pagalbos tarnybų teikėjai, tokie kaip „Zendesk“, taip pat pradėjo papildyti nuspėjamąsias analitines galimybes pagalbos tarnybos programinei įrangai. Bendrovė pritaikė savo numatymo galią turinčią platformą, kad padėtų klientų aptarnavimo specialistams pastebėti problemines sritis, naudodamasi duomenimis pagrįstą išankstinio perspėjimo sistemą, vadinamą „Patenkinimo prognozavimas“. Ši savybė naudoja ML algoritmą, kad apdorotų pasitenkinimo apklausos rezultatus, įmesdama kintamuosius, įskaitant laiką bilietui išspręsti, klientų aptarnavimo atsako vėlavimą ir konkrečią bilieto formuluotę į regresijos algoritmą, kad apskaičiuotų kliento prognozuojamą pasitenkinimo reitingą.

Taip pat matome, kad nuspėjamoji analizė daro didelę įtaką pramonei ir daiktų internetui (IoT). „Google“ duomenų centruose naudoja ML algoritmus, kad vykdytų numatomą priežiūrą serverių fermose, maitinančiose jos „Google Cloud Platform“ (GCP) viešąją debesų infrastruktūrą. Algoritmai naudoja duomenis apie orą, apkrovą ir kitus kintamuosius, kad būtų galima pritaikyti duomenų centro aušinimo siurblius ir reikšmingai sumažinti energijos sąnaudas.

Tokia numatoma priežiūra tampa įprasta ir gamyklose. Įmonių technologijų įmonės, tokios kaip SAP, siūlo nuspėjamąsias priežiūros ir aptarnavimo platformas, naudojančias jutiklių duomenis iš prijungtų daiktų internetinės gamybos prietaisų, kad būtų galima numatyti, kada mašinai gresia mechaninės problemos ar gedimas. Technikos kompanijos, tokios kaip „Microsoft“, taip pat tiria nuspėjamąją kosmoso programų priežiūrą, įpareigodamos „Cortana“ analizuoti orlaivių variklių ir komponentų jutiklių duomenis.

Tęsiamas galimų verslo programų sąrašas, pradedant nuo to, kaip prognozavimo analizė keičia mažmeninę prekybą į fintech pradedančiąsias įmones, naudojant prognozuojamą sukčiavimo analizės ir finansinių operacijų rizikos modeliavimą. Mes tik subraižėme paviršių, ir tuo, kaip skirtingos pramonės šakos galėjo integruoti tokio tipo duomenų analizę, ir išsamumą, iki kurio numatomosios analizės priemonės ir metodai paaiškins, kaip mes vykdome verslą kartu su AI raida. Artėjant prie dirbtinių smegenų žemėlapio sudarymo, galimybės yra begalinės.