Прогнозована аналітика, великі дані та як змусити їх працювати для вас

Прогностична аналітика є практичним результатом Big Data та Business Intelligence (BI). Що ви робите, коли ваш бізнес збирає приголомшливі обсяги нових даних? Сьогоднішні бізнес-додатки заграють у горах нових клієнтів, ринку, соціального прослуховування та даних у реальному часі щодо додатків, хмари чи продукту. Прогностична аналітика - це один із способів використання всієї цієї інформації, отримання відчутних нових даних та випередження конкуренції.

Організації використовують прогностичну аналітику різними способами, від прогнозного маркетингу та майнінгу даних до застосування алгоритмів машинного навчання (МЛ) та штучного інтелекту (AI) для оптимізації бізнес-процесів та розкриття нових статистичних зразків. Це в основному комп'ютери, що навчаються на основі минулої поведінки про те, як покращити певні бізнес-процеси та дати нову інформацію про те, як реально функціонує ваша організація. Але перш ніж ми розібраємось у всіх захоплюючих способах, якими підприємства та технологічні компанії використовують прогностичну аналітику, щоб заощадити час, заощадити гроші та отримати перевагу перед рештою ринку, важливо поговорити про те, що саме є прогностичною аналітикою, а що ні .

Що таке прогнозна аналітика?

Прогнозована аналітика - це не чорно-біла концепція чи дискретна особливість сучасних менеджерів баз даних. Це купа технологій аналізу даних та статистичних методів, зібраних під одним банером. Основна методика - це регресійний аналіз, який передбачає пов'язані значення декількох, співвіднесених змінних на основі доведення або спростування певного припущення. Прогнозна аналітика - це визнання шаблонів даних для прогнозування ймовірності, стверджує Еллісон Сноу, старший аналітик B2B-маркетингу в компанії Forrester.

"Ключовим є визнання того, що аналітика стосується ймовірностей, а не абсолютів", - пояснив Сноу, який висвітлює прогностичний маркетинговий простір. "На відміну від традиційної аналітики, застосовуючи прогностичну аналітику, заздалегідь не відомо, які дані важливі. Прогностична аналітика визначає, які дані є прогнозуючими результатів, які ви хочете передбачити".

Подумайте про торгового представника, який дивиться на головний профіль на платформі управління відносинами з клієнтами (CRM), наприклад Salesforce.com. Скажімо, припущення, що ведучий купить ваш товар. Інші припущення полягають у тому, що змінні - це вартість товару, роль провідного бізнесу в бізнесі та поточний коефіцієнт прибутковості компанії. Тепер з'єднайте ці змінні в рівняння регресії та вуаля! У вас є прогнозована модель, з якої можна екстраполювати ефективну стратегію пітчингу та продажу товару в потрібних місцях.

Окрім регресійного аналізу (тонкощі та підмножини, про які ви можете розповісти в цьому букварі « Гарвардський бізнес-огляд» ), прогнозна аналітика також використовує прогресивно більше видобутку даних та ML. Обмін даними - це саме те, що звучить: ви вивчаєте великі набори даних, щоб виявити закономірності та виявити нову інформацію. Методи ML, з більшою регулярністю, стають просіювачами і пробірками для пошуку золотих самородків даних. Інновації ML, такі як нейронні мережі та алгоритми глибокого навчання, можуть обробляти ці неструктуровані набори даних швидше, ніж традиційний науковець даних або дослідник, і з більшою і більшою точністю, оскільки алгоритми навчаються та вдосконалюються. Аналогічно працює IBM Watson, а набори інструментів з відкритим кодом, такі як TensorFlow від Google та CNTK Microsoft, пропонують функціонал ML в одній і тій же лінії.

Велика зміна, пов'язана з прогнозним аналітичним бумом, полягає не лише в просуванні ML та AI, але й у тому, що це не лише вчені, що використовують ці методи. Інструменти візуалізації BI та даних, а також такі організації з відкритим кодом, як Apache Software Foundation, роблять інструменти аналізу великих даних більш доступними, ефективнішими та легшими у використанні, ніж будь-коли раніше. Інструменти для аналізу ML та даних тепер є самообслуговуванням та в руках повсякденних ділових користувачів - від нашого продавця, який аналізує дані провідних клієнтів, або виконавця, який намагається розшифрувати тенденції ринку в залі засідань, до респондента служби обслуговування клієнтів, який вивчає загальні больові точки клієнта та соціальні медіа менеджер з маркетингу оцінює демографічні показники та соціальні тенденції для досягнення цільової аудиторії за допомогою кампанії. Ці випадки використання є лише вершиною айсберга при дослідженні всіх способів прогнозованої аналітики змінювати бізнес, про багато іншого з якого ми розберемося нижче.

Однак, прогностична аналітика не схожа на кришталевий куля або спортивний альманах Біффа Таннена " Повернення до майбутнього" 2. Алгоритми та моделі не можуть розповісти про ваш бізнес поза тінню сумнівів, що його наступний продукт стане переможцем на мільярд доларів або що ринок збирається танк. Дані все ще є засобом зробити освіту здогадкою; ми просто набагато краще освічені, ніж раніше.

Порушення прогнозної, приписної та описової аналітики

В іншому звіті Forrester під назвою "Прогнозована аналітика може вплинути на ваші програми на" несправедливу перевагу ", головний аналітик Майк Гуалтьєрі вказує, що" слово "аналітика" в "прогнозованій аналітиці" є дещо помилковим. Прогностична аналітика не є галуззю традиційної аналітики, такою як звітність чи статистичний аналіз. Йдеться про пошук прогнозних моделей, які фірми можуть використовувати для прогнозування майбутніх результатів бізнесу та / або поведінки клієнтів ".

Коротше кажучи, Сноу пояснив, що термін "прогнозування" по суті позначає ймовірність впевненості, руйнуючи аналітичний інструментарій ландшафту та те, як він перетворюється на наказову аналітику.

"Описова аналітика, хоча і не особливо" передова ", просто фіксує речі, що сталися", - сказав Сноу. "Описова чи історична аналітика - це основа, на якій може бути розроблений алгоритм. Це прості показники, але часто занадто об'ємні, щоб керувати без інструмента аналізу.

"Взагалі кажучи, інформаційні панелі та звітність є найпоширенішим використанням для прогнозованої аналітики в рамках організацій сьогодні. Ці інструменти часто не мають зв'язку з бізнес-рішеннями, оптимізацією процесів, досвідом клієнтів або будь-якими іншими діями. Іншими словами, моделі дають уявлення, але не явні. інструкції щодо того, що з ними робити. Аналітика аналітики - це те, коли прозорливість відповідає діям. Вони відповідають на питання: "Зараз я знаю ймовірність результату, що можна зробити, щоб вплинути на нього у позитивному для мене напрямку", чи не заважає це клієнт збиває або робить продаж більш імовірним ".

Прогнозована аналітика є скрізь

У міру розвитку ландшафту BI прогностична аналітика знаходить все більше і більше випадків використання бізнесу. Інтуїтивно зрозумілий дизайн та зручність користування такими інструментами, як наш вибір редакторів та настільний робочий стіл Microsoft Power BI, а також великі колекції роз'ємів даних та візуалізацій, щоб зрозуміти великі обсяги імпорту даних з таких джерел, як Amazon Elastic MapReduce (EMR), Google Дистрибуції BigQuery та Hadoop від таких гравців, як Cloudera, Hortonworks і MapR. Ці інструменти самообслуговування не обов'язково мають найсучасніші функції прогнозованої аналітики поки, але вони роблять Big Data набагато меншими та простішими для аналізу та розуміння.

Сноу заявив, що сьогодні існує широкий ряд випадків використання для прогнозної аналітики в бізнесі: від виявлення шахрайства на торгових точках (POS), автоматичного налаштування цифрового вмісту на основі контексту користувача для здійснення конверсій, або ініціативного обслуговування клієнтів для ризику джерела доходу. У маркетингу B2B, Сноу заявив, що підприємства та малі та середні підприємства використовують прогностичний маркетинг з тих же причин, що вони використовують будь-яку стратегію, тактику чи технологію: щоб виграти, утримати та обслуговувати клієнтів краще, ніж ті, хто цього не робить.

Заглиблюючись глибше, Сноу визначив три категорії випадків використання маркетингу B2B, за її словами, домінують на ранніх прогнозованих успіхах і заклали основу для більш складного використання прогнозної маркетингової аналітики.

1. Прогнозний підрахунок балів: визначення пріоритетності відомих перспектив, потенційних клієнтів та рахунків виходячи з їхньої ймовірності вжити заходів.

"Найпоширеніша точка входу для B2B-маркетологів в прогнозний маркетинг, прогнозована оцінка додає науково-математичний вимір звичайній пріоритетності, яка покладається на спекуляцію, експерименти та ітерацію для отримання критеріїв і зважування", - сказав Сноу. "Цей випадок використання допомагає продавцям та маркетологам швидше визначати продуктивні рахунки, витрачати менше часу на рахунки, що мають меншу ймовірність конверсії, та ініціювати цільові кампанії з перехресного продажу або продажу."

2. Моделі ідентифікації: ідентифікація та придбання перспектив з атрибутами, подібними до існуючих клієнтів.

"У цьому випадку використання рахунки, які демонстрували бажану поведінку (здійснили покупку, поновили контракт або придбали додаткові товари та послуги), служать основою ідентифікаційної моделі", - сказав Сноу. "Цей випадок використання допомагає продавцям та маркетологам знайти цінні перспективи на початку циклу продажів, виявити нових маркетологів, визначити пріоритет існуючих облікових записів для розширення та ініціативи маркетингу на основі енергетичних рахунків (ABM) шляхом виведення на поверхневі рахунки, на які можна обґрунтовано очікувати. більш сприйнятливі до продажів та маркетингових повідомлень ".

3. Автоматизована сегментація: сегменти для персоналізованих повідомлень.

"Маркетологи на B2B традиційно змогли сегментувати лише загальні ознаки, як, наприклад, промисловість, і зробили це з такими ручними зусиллями, що персоналізація застосовувалася лише до високообов’язкових кампаній", - сказав Сноу. "Тепер атрибути, що використовуються для подачі алгоритмів прогнозування, тепер можуть бути додані до записів облікових записів для підтримки як заплутаної, так і автоматизованої сегментації. Цей випадок використання допомагає продавцям та маркетологам виводити вихідні комунікації з відповідними повідомленнями, забезпечувати істотні розмови між продажами та перспективами та інформувати контент-стратегію більш розумно ».

Інструменти BI та рамки з відкритим кодом, такі як Hadoop, демократизують дані в цілому, але, крім маркетингу B2B, прогнозована аналітика також вкладається у все більш і більше хмарних програмних платформ у багатьох галузях. Візьміть веб-сайт компанії EHarmony's Elevated Careers на сайті електронних знайомств та жменю інших постачальників у космосі "прогностична аналітика для найму". На цих платформах ще дуже багато, але ідея використовувати дані для прогнозування того, хто шукає роботу найкраще підходить для конкретних робочих місць, а компанії мають потенціал винаходити, як менеджери з персоналу (HR) набирають таланти.

Постачальники служб довідкової служби, такі як Zendesk, також почали додавати можливості прогнозування аналітики для програмного забезпечення служб. Компанія наділила свою платформу передбачуваними повноваженнями, щоб допомогти сервісному обслуговуванню клієнтів повторно виявити проблемні зони за допомогою керованої даними системи раннього попередження під назвою «Прогнозування задоволення». Ця функція використовує алгоритм ML для обробки результатів опитування задоволеності, викидання змінних, включаючи час для вирішення квитка, затримку відповіді на обслуговування клієнтів та конкретні формулювання квитка, в алгоритм регресії для обчислення прогнозованого рейтингу задоволеності клієнта.

Ми також бачимо, що прогностична аналітика робить великий вплив на підсумки в промислових масштабах та в Інтернеті речей (IoT). Google використовує алгоритми ML у своїх центрах обробки даних для запуску прогнозного обслуговування на фермах серверів, що живлять загальнодоступну хмарну інфраструктуру Google Cloud Platform (GCP). Алгоритми використовують дані про погоду, навантаження та інші змінні для того, щоб налагодити насосні системи охолодження насосних центрів даних та значно знизити енергоспоживання.

Цей вид прогнозного обслуговування стає звичним і на заводах. Підприємства, що займаються технологічними технологіями, такі як SAP пропонують передбачувані платформи технічного обслуговування та обслуговування, використовуючи дані сенсорів із підключених виробничих пристроїв IoT, щоб передбачити, коли машина загрожує механічними проблемами або несправністю. Технологічні компанії, такі як Microsoft, також вивчають прогностичне обслуговування аерокосмічних додатків, і Кортана працює над аналізом даних сенсорів з двигунів літаків і компонентів.

Список потенційних бізнес-додатків продовжується і продовжується, від того, як прогностична аналітика змінює галузь роздрібної торгівлі до стартапів fintech, використовуючи прогностичне моделювання аналізу шахрайства та ризику фінансових транзакцій. Ми лише подряпали поверхню, як способи різних галузей могли інтегрувати цей тип аналізу даних, так і глибини, до яких інструменти та методи прогностичної аналітики зможуть переосмислити, як ми ведемо свою діяльність разом з еволюцією ШІ. По мірі того, як ми наближаємось до справжнього відображення штучного мозку, можливості нескінченні.