Дом Бизнес Прогнозная аналитика, большие данные и как заставить их работать на вас

Прогнозная аналитика, большие данные и как заставить их работать на вас

Видео: Мультики про машинки новые серии 2017 - Кто сильнее! Лучшие мультфильмы для детей /#мультик игра (Ноябрь 2024)

Видео: Мультики про машинки новые серии 2017 - Кто сильнее! Лучшие мультфильмы для детей /#мультик игра (Ноябрь 2024)
Anonim

Прогнозная аналитика является практическим результатом больших данных и бизнес-аналитики (BI). Что вы делаете, когда ваш бизнес собирает ошеломляющие объемы новых данных? Сегодняшние бизнес-приложения сгребают в кучу данных о новых клиентах, рынке, социальных сетях и данных о производительности приложений, облаков или продуктов в реальном времени. Прогнозная аналитика - это один из способов использовать всю эту информацию, получить осязаемые новые идеи и опередить конкурентов.

Организации используют прогнозирующую аналитику различными способами, от прогнозирующего маркетинга и интеллектуального анализа данных до применения алгоритмов машинного обучения (ML) и искусственного интеллекта (AI) для оптимизации бизнес-процессов и выявления новых статистических моделей. Это в основном компьютеры, которые учатся на прошлом поведении о том, как лучше выполнять определенные бизнес-процессы и дают новое представление о том, как на самом деле функционирует ваша организация. Но прежде чем мы рассмотрим все увлекательные способы, которыми предприятия и технологические компании используют прогнозную аналитику, чтобы сэкономить время, сэкономить деньги и получить преимущество над остальным рынком, важно поговорить о том, что такое прогностическая аналитика, а что нет.,

Что такое прогнозирующая аналитика?

Прогнозная аналитика не является черно-белой концепцией или дискретной особенностью современных менеджеров баз данных. Это набор технологий анализа данных и статистических методов, скрученных под одним баннером. Основным методом является регрессионный анализ, который прогнозирует связанные значения нескольких коррелированных переменных на основе доказательства или опровержения конкретного предположения. Прогнозирующая аналитика - это распознавание закономерностей в данных для вероятности проекта, по словам Аллисон Сноу, старшего аналитика B2B-маркетинга в Forrester.

«Важно понимать, что аналитика основана на вероятностях, а не на абсолютах», - объясняет Сноу, который занимается прогнозным маркетингом. «В отличие от традиционной аналитики, при применении прогнозной аналитики заранее неизвестно, какие данные важны. Прогнозная аналитика определяет, какие данные прогнозируют результат, который вы хотите предсказать».

Подумайте о торговом представителе, который рассматривает ведущий профиль в платформе управления взаимоотношениями с клиентами (CRM), такой как Salesforce.com. Допустим, предположение, что ваш продукт будет покупать лидерство. Другие предположения состоят в том, что переменными являются стоимость продукта, роль лидера в бизнесе и текущий коэффициент прибыльности компании. Теперь добавьте эти переменные в уравнение регрессии и вуаля! У вас есть прогностическая модель, из которой можно экстраполировать эффективную стратегию подачи и продажи продукта по правильным направлениям.

Помимо регрессионного анализа (тонкости и подмножества которых вы можете найти в этом учебном пособии по Harvard Business Review ), в прогнозирующей аналитике также используется все больше данных и интеллектуальный анализ данных. Интеллектуальный анализ данных - это то, на что это похоже: вы исследуете большие наборы данных, чтобы обнаружить шаблоны и раскрыть новую информацию. Методы ML с большей регулярностью становятся ситами и кирками для поиска слепков данных золота. Инновации ML, такие как нейронные сети и алгоритмы глубокого обучения, могут обрабатывать эти неструктурированные наборы данных быстрее, чем традиционный ученый или исследователь данных, и с большей и большей точностью по мере обучения и совершенствования алгоритмов. Это то же самое, что и IBM Watson, и наборы инструментов с открытым исходным кодом, такие как Google TensorFlow и Microsoft CNTK, предлагают функциональность ML в том же духе.

Большое изменение, вызвавшее бум предиктивной аналитики, заключается не только в продвижении ML и AI, но и в том, что эти методы больше не используются только учеными-данными. Инструменты BI и визуализации данных, а также организации с открытым исходным кодом, такие как Apache Software Foundation, делают инструменты анализа больших данных более доступными, эффективными и более простыми в использовании, чем когда-либо прежде. ML и инструменты анализа данных теперь самообслуживаются и находятся в руках обычных бизнес-пользователей - от нашего продавца, анализирующего данные о потенциальных клиентах, до руководителя, пытающегося расшифровать рыночные тенденции в зале заседаний, до представителя службы поддержки, исследующего общие болевые точки клиента и социальные сети. менеджер по маркетингу оценивает демографическую и социальную динамику подписчиков, чтобы охватить целевую аудиторию с помощью кампании. Эти варианты использования - только вершина айсберга в изучении всех способов, которыми предиктивная аналитика меняет бизнес, многие из которых мы рассмотрим ниже.

Тем не менее, прогнозная аналитика не похожа на хрустальный шар или спортивный альманах Биффа Таннена « Назад в будущее» 2. Алгоритмы и модели не могут рассказать вашему бизнесу, даже не сомневаясь в том, что его следующий продукт выиграет миллиард долларов или что рынок собирается танк. Данные по-прежнему являются средством сделать обоснованное предположение; мы просто намного лучше образованы, чем раньше.

Разрушение прогнозирующей, предписывающей и описательной аналитики

В другом отчете Forrester, озаглавленном «Предсказательная аналитика может придать вашим приложениям« несправедливое преимущество », « главный аналитик Майк Гуалтьери указывает на то, что «слово« аналитика »в« предиктивной аналитике »является немного неправильным. Прогнозная аналитика не является отраслью традиционной аналитики, такой как отчетность или статистический анализ. Речь идет о поиске прогностических моделей, которые фирмы могут использовать для прогнозирования будущих результатов бизнеса и / или поведения клиентов ".

Короче говоря, Сноу объяснил, что термин «прогнозирующий» по своей сути обозначает вероятность сверх определенности, разрушая ландшафт инструментов аналитики и его влияние на предписывающую аналитику.

«Описательная аналитика, хотя и не особенно« продвинутая », просто фиксирует события, которые произошли», - сказал Сноу. «Описательная или историческая аналитика - это основа, на которой может быть разработан алгоритм. Это простые метрики, но зачастую слишком объемные, чтобы обойтись без аналитического инструмента».

«Вообще говоря, информационные панели и отчеты являются наиболее распространенным на сегодняшний день средством для прогнозной аналитики в организациях. Этим инструментам часто не хватает связи с бизнес-решениями, оптимизацией процессов, взаимодействием с клиентами или любыми другими действиями. Другими словами, модели дают понимание, но не являются явными инструкции о том, что с ними делать. Предписательная аналитика - это место, где проницательность встречается с действием. Они отвечают на вопрос: «Теперь я знаю вероятность результата, что можно сделать, чтобы повлиять на него в положительном для меня направлении», предотвращает ли это отток клиентов или более вероятная сделка ».

Прогнозирующая аналитика везде

По мере развития ландшафта бизнес-аналитики прогнозирующая аналитика находит свое применение во все большем количестве случаев использования в бизнесе. Такие инструменты, как «Выбор редакции», Tableau Desktop и Microsoft Power BI, отличаются интуитивно понятным дизайном и удобством использования, а также большими коллекциями коннекторов данных и визуализаций для понимания огромных объемов данных, импортируемых предприятиями из таких источников, как Amazon Elastic MapReduce (EMR), Google Дистрибутивы BigQuery и Hadoop от таких игроков, как Cloudera, Hortonworks и MapR. Эти инструменты самообслуживания не обязательно имеют самые продвинутые функции прогнозной аналитики, но они делают большие данные намного меньше и их легче анализировать и понимать.

Сноу сказал, что сегодня существует широкий спектр вариантов использования для прогнозной аналитики в бизнесе: от обнаружения мошенничества в точках продаж (POS), автоматической настройки цифрового контента на основе контекста пользователя до конверсий или от проактивного обслуживания клиентов для группы риска. источники дохода. В маркетинге B2B Сноу сказал, что предприятия и малые и средние предприятия используют интеллектуальный маркетинг по тем же причинам, по которым они используют любую стратегию, тактику или технологию: чтобы завоевывать, удерживать и обслуживать клиентов лучше, чем те, которые этого не делают.

Развернувшись глубже, Сноу определила три категории сценариев использования B2B-маркетинга, которые, по ее словам, преобладают в раннем прогнозирующем успехе и закладывают основу для более сложного использования прогнозной маркетинговой аналитики.

1. Прогнозирующая оценка: расстановка приоритетов для известных потенциальных клиентов, потенциальных клиентов и отчетов на основе их вероятности предпринять действия.

«Наиболее распространенная точка входа маркетологов B2B в прогнозный маркетинг, прогнозирующий скоринг добавляет научное, математическое измерение к традиционным приоритетам, которое основывается на предположениях, экспериментах и ​​итерациях для получения критериев и весов», - сказал Сноу. «Этот вариант использования помогает продавцам и маркетологам быстрее находить продуктивные учетные записи, тратить меньше времени на учетные записи с меньшей вероятностью конвертации и инициировать целевые кампании перекрестных продаж или перепродаж».

2. Модели идентификации: выявление и приобретение потенциальных клиентов с атрибутами, аналогичными существующим клиентам.

«В этом случае использования учетные записи, которые демонстрировали желаемое поведение (совершили покупку, продлили контракт или приобрели дополнительные продукты и услуги), служат основой для идентификации», - сказал Сноу. «Этот вариант использования помогает продажам и маркетологам находить ценные перспективы на более ранних этапах цикла продаж, раскрывать новых маркетологов, расставлять приоритеты для существующих учетных записей для расширения и инициатив по маркетингу на основе мощных учетных записей (АБМ), выводя на поверхность учетные записи, которые, как можно разумно ожидать, будут более восприимчивы к продажам и маркетинговым сообщениям."

3. Автоматическая сегментация. Сегмент ведет для персонализированных сообщений.

«Маркетологи B2B традиционно могли сегментировать только по общим признакам, таким как отрасль, и делали это с такими ручными усилиями, что персонализация применялась только для кампаний с высоким приоритетом», - сказал Сноу. «Теперь атрибуты, используемые для подачи прогнозных алгоритмов, теперь можно добавлять к записям учетной записи для поддержки как сложной, так и автоматической сегментации. Этот вариант использования помогает продавцам и маркетологам управлять исходящими коммуникациями с соответствующими сообщениями, обеспечивать существенные разговоры между продажами и потенциальными клиентами и информировать контент-стратегию. более разумно."

Инструменты BI и платформы с открытым исходным кодом, такие как Hadoop, демократизируют данные в целом, но, помимо маркетинга B2B, прогнозная аналитика также внедряется во все больше и больше облачных программных платформ во множестве отраслей. Посетите веб-сайт компании EHarmony, посвященный повышению квалификации, и несколько других поставщиков в области «прогнозирующей аналитики для найма». Эти платформы все еще находятся на ранних стадиях развития, но идея использования данных для прогнозирования того, какие ищущие работы лучше всего подходят для конкретных заданий, и компании могут заново изобрести, как менеджеры по персоналу (HR) набирают таланты.

Поставщики службы поддержки, такие как Zendesk, также начали добавлять возможности прогнозной аналитики в программное обеспечение службы поддержки. Компания наполнила свою платформу интеллектуальными возможностями, чтобы помочь специалистам по обслуживанию клиентов выявлять проблемные области с помощью системы раннего предупреждения, основанной на данных, которая называется Прогнозирование удовлетворенности. Эта функция использует алгоритм ML для обработки результатов опроса удовлетворенности, выбрасывая переменные, включая время для разрешения заявки, задержку ответа службы поддержки и конкретную формулировку заявки, в алгоритм регрессии для расчета прогнозируемой оценки удовлетворенности клиента.

Мы также видим, что прогнозная аналитика оказывает большое влияние на прибыль в промышленном масштабе и с помощью Интернета вещей (IoT). Google использует алгоритмы ML в своих центрах обработки данных для выполнения прогнозного обслуживания на фермах серверов, которые обеспечивают инфраструктуру общедоступного облака Google Cloud Platform (GCP). Алгоритмы используют данные о погоде, нагрузке и других переменных для преимущественной настройки охлаждающих насосов центра обработки данных и значительного снижения энергопотребления.

Этот вид прогностического обслуживания становится обычным явлением и на заводах. Корпоративные технологические компании, такие как SAP, предлагают прогностические платформы для обслуживания и обслуживания, используя данные датчиков от подключенных производственных устройств IoT, чтобы предсказать, когда машина подвергается риску механических проблем или отказов. Технологические компании, такие как Microsoft, также изучают возможности прогнозирования технического обслуживания аэрокосмических приложений, заставляя Cortana анализировать данные датчиков от авиационных двигателей и компонентов.

Список потенциальных бизнес-приложений можно продолжать и продолжать, начиная с того, как прогнозирующая аналитика меняет отрасль розничной торговли на финтех-стартапы, используя прогнозное моделирование анализа мошенничества и риска финансовых транзакций. Мы только поверхностно представили, как разные отрасли могут интегрировать этот тип анализа данных, а также глубину, до которой инструменты и методы прогнозной аналитики будут определять то, как мы ведем бизнес в соответствии с развитием ИИ. По мере того, как мы приближаемся к настоящему картированию искусственного мозга, возможности безграничны.

Прогнозная аналитика, большие данные и как заставить их работать на вас