Ennustava analytiikka, iso data ja kuinka saada ne toimimaan sinulle

Ennustava analytiikka on Big Data- ja business intelligence (BI) -sovellusten käytännön tulos. Mitä teet, kun yrityksesi kerää huikeita määriä uutta tietoa? Nykypäivän yrityssovellukset haravoivat vuoristossa uusia asiakkaita, markkinoita, sosiaalista kuuntelua ja reaaliaikaisia ​​sovelluksia, pilviä tai tuotteiden suorituskykyä koskevia tietoja. Ennustava analytiikka on yksi tapa hyödyntää kaikkia tietoja, saada konkreettisia uusia oivalluksia ja pysyä kilpailun edellä.

Organisaatiot käyttävät ennakoivaa analysointia monilla eri tavoilla ennakoivasta markkinoinnista ja tiedonlouhinnasta koneoppimis- (ML)- ja tekoälyn (AI) -algoritmien soveltamiseen liiketoimintaprosessien optimoimiseksi ja uusien tilastomallien paljastamiseksi. Periaatteessa tietokoneet oppivat aikaisemmasta käyttäytymisestä kuinka tehdä tietyt liiketoimintaprosessit paremmin ja antaa uusia käsityksiä siitä, kuinka organisaatiosi todella toimii. Mutta ennen kuin tutustumme kaikkiin mielenkiintoisiin tapoihin, joilla yritykset ja teknologiayritykset käyttävät ennustavaa analysointia, jotta voidaan säästää aikaa, säästää rahaa ja saada etuna muista markkinoista, on tärkeää puhua tarkalleen, mikä ennustava analytiikka on ja mitä se ei ole.

Mikä on ennakoiva Analytics?

Ennustava analytiikka ei ole mustavalkoinen käsite tai nykyaikaisten tietokannanhallintojen erillinen ominaisuus. Se on joukko data-analyysitekniikoita ja tilastollisia tekniikoita, jotka on kerätty yhden lipun alle. Ydintekniikka on regressioanalyysi, joka ennustaa useiden korreloivien muuttujien liittyvät arvot perustuen tietyn olettamisen todistamiseen tai kiistämiseen. Ennustava analytiikka tarkoittaa Forresterin B2B-markkinoinnin vanhempi analyytikko Allison Snow: n mukaan tietojen tunnistamista projektin todennäköisyydeksi.

"On avainta tunnustaa, että analytiikka liittyy todennäköisyyksiin eikä absoluutteihin", selitti Snow, joka kattaa ennustavan markkinointitilan. "Toisin kuin perinteinen analytiikka, ennakoivaa analysointia sovellettaessa ei tiedä etukäteen, mitkä tiedot ovat tärkeitä. Ennustava analytiikka määrittelee, mitkä tiedot ennakoivat tulosta, jonka haluat ennustaa."

Ajattele myyntiedustajaa, joka tarkastelee pääprofiilia asiakassuhteiden hallinnan (CRM) alustalla, kuten Salesforce.com. Oletetaan, että lyijy ostaa tuotteesi. Muita oletuksia ovat, että muuttujat ovat tuotekustannukset, lyijyn rooli liiketoiminnassa ja yhtiön nykyinen kannattavuusaste. Nyt yhdistä nämä muuttujat regressioyhtälöön ja voila! Sinulla on ennustava malli, jonka avulla voidaan ekstrapoloida tehokas strategia tuotteen siirtämiseksi ja myymiseksi oikeille johdoille.

Regressioanalyysin lisäksi (monimutkaisuudet ja osajoukot, joista voit tutustua tässä Harvard Business Review -alustassa) ennustava analytiikka käyttää myös vähitellen enemmän tiedon louhintaa ja ML: ää. Tietojen louhinta on juuri miltä kuulostaa: tutkit suuria tietojoukkoja löytääksesi malleja ja löytääksesi uutta tietoa. ML-tekniikoista on säännöllisemmin tulossa seulontapannuja ja taskuja kultadatan pilattajien löytämiseen. ML-innovaatiot, kuten hermoverkot ja syvän oppimisen algoritmit, voivat käsitellä näitä jäsentämättömiä tietojoukkoja nopeammin kuin perinteinen tietotieteilijä tai tutkija, ja entistä tarkemmin, kun algoritmit oppivat ja paranevat. Se on samalla tavalla kuin IBM Watson toimii, ja avoimen lähdekoodin työkalusarjat, kuten Googlen TensorFlow ja Microsoftin CNTK, tarjoavat ML-toiminnallisuuden samalla tavalla.

Ennustavan analytiikan puomissa tapahtuva suuri muutos ei ole pelkästään ML: n ja AI: n eteneminen, vaan se, että kyse ei ole enää vain tekniikoita käyttävistä tiedemiehistä. BI- ja datanäyttötyökalut yhdessä avoimen lähdekoodin organisaatioiden, kuten Apache Software Foundation, kanssa tekevät Big Data -analyysityökaluista entistä helpommin käytettäviä, tehokkaampia ja helpommin käytettäviä. ML ja data-analyysityökalut ovat nyt itsepalvelu ja jokapäiväisten yrityskäyttäjien käsissä - myyjämme analysoi lyijytietoja tai toimeenpaneva yritys, joka yrittää salata markkinointisuunnitelmat neuvotteluhuoneessa, asiakaspalvelun edustajaan, joka tutkii yleisiä asiakaskipuja ja sosiaalista mediaa markkinointipäällikkö mittaa seuraajien demografisia ja sosiaalisia suuntauksia saavuttaaksesi oikean kohderyhmän kampanjan avulla. Nämä käyttötapaukset ovat vain jäävuoren huippua tutkiessaan kaikkia tapoja, joilla ennustava analytiikka muuttaa liiketoimintaa, joista moniin muihin pääsemme alla.

Ennustava analytiikka ei kuitenkaan ole kuin kristallipallo tai Biff Tannenin urheilualmanakka Takaisin tulevaisuuteen 2. Algoritmit ja mallit eivät voi kertoa yrityksellesi epäilyksen varjossa, että sen seuraava tuote on miljardin dollarin voittaja tai että markkinat alkavat tankata. Tiedot ovat edelleen keino tehdä koulutettu arvaus; olemme yksinkertaisesti paljon paremmin koulutettuja kuin ennen.

Ennustavan, Prescriptive ja Descriptive Analyticsin jakaminen

Toisessa Forresterin raportissa, jonka otsikko on "Ennustava analyysi voi hyödyntää sovelluksiasi epäoikeudenmukaisella etuna", pääanalyytikko Mike Gualtieri huomauttaa, että "ennustavan analyysin" sana "analytiikka" on hiukan harhaanjohtava. Ennustava analytiikka ei ole osa perinteistä analytiikkaa, kuten raportointia tai tilastollista analyysiä. Kyse on ennakoivien mallien löytämisestä, joita yritykset voivat käyttää liiketoiminnan tulosten ja / tai asiakaskäyttäytymisen ennustamiseen."

Lyhyesti sanottuna, Snow selitti, että termi "ennustava" tarkoittaa luonnostaan ​​todennäköisyyttä varmuuden suhteen, erittelemällä analytiikan työkalumaisema ja miten se muuttuu reseptoiviksi analytiikoiksi.

"Kuvaileva analytiikka, vaikka se ei ole erityisen edistynyttä, yksinkertaisesti kaapata tapahtuneet asiat", Snow sanoi. "Kuvaileva tai historiallinen analytiikka on perusta, jolle algoritmia voidaan kehittää. Nämä ovat yksinkertaisia ​​mittareita, mutta usein liian tilavia hallitaksesi ilman analytiikkatyökalua.

"Yleisesti ottaen kojetaulut ja raportointi ovat nykyisin yleisimpiä ennakoivassa analytiikassa organisaatioiden sisällä. Näistä työkaluista puuttuu linkki liiketoimintapäätöksiin, prosessien optimointiin, asiakaskokemukseen tai muuhun toimintaan. Toisin sanoen mallit tuottavat oivalluksia, mutta eivät nimenomaisia ohjeet siitä, mitä heidän kanssaan tehdä. Preskriptiivinen analytiikka on silloin, kun oivallukset kohtaavat toiminnan. He vastaavat kysymykseen: "Tiedän nyt todennäköisyyden tulokseen, mitä voidaan tehdä vaikuttaakseen siihen suuntaan, joka on minulle positiivinen", estävätkö se estämistä asiakkaan vaihtuvuus tai todennäköisempi myynti."

Ennustava analyysi on kaikkialla

BI-maiseman kehittyessä ennustava analytiikka on löytämässä tiensä yhä useampiin yrityskäyttöön. Työkalut, kuten Editors 'Choices Tableau Desktop ja Microsoft Power BI sport intuitiivinen suunnittelu ja käytettävyys, sekä suuret tietoliikenneyhteydet ja visualisoinnit, jotta voidaan ymmärtää suurten tietoyritysten tuomat määrät lähteistä, kuten Amazon Elastic MapReduce (EMR), Google BigQuery- ja Hadoop-jakelut pelaajilta, kuten Cloudera, Hortonworks ja MapR. Näillä itsepalvelutyökaluilla ei välttämättä ole vielä edistyneimpiä ennustavia analytiikkaominaisuuksia, mutta ne tekevät Big Data -sovelluksesta paljon pienemmän ja helpomman analysoida ja ymmärtää.

Snow kertoi, että ennustavassa analytiikassa on nykyään laaja joukko ennustavia analytiikoita myyntikohtapetoksien havaitsemisesta, digitaalisen sisällön mukauttamisesta automaattisesti käyttäjän asiayhteyteen perustuen konversioiden tuottamiseen tai ennakoivan asiakaspalvelun aloittamiseen riskialttiille asiakkaille. tulolähteet. B2B-markkinoinnissa Snow totesi, että yritykset ja pk-yritykset käyttävät ennakoivaa markkinointia samoista syistä kuin mitä tahansa strategiaa, taktiikkaa tai tekniikkaa: voittaa, pitää ja palvella asiakkaita paremmin kuin ne, jotka eivät.

Syvemmälle ajatellen Snow tunnisti kolme kategoriaa B2B-markkinoinnin käyttötapauksista, jotka hänen mukaansa hallitsevat varhaista ennustavaa menestystä ja luovat perustan ennustavan markkinoinnin analytiikan monimutkaisemmalle käytölle.

1. Ennakoiva pisteytys: priorisoidaan tunnetut näkymät, liidit ja tilit niiden todennäköisyyden mukaan ryhtyä toimiin.

"B2B-markkinoijien yleisin lähtökohta ennustavaan markkinointiin, ennustava pisteytys lisää tieteellisen, matemaattisen ulottuvuuden perinteiseen priorisointiin, joka perustuu spekulaatioihin, kokeiluihin ja iterointiin kriteerien ja painotusten saamiseksi", Snow sanoi. "Tämä käyttötapa auttaa myyjiä ja markkinoijia tunnistamaan tuottavat tilit nopeammin, viettämään vähemmän aikaa tileihin, joiden todennäköisyys muuntaa todennäköisemmin on, ja käynnistämään kohdennettuja ristiinmyynti- tai myyntikampanjoita."

2. Tunnistusmallit: Mahdollisuuksien tunnistaminen ja hankkiminen nykyisten asiakkaiden kaltaisilla ominaisuuksilla.

"Tässä käyttötilassa tunnistusmallin perustana ovat tilit, jotka ovat osoittaneet haluttua käyttäytymistä (tehneet oston, uusineet sopimuksen tai ostaneet lisätuotteita ja -palveluita)", Snow sanoi. "Tämä käyttötapa auttaa myyjiä ja markkinoijia löytämään arvokkaita näkymiä aikaisemmin myyntikierrossa, paljastamaan uusia markkinoijia, priorisoimaan olemassa olevat tilit laajentumiseen ja tehokkuuspohjaisen markkinoinnin (ABM) aloitteet tuomalla pintatilille, joiden voidaan kohtuudella odottaa olevan vastaanottavaisempi myynti- ja markkinointiviesteihin."

3. Automaattinen segmentointi: segmenttijohdot henkilökohtaiseen viestintään.

"B2B-markkinoijat ovat perinteisesti pystyneet segmentoimaan vain yleisillä ominaisuuksilla, kuten teollisuus, ja ovat tehneet niin käsin, että personointia sovellettiin vain erittäin tärkeisiin kampanjoihin", Snow sanoi. "Nyt ennustavien algoritmien syöttämiseen käytettävät attribuutit voidaan nyt liittää tilitietueisiin sekä monimutkaisen että automatisoidun segmentoinnin tukemiseksi. Tämä käyttötapaus auttaa myyjiä ja markkinoijia ohjaamaan lähtevän viestinnän merkityksellisillä viesteillä, mahdollistamaan merkittävät keskustelut myynnin ja näkymien välillä ja tiedottamaan sisältöstrategian. älykkäämmin."

BI-työkalut ja avoimen lähdekoodin puitteet, kuten Hadoop, ovat demokratisoivia tietoja kokonaisuutena, mutta B2B-markkinoinnin lisäksi ennustavaa analysointia leivotaan myös yhä useampaan pilvipohjaiseen ohjelmistoalustaan ​​useilla aloilla. Ota online-treffipalveluyrityksen eHarmonyn Elevated Careers -sivusto ja kourallinen muita myyjiä "ennustavaan analytiikkaan palkkaamiseksi" -tilassa. Näitä alustoja on vielä paljon heidän alkuaikoinaan, mutta ajatus tietojen käyttämisestä ennustaa, mitkä työnhakijat sopivat parhaiten tiettyihin tehtäviin ja yrityksiin, pystyy keksimään uudelleen, miten henkilöstöjohtaja (HR) rekrytoi kykyjä.

Tukipalveluntarjoajat, kuten Zendesk, ovat myös alkaneet lisätä ennustavia analyyttisiä ominaisuuksia asiakaspalvelinohjelmistojen lisäämiseen. Yhtiö on ottanut käyttöön ennakoivilla alustoillaan auttaa asiakaspalvelun edustajia havaitsemaan ongelma-alueet tietopohjaisella varhaisvaroitusjärjestelmällä, jota kutsutaan tyytyväisyysennusteeksi. Ominaisuus käyttää ML-algoritmia tyytyväisyystutkimuksen tulosten käsittelemiseen, heittäen muuttujat, mukaan lukien aika lipun ratkaisemiseen, asiakaspalvelun vastauslatenssi ja lipun erityinen sanamuoto regressioalgoritmiin asiakkaan ennustetun tyytyväisyysluokan laskemiseksi.

Näemme myös, että ennustavalla analytiikalla on suuri vaikutus tulokseen teollisessa mittakaavassa ja esineiden Internetin (IoT) avulla. Google käyttää ML-algoritmeja tietokeskuksissaan ennakoivan ylläpidon suorittamiseen palvelintiloilla, jotka käyttävät Google Cloud Platform (GCP) -pilviinfrastruktuuria. Algoritmit käyttävät tietoa säästä, kuormituksesta ja muista muuttujista säätämään datakeskuksen jäähdytyspumppuja ennaltaehkäisevästi ja vähentämään merkittävästi virrankulutusta.

Tällaisesta ennakoivasta huollosta on tulossa yleistä myös tehtaissa. Enterprise-teknologiayritykset, kuten SAP, tarjoavat ennakoivia ylläpito- ja huoltoalustoja, jotka käyttävät kytkettyjen internet-laitteiden anturitietoja ennustaakseen, milloin kone on mekaanisten ongelmien tai vikojen vaarassa. Teknologiayritykset, kuten Microsoft, tutkivat myös ennakoivaa ylläpitoa ilmailu- ja avaruusteollisuussovelluksissa, saaden Cortanan työskentelemään lentokoneiden moottoreiden ja komponenttien anturitietojen analysoinnissa.

Luettelo potentiaalisista yrityssovelluksista jatkuu, siitä lähtien, kun ennustava analytiikka muuttaa vähittäiskaupan yrityksiä fintech-aloitteisiin käyttämällä ennakoivaa mallintamista petoksia koskevassa analyysissä ja rahoitustoimien riskissä. Olemme vain raaputtaneet pintaa, sekä tapaa, jolla eri teollisuudenalat voisivat integroida tämäntyyppisen data-analyysin, että syvyydestä, johon ennustavat analytiikkatyökalut ja tekniikat määrittelevät uudelleen, miten liiketoimintamme tapahtuu yhdessä AI: n kehityksen kanssa. Kun siirrytään lähemmäksi keinotekoisten aivojen todellista kartoittamista, mahdollisuudet ovat rajattomat.