Прогнозна анализа, големи данни и как да ги накарате да работят за вас

Прогнозната анализа е практически резултат от Big Data и бизнес разузнаване (BI). Какво правите, когато вашият бизнес събира потресаващи обеми от нови данни? Днешните бизнес приложения са в планината на нови клиенти, пазар, социално слушане и данни в реално време за приложения, облаци или продукти. Прогнозната аналитичност е един от начините да се използва цялата тази информация, да се получат осезаеми нови познания и да останете пред конкуренцията.

Организациите използват прогнозна анализа по най-различни начини, от предсказуем маркетинг и извличане на данни до прилагане на алгоритми за машинно обучение (ML) и изкуствен интелект (AI), за да оптимизират бизнес процесите и да разкрият нови статистически модели. Това е основно компютри, които се учат от миналото поведение за това как да подобрят определени бизнес процеси и да дадат нови идеи за това как функционира наистина вашата организация. Но преди да се впуснем във всички увлекателни начини, по които бизнесът и технологичните компании използват предиктивна аналитика, за да спестят време, да спестят пари и да спечелят предимство пред останалата част от пазара, е важно да поговорим за това какво точно представлява прогнозната аналитика и какво не,

Какво представлява прогнозната анализа?

Прогнозната анализа не е черно-бяла концепция или дискретна характеристика на съвременните мениджъри на бази данни. Това е куп технологии за анализ на данни и статистически техники, събрани под един банер. Основната техника е регресионен анализ, който предсказва свързаните стойности на множество, корелирани променливи въз основа на доказване или опровержение на определено предположение. Прогнозната аналитичност е свързана с разпознаването на модели в данните, за да прогнозира вероятността, според Алисън Сноу, старши анализатор на B2B маркетинг от Forrester.

„Ключово е да се признае, че аналитиката е свързана с вероятности, а не абсолюти“, обясни Сноу, който покрива маркетинговото пространство за прогнозиране. "За разлика от традиционната аналитика, когато прилагате прогнозна аналитика, човек не знае предварително какви данни са важни. Прогностичната анализа определя какви данни са предсказващи за резултата, който искате да прогнозирате."

Помислете за търговски представител, който разглежда водещ профил в платформата за управление на взаимоотношенията с клиенти (CRM) като Salesforce.com. Да речем, че предположението е, че водещата ще закупи вашия продукт. Други предположения са, че променливите са цената на продукта, ролята на водещите в бизнеса и текущото съотношение на рентабилност на компанията. Сега плапнете тези променливи в регресионно уравнение и voila! Имате предсказуем модел, от който да екстраполирате ефективна стратегия за поставяне и продажба на продукт в правилните клиенти.

Освен регресионен анализ (тънкостите и подмножествата, за които можете да разгледате в този грунд на Harvard Business Review ), прогнозната аналитика също използва прогресивно повече извличане на данни и ML. Извличането на данни е точно това, което звучи: проучвате големи масиви от данни, за да откриете модели и да откриете нова информация. Техниките на ML с по-голяма редовност се превръщат в тигани за пресяване и кирки за намиране на златните нокти за данни. Иновациите на ML като невронни мрежи и алгоритми за дълбоко обучение могат да обработват тези неструктурирани набори от данни по-бързо от традиционния учен или изследовател на данни и с по-голяма и по-голяма точност, докато алгоритмите се учат и подобряват. По същия начин работи IBM Watson, а инструментариите с отворен код като TensorFlow от Google и CNTK на Microsoft предлагат ML функционалност по същите линии.

Голямата промяна, свързана с бума на прогнозната аналитична анализа, е не само напредването на ML и AI, но и това, че не само учените на данни използват тези техники. Инструментите за визуализация на BI и данни, заедно с организации с отворен код като софтуерната фондация Apache, правят инструментите за анализ на големи данни по-достъпни, по-ефективни и по-лесни за използване от всякога. Инструментите за анализ на ML и данни вече са самообслужване и в ръцете на ежедневните бизнес потребители - от нашия продавач, анализиращ водещи данни или изпълнителния директор, който се опитва да дешифрира тенденциите на пазара в заседателната зала, до представител на обслужването на клиенти, който изследва често срещаните точки за болка на клиентите и социалните медии маркетинг мениджърът преценява демографските последователи и социалните тенденции, за да достигне правилната целева аудитория с кампания. Тези случаи на използване са само върхът на айсберга при проучване на всички начини, по които прогнозната анализа променя бизнеса, много повече от които ще разгледаме по-долу.

Това каза, че прогнозната анализа не е като кристална топка или спортния алманах на Биф Танен от „ Обратно към бъдещето“ 2. Алгоритмите и моделите не могат да кажат вашия бизнес извън сянката на съмнението, че следващият му продукт ще бъде победител в милиард долара или че пазарът е на път да резервоар. Данните все още са средство да се направи познато предположение; ние просто сме много по-добре образовани отколкото преди.

Разбиване на прогнозна, предписателна и описателна аналитика

В друг доклад на Forrester, озаглавен „Прогнозната аналитика може да навлича вашите приложения с„ нечестно предимство “, главният анализатор Майк Гуалтиери изтъква, че„ думата „аналитичност“ в „прогнозна анализа“ е малко погрешно. Прогнозната анализа не е отрасъл на традиционната аналитика като отчитане или статистически анализ. Става въпрос за намиране на прогнозни модели, които фирмите могат да използват за прогнозиране на бъдещи бизнес резултати и / или поведение на клиентите."

Накратко, Сноу обясни, че терминът "предсказуемост" по своята същност обозначава вероятността за сигурност, разграждайки пейзажа на инструментариума на аналитиците и как го превръща в предписателна анализа.

„Описателната анализа, макар и да не е особено„ усъвършенствана, “просто улавя нещата, които се случиха“, каза Сноу. „Описателна или историческа аналитика е основата, върху която може да се разработи алгоритъм. Това са прости показатели, но често са твърде обемни, за да се управляват без инструмент за анализи.

"Най-общо казано, таблата за управление и отчитането са най-често използваната информация за прогнозна анализа в рамките на организациите днес. Тези инструменти често нямат връзка с бизнес решения, оптимизация на процесите, опит на клиентите или каквито и да е други действия. С други думи, моделите дават прозрения, но не са категорични инструкции какво да правя с тях. Предписателната аналитичност е мястото, където прозрението отговаря на действията. Те отговарят на въпроса: „Сега знам вероятността от резултат какво може да се направи, за да се повлияе в положителна за мен посока“, дали това не позволява клиентът избива или прави продажбата по-вероятна."

Предсказуемият анализ е навсякъде

С развитието на BI пейзажа прогнозната анализа намира своя път във все повече случаи на бизнес използване. Интуитивен дизайн и използваемост на инструментите като нашия избор на редактори Tableau Desktop и Microsoft Power BI sport, както и големи колекции от съединители за данни и визуализации, за да осмислят огромния обем от данни, които бизнесът внася от източници като Amazon Elastic MapReduce (EMR), Google Дистрибуции на BigQuery и Hadoop от играчи като Cloudera, Hortonworks и MapR. Тези инструменти за самообслужване не са задължително досега с най-модерните функции за прогнозна анализа, но правят Big Data много по-малки и по-лесни за анализ и разбиране.

Сноу каза, че днес има широка поредица от случаи на използване за прогнозна анализа в бизнеса, от откриване на измама с търговска точка (POS), автоматично настройване на дигитално съдържание въз основа на потребителски контекст за стимулиране на конверсии или иницииране на проактивно обслужване на клиенти за риск източници на приходи. В B2B маркетинг Snow каза, че предприятията и SMB използват предсказуем маркетинг по същите причини, по които използват всяка стратегия, тактика или технология: за да спечелят, задържат и обслужват клиентите по-добре от тези, които не го правят.

Потъвайки по-дълбоко, Snow идентифицира три категории случаи на използване на B2B маркетинг, според които доминират ранния успех на прогнозирането и поставят основата за по-сложно използване на прогнозната маркетингова анализа.

1. Предсказателно оценяване: Приоритизиране на известни перспективи, потенциални клиенти и сметки въз основа на вероятността им да се предприемат действия.

„Най-често срещаната точка за въвеждане на B2B маркетинг в прогнозния маркетинг, прогнозното оценяване добавя научно, математическо измерение към конвенционалното приоритизиране, което разчита на спекулации, експерименти и итерация за получаване на критерии и претегляне“, каза Сноу. „Този ​​случай на използване помага на продажбите и маркетолозите да идентифицират по-бързо продуктивните акаунти, да прекарват по-малко време в акаунти с по-малка вероятност да конвертират и да инициират целенасочени кампании за кръстосани продажби или продажби.

2. Модели на идентификация: Идентифициране и придобиване на перспективи с атрибути, подобни на съществуващите клиенти.

"В този случай използването на акаунти, които проявяват желано поведение (направена покупка, подновяване на договор или закупуване на допълнителни продукти и услуги), служат за основа на идентификационен модел", каза Сноу. „Този ​​случай на използване помага на продажбите и маркетолозите да намерят ценни перспективи по-рано в цикъла на продажбите, да разкрият нови маркетолози, да дадат приоритет на съществуващите акаунти за разширяване и да създадат инициативи за маркетинг на базата на мощност (ABM) чрез въвеждане на повърхностните сметки, за които разумно може да се очаква, че ще бъдат по-възприемчиви към продажбите и маркетинговите съобщения."

3. Автоматизирана сегментация: Сегментни води за персонализирани съобщения.

„Търговците на B2B традиционно успяха да сегментират само по общи атрибути, като индустрията, и направиха това с такива ръчни усилия, че персонализацията се прилагаше само при високо приоритетни кампании“, каза Сноу. „Сега атрибутите, използвани за подаване на алгоритми за предсказване, вече могат да бъдат прикачени към записи на сметки, за да поддържат както сложна, така и автоматизирана сегментация. Този случай на употреба помага на продажбите и маркетолозите да извеждат изходящи комуникации със съответните съобщения, дават възможност за съществени разговори между продажби и перспективи и да информират стратегията за съдържание по-интелигентно “.

BI инструментите и рамките с отворен код, като Hadoop, демократизират данните като цяло, но освен B2B маркетинга, прогнозната анализа също се въвежда във все повече и повече облачни базирани софтуерни платформи в множество индустрии. Вземете уебсайта за онлайн запознанства eHarmony's Elevated Careers и шепата на други доставчици в пространството "прогнозна анализа за наемане". Тези платформи са все още много в ранните си дни, но идеята да се използват данни, за да се предскаже кои търсещи работа са най-подходящи за конкретни работни места и компаниите имат потенциал да изобретяват как ръководителите на човешки ресурси (HR) набират талант.

Доставчиците на бюра за помощ като Zendesk също започнаха да добавят възможности за прогнозна анализа, за да помогнат на софтуера на бюрото. Компанията натовари платформата си с предвидителни правомощия, за да помогне на обслужването на клиентите да открие проблемни области със система за ранно предупреждение, управлявана от данни, наречена Satisfaction Prediction. Тази функция използва ML алгоритъм за обработка на резултатите от проучването на удовлетвореността, хвърляйки променливи, включително време за разрешаване на билет, закъснение на отговора на обслужване на клиенти и специфична формулировка на билета в алгоритъм за регресия, за да се изчисли прогнозираната оценка на удовлетвореността на клиента.

Също така виждаме, че аналитичните прогнози оказват голямо влияние върху дънната линия в индустриален мащаб и в интернет на нещата (IoT). Google използва ML алгоритми в своите центрове за данни, за да изпълнява прогнозна поддръжка в сървърните ферми, захранващи публичната облачна инфраструктура на Google Cloud Platform (GCP). Алгоритмите използват данни за времето, натоварването и други променливи, за да коригират преференциално охлаждащите помпи в центъра за данни и значително да намалят консумацията на енергия.

Този вид предсказуема поддръжка се превръща в нещо обичайно и във фабриките. Предприятия за технологични компании като SAP предлагат платформи за предсказване на поддръжка и обслужване, използвайки сензорни данни от свързани устройства за производство на IoT, за да предскажат кога машината е изложена на риск от механични проблеми или повреда. Технологични компании като Microsoft също проучват прогнозна поддръжка за аерокосмически приложения, като Cortana поставят усилия да анализират сензорни данни от двигатели и компоненти на самолети.

Списъкът с потенциални бизнес приложения продължава и продължава, от това как прогнозната анализа променя индустрията на дребно към финтех стартиращите фирми, използвайки прогнозно моделиране на анализ на измами и риск от финансови транзакции. Само надраскахме повърхността, както по начините, по които различните индустрии биха могли да интегрират този тип анализ на данни, така и в дълбочините, до които инструментите и техниката за предсказващ анализ ще предефинират начина, по който правим бизнес в съчетание с развитието на AI. Докато се приближаваме до истинското картографиране на изкуствен мозък, възможностите са безкрайни.