Video: Как пожарить толстолобика #деломастерабоится (Decembris 2024)
Jutīgā analītika ir Big Data un biznesa informācijas (BI) praktiskais rezultāts. Ko jūs darāt, kad jūsu uzņēmums apkopo satriecošu daudzumu jaunu datu? Mūsdienu biznesa lietojumprogrammas rada jaunus klientus, tirgus, sociālo klausīšanos un reāllaika lietotņu, mākoņa vai produktu veiktspējas kalnus. Jutīgā analītika ir viens no veidiem, kā izmantot visu šo informāciju, gūt reālas jaunas atziņas un palikt konkurences priekšā.
Organizācijas izmanto paredzamo analītiku dažādos veidos, sākot no paredzamā mārketinga un datu ieguves līdz mašīnmācīšanās (ML) un mākslīgā intelekta (AI) algoritmu izmantošanai, lai optimizētu biznesa procesus un atklātu jaunus statistikas modeļus. Pamatā datori mācās no iepriekšējās uzvedības par to, kā labāk veikt noteiktus biznesa procesus un sniegt jaunu ieskatu par to, kā jūsu organizācija patiesībā darbojas. Bet, pirms mēs iedziļināmies visos aizraujošajos veidos, kā uzņēmumi un tehnoloģiju uzņēmumi izmanto prognozējošo analītiku, lai ietaupītu laiku, ietaupītu naudu un iegūtu priekšrocības salīdzinājumā ar pārējo tirgu, ir svarīgi runāt par to, kas tieši ir paredzamā analītika un kas tā nav.
Kas ir paredzamā analīze?
Jutīgā analītika nav mūsdienu datu bāzu pārvaldnieku melnbalta koncepcija vai diskrēta iezīme. Tas ir daudz datu analīzes tehnoloģiju un statistikas paņēmienu, kas apkopoti zem viena reklāmkaroga. Pamatmetode ir regresijas analīze, kas paredz vairāku savstarpēji saistītu mainīgo lielumu saistītās vērtības, pamatojoties uz konkrēta pieņēmuma pierādīšanu vai atspēkošanu. Saskaņā ar Forrester B2B mārketinga vecāko analītiķu Allison Snow teikto, ka prognozējošā analītika ir saistīta ar datu modeļa atpazīšanu pēc projekta iespējamības.
"Ir svarīgi atzīt, ka analītika ir saistīta ar varbūtībām, nevis absolūtām, " skaidroja Snovs, kurš aptver paredzamās mārketinga telpas. "Atšķirībā no tradicionālās analītikas, piemērojot jutīgo analītiku, iepriekš nezina, kādi dati ir svarīgi. Jutīgā analītika nosaka, kādi dati paredz to rezultātu, kuru vēlaties prognozēt."
Padomājiet par tirdzniecības pārstāvi, kurš meklē vadošo profilu klientu attiecību pārvaldības (CRM) platformā, piemēram, Salesforce.com. Pieņemsim, ka pieņēmums ir, ka pircējs nopirks jūsu produktu. Citi pieņēmumi ir, ka mainīgie lielumi ir produkta izmaksas, vadošā loma uzņēmējdarbībā un uzņēmuma pašreizējais rentabilitātes koeficients. Tagad salieciet šos mainīgos lielumus regresijas vienādojumā un voila! Jūs esat ieguvis jutīgo modeli, no kura var ekstrapolēt efektīvu stratēģiju produkta novirzīšanai un produkta pārdošanai pa labi.
Papildus regresijas analīzei (par sarežģītākajām un apakšgrupām, par kurām jūs varat uzzināt šajā Hārvarda Biznesa pārskata gruntējumā), jutīgajā analītikā tiek izmantota arī arvien lielāka datu ieguve un ML. Datu ieguve ir tieši tāda, kā izklausās: jūs izpētāt lielas datu kopas, lai atklātu modeļus un atklātu jaunu informāciju. ML paņēmieni ar lielāku regularitāti kļūst par sijāšanas pannām un pikseļiem zelta datu tīrradņu atrašanai. ML jauninājumi, piemēram, neironu tīkli un dziļas mācīšanās algoritmi, var šos nestrukturētos datu kopumus apstrādāt ātrāk nekā tradicionālie datu zinātnieki vai pētnieki, turklāt ar lielāku un lielāku precizitāti, algoritmiem mācoties un uzlabojoties. Tas pats, kā darbojas IBM Watson, un atvērtā pirmkoda rīkkopa, piemēram, Google TensorFlow un Microsoft CNTK, piedāvā ML funkcionalitāti līdzīgi.
Lielās izmaiņas, kas tiek izmantotas prognozējošās analītikas uzplaukumā, nav tikai ML un AI sasniegšana, bet tas nav tikai datu zinātnieki, kas šīs metodes vairs izmanto. BI un datu vizualizācijas rīki, kā arī tādas atvērtā pirmkoda organizācijas kā Apache Software Foundation, padara Big Data analīzes rīkus pieejamākus, efektīvākus un vieglāk lietojamus nekā jebkad agrāk. ML un datu analīzes rīki tagad ir pašapkalpošanās un ikdienas biznesa lietotāju rokās - sākot ar mūsu pārdevēju, kurš analizē svina datus vai izpilddirektoru, kurš mēģina atšifrēt tirgus tendences sēžu zālē, līdz klientu apkalpošanas dienestam, kurš pēta kopīgus klientu sāpju punktus un sociālos plašsaziņas līdzekļus. mārketinga vadītājs, nosakot sekotāju demogrāfiju un sociālās tendences, lai ar kampaņu sasniegtu pareizo mērķauditoriju. Šie lietošanas gadījumi ir tikai aisberga redzamā daļa, izpētot visus veidus, kā paredzamā analītika maina biznesu, no kuriem daudz vairāk mēs iedziļināsimies tālāk.
Tomēr prognozējošā analītika nav tāda kā kristāla bumba vai Bifa Tannena sporta almanahs no filmas Atpakaļ uz nākotni 2. Algoritmi un modeļi nevar jūsu biznesam pateikt aiz šaubām, ka nākamais produkts būs miljarda dolāru ieguvējs vai ka tirgus gatavojas tvertnei. Dati joprojām ir līdzeklis izglītotu minējumu izdarīšanai; mēs vienkārši esam daudz labāk izglītoti nekā agrāk.
Paredzamās, preskriptīvās un aprakstošās analīzes sadalīšana
Citā Forrester ziņojumā ar nosaukumu “Prognozējošā analīze var izmantot jūsu lietojumprogrammas ar“ Negodīgu priekšrocību ”” galvenais analītiķis Maiks Gualtieri norāda, ka “vārds“ analytics ”“ prediktīvajā analītikā ”ir mazliet nepareizs. Jutīgā analītika nav tradicionālās analītikas nozare, piemēram, pārskati vai statistiskā analīze. Tas ir par tādu prognozējošu modeļu atrašanu, kurus uzņēmumi var izmantot, lai prognozētu nākotnes biznesa rezultātus un / vai klientu uzvedību."
Īsāk sakot, Snovs paskaidroja, ka termins “pareģojošais” būtībā apzīmē noteiktības iespējamību, sadalot analītikas rīku ainavu un to, kā tas tiek pārveidots par preskriptīvu analītiku.
"Aprakstošā analītika, lai arī nav īpaši“ uzlabota ”, vienkārši uztver notikušo, " sacīja Snovs. "Aprakstošā vai vēsturiskā analītika ir pamats, uz kura pamata var tikt izstrādāts algoritms. Tie ir vienkārši rādītāji, taču bieži ir pārāk apjomīgi, lai tos pārvaldītu bez analītikas rīka.
"Vispārīgi runājot, mūsdienās organizācijās jutīgai analītikai visbiežāk tiek izmantoti informācijas paneļi un pārskati. Šiem rīkiem bieži trūkst saites uz biznesa lēmumiem, procesa optimizāciju, klientu pieredzi vai citām darbībām. Citiem vārdiem sakot, modeļi sniedz ieskatu, bet nav skaidri izteikti. instrukcijas par to, ko darīt ar viņiem. Preskriptīvā analītika ir tā, kur ieskats sakrīt ar rīcību. Viņi atbild uz jautājumu: “Es tagad zinu iznākuma varbūtību, ko var darīt, lai to ietekmētu man pozitīvā virzienā”, neatkarīgi no tā, vai tas traucē klientu krāpšanās vai pārdošanas iespējamība."
Jutīgā analīze ir visur
Attīstoties BI ainavai, jutīgā analītika atrod ceļu arvien vairāk biznesa lietojuma gadījumu. Rīki, piemēram, mūsu redaktoru izvēle Tableau Desktop un Microsoft Power BI sportisks intuitīvs dizains un lietojamība, kā arī lielas datu savienotāju un vizualizāciju kolekcijas, lai izprastu apjomīgos datu apjomus, ko uzņēmumi importē no tādiem avotiem kā Amazon Elastic MapReduce (EMR), Google BigQuery un Hadoop izplatīšana no tādiem spēlētājiem kā Cloudera, Hortonworks un MapR. Šiem pašapkalpošanās rīkiem vēl nebūt nav vismodernākās jutīgās analītiskās funkcijas, taču tie padara Big Data daudz mazākus un vieglāk analizējamus un saprotamus.
Snovs sacīja, ka šodien biznesā ir plaša prognozējošās analītikas izmantošanas gadījumu sērija - sākot ar krāpšanas vietu noteikšanu tirdzniecības vietā (POS), digitālā satura automātisku pielāgošanu, ņemot vērā lietotāja kontekstu, lai panāktu reklāmguvumus, vai arī aktīvu klientu apkalpošanu ar risku saistītu risku ieņēmumu avoti. B2B mārketingā Snovs sacīja, ka uzņēmumi un mazie un vidējie uzņēmumi izmanto paredzamo mārketingu to pašu iemeslu dēļ, kādos viņi izmanto jebkuru stratēģiju, taktiku vai tehnoloģiju: lai uzvarētu, noturētu un apkalpotu klientus labāk nekā tie, kas to nedara.
Izpētot dziļāk, Snova identificēja trīs kategoriju B2B mārketinga izmantošanas gadījumus, pēc viņas teiktā, dominējot agrīnajos prognozēšanas panākumos un liekot pamatus prognozējošās mārketinga analītikas sarežģītākai izmantošanai.
1. Paredzamā punktu skaita noteikšana: prioritāšu noteikšana zināmajiem potenciālajiem klientiem, potenciālajiem pircējiem un kontiem, pamatojoties uz viņu iespējamību rīkoties.
"Visizplatītākais B2B tirgotāju ieejas punkts paredzamā mārketingā, paredzamā vērtēšana pievieno parastajai prioritāšu noteikšanai zinātnisku, matemātisku dimensiju, kas balstās uz spekulācijām, eksperimentiem un atkārtošanos, lai iegūtu kritērijus un svērumus, " sacīja Snovs. "Šis lietošanas gadījums palīdz pārdevējiem un tirgotājiem ātrāk identificēt produktīvos kontus, mazāk laika tērēt kontiem, kuriem ir mazāka iespējamība veikt reklāmguvumus, un uzsākt mērķtiecīgas savstarpējās pārdošanas vai pārdošanas kampaņas."
2. Identifikācijas modeļi: potenciālo potenciālu identificēšana un iegūšana ar atribūtiem, kas līdzīgi esošajiem klientiem.
"Šajā lietošanas gadījumā konti, kas demonstrēja vēlamo rīcību (veica pirkumu, atjaunoja līgumu vai iegādājās papildu produktus un pakalpojumus) kalpo par identifikācijas modeļa pamatu, " sacīja Snovs. "Šis lietošanas gadījums palīdz pārdevējiem un tirgotājiem atrast vērtīgas izredzes jau pārdošanas cikla sākumā, atklāt jaunus tirgotājus, noteikt prioritāti esošajiem kontiem paplašināšanai un jaudas kontu balstīta mārketinga (ABM) iniciatīvām, ienesot virspusē kontus, kurus pamatoti var gaidīt. vairāk uztver pārdošanas un mārketinga ziņojumus."
3. Automatizēta segmentēšana: segmentus novirza personalizētai ziņojumapmaiņai.
"B2B tirgotāji tradicionāli spēja segmentēt tikai pēc vispārīgiem atribūtiem, piemēram, nozare, un to darīja ar tik lielu roku piepūli, ka personalizēšana tika piemērota tikai ļoti prioritārām kampaņām, " sacīja Snovs. "Tagad atribūtus, ko izmanto paredzamo algoritmu padevei, tagad var pievienot konta ierakstiem, lai atbalstītu gan sarežģītu, gan automatizētu segmentēšanu. Šis lietošanas gadījums palīdz pārdošanas un mārketinga speciālistiem virzīt izejošos sakarus ar attiecīgiem ziņojumiem, nodrošina būtiskas sarunas starp pārdošanu un potenciālajiem lietotājiem un informē par satura stratēģiju. saprātīgāk."
BI rīki un atvērtā pirmkoda ietvari, piemēram, Hadoop, ir visu datu demokratizācija, bet, ne tikai B2B mārketingā, jutīgā analītika tiek arī ievietota arvien vairāk un vairāk mākoņa programmatūras programmatūras platformās daudzās nozarēs. Izmantojiet tiešsaistes iepazīšanās uzņēmuma eHarmony vietni “Paaugstināta karjera” un nelielu daudzumu citu pārdevēju vietas “prediktīvā analītika īrēšanai”. Šīs platformas joprojām ir daudz savās pirmajās dienās, taču idejai izmantot datus, lai prognozētu, kuri darba meklētāji ir vispiemērotākie konkrētajiem darbiem un uzņēmumiem, ir potenciāls no jauna izgudrot, kā cilvēkresursu (HR) vadītāji pieņem darbā talantus.
Palīdzības dienesta pakalpojumu sniedzēji, piemēram, Zendesk, arī ir sākuši pievienot jutīgās analītiskās iespējas, lai palīdzības dienesta programmatūru varētu izmantot. Uzņēmums ir izveidojis savu platformu ar paredzamām pilnvarām, lai palīdzētu klientu apkalpošanas pārstāvjiem pamanīt problemātiskās vietas ar datu balstītu agrīnās brīdināšanas sistēmu ar nosaukumu Satisfaction Prediction. Funkcija izmanto ML algoritmu, lai apstrādātu apmierinātības aptaujas rezultātus, izmetot mainīgos lielumus, ieskaitot laiku, lai atrisinātu biļeti, klientu apkalpošanas reakcijas latentumu un īpašu biļetes formulējumu regresijas algoritmā, lai aprēķinātu klienta prognozēto apmierinātības novērtējumu.
Mēs arī redzam, ka prognozējošā analītika lielā mērā ietekmē rūpniecisko mērogu un lietisko internetu (IoT). Google savos datu centros izmanto ML algoritmus, lai veiktu paredzamo uzturēšanu serveru fermās, kas nodrošina Google Cloud Platform (GCP) publisko mākoņu infrastruktūru. Algoritmi izmanto datus par laikapstākļiem, slodzi un citiem mainīgiem lielumiem, lai pirms datu bāzes pielāgotu datu centra dzesēšanas sūkņus un ievērojami samazinātu enerģijas patēriņu.
Šāda veida paredzamā apkope kļūst izplatīta arī rūpnīcās. Uzņēmējdarbības tehnoloģiju uzņēmumi, piemēram, SAP, piedāvā paredzamās apkopes un servisa platformas, izmantojot sensoru datus no pievienotajām IoT ražošanas ierīcēm, lai paredzētu, kad mašīnai draud mehāniskas problēmas vai kļūme. Tādas tehnikas kompānijas kā Microsoft pēta arī kosmosa lietotņu paredzamo uzturēšanu, liekot Cortana strādāt pie gaisa kuģu dzinēju un sastāvdaļu sensoru datu analīzes.
Potenciālo biznesa lietotņu saraksts turpinās un turpinās, sākot ar to, kā prognozējošā analītika maina mazumtirdzniecības nozari līdz fintech jaunuzņēmumiem, izmantojot krāpšanas analīzes un finanšu darījumu riska paredzamo modelēšanu. Mēs esam tikai saskrāpējuši virsmu, gan dažādos veidos, kā dažādas nozares varētu integrēt šāda veida datu analīzi, gan to, cik dziļi jutīgās analītikas rīki un paņēmieni no jauna definēs, kā mēs veicam uzņēmējdarbību, saskaņojot ar AI attīstību. Tuvojoties mākslīgo smadzeņu patiesai kartēšanai, iespējas ir bezgalīgas.
