Prediktive analyser, big data og hvordan du får dem til å fungere for deg

Predictive analytics er det praktiske resultatet av Big Data og business intelligence (BI). Hva gjør du når virksomheten din samler svimlende mengder ny data? Dagens forretningsapplikasjoner raker inn i fjellene med nye kunde-, markeds-, sosiallyttings- og sanntidsdata om app-, sky- eller produktytelsesdata. Predictive analytics er en måte å utnytte all den informasjonen, få konkrete nye innsikter og ligge foran konkurransen.

Organisasjoner bruker prediktiv analyse på en rekke forskjellige måter, fra prediktiv markedsføring og data mining til anvendelse av maskinlæringsalgoritmer (AI) og kunstig intelligens (AI) for å optimalisere forretningsprosesser og avdekke nye statistiske mønstre. Det er i utgangspunktet datamaskiner som lærer av tidligere oppførsel om hvordan du gjør visse forretningsprosesser bedre og gir ny innsikt i hvordan organisasjonen din virkelig fungerer. Men før vi kommer inn på alle de fascinerende måtene bedrifter og teknologiselskaper bruker prediktiv analyse for å spare tid, spare penger og få en fordel over resten av markedet, er det viktig å snakke om nøyaktig hva prediktiv analyse er og hva det ikke er.

Hva er prediktiv analyse?

Prediktiv analyse er ikke et svart-hvitt-konsept eller en diskret funksjon hos moderne databasesjefer. Det er en haug med dataanalyseteknologier og statistiske teknikker rullet opp under ett banner. Kjerneteknikken er regresjonsanalyse, som forutsier de relaterte verdiene til flere, korrelerte variabler basert på å bevise eller motbevise en bestemt antagelse. Predictive analytics handler om å gjenkjenne mønstre i data til prosjekt sannsynlighet, ifølge Allison Snow, senioranalytiker for B2B Marketing på Forrester.

"Det er nøkkelen til å erkjenne at analytics handler om sannsynligheter, ikke absolutter, " forklarte Snow, som dekker det prediktive markedsføringsområdet. "I motsetning til tradisjonell analyse, når man bruker prediktiv analyse, vet man ikke på forhånd hvilke data som er viktige. Prediktive analyser avgjør hvilke data som er prediktive for resultatet du ønsker å forutsi."

Tenk på en salgsrepresentant som ser på en lederprofil i en CRM-plattform (Customer Relationship Management) som Salesforce.com. La oss si at forutsetningen er at blyet vil kjøpe produktet ditt. Andre forutsetninger er at variablene er produktkostnader, blyets rolle i en virksomhet og selskapets nåværende lønnsomhetsgrad. Plopp nå disse variablene i en regresjonsligning og voila! Du har fått en prediktiv modell for å ekstrapolere en effektiv strategi for pitching og salg av et produkt til riktig kunde.

Bortsett fra regresjonsanalyse (intrikatene og undergruppene du kan om i denne Harvard Business Review- primeren), bruker prediktiv analyse også gradvis mer data mining og ML. Data mining er akkurat slik det høres ut: du undersøker store datasett for å oppdage mønstre og avdekke ny informasjon. ML-teknikker blir, med større regelmessighet, siktpannene og pickaxene for å finne gulldata-nuggets. ML-innovasjoner som nevrale nettverk og dype læringsalgoritmer kan behandle disse ustrukturerte datasettene raskere enn en tradisjonell dataforsker eller forsker, og med større og større nøyaktighet når algoritmene lærer og forbedrer. Det er på samme måte som IBM Watson fungerer, og åpen kildekode-verktøy som Googles TensorFlow og Microsofts CNTK tilbyr ML-funksjonalitet på samme linje.

Den store endringen som kommer inn i den prediktive analyseboom er ikke bare fremme av ML og AI, men at det ikke bare er dataforskere som bruker disse teknikkene lenger. BI- og datavisualiseringsverktøy, sammen med open source-organisasjoner som Apache Software Foundation, gjør Big Data-analyseverktøyene mer tilgjengelige, mer effektive og enklere å bruke enn noen gang før. Verktøy for ML og dataanalyse er nå selvbetjening og i hendene på hverdagslige forretningsbrukere - fra vår selger som analyserer leaddata eller den utøvende som prøver å tyde markedstrender i styrerommet til kundeservicerepresentanten som forsker på vanlige kundesmerter og sosiale medier markedssjef som måler etterfølgende demografi og sosiale trender for å nå riktig målgruppe med en kampanje. Disse brukstilfellene er bare toppen av isfjellet når du skal utforske alle måtene prediktiv analyse endrer virksomhet, hvorav mange flere kommer inn på nedenfor.

Når det er sagt, er prediktiv analyse ikke som en krystallkule eller Biff Tanens sportsalmanakk fra Back to the Future 2. Algoritmene og modellene kan ikke fortelle virksomheten din utenfor skyggen av tvil om at det neste produktet vil bli en vinner på en milliard dollar eller at markedet er i ferd med å tanke. Data er fremdeles et middel til å gjøre et utdannet gjetning; vi er rett og slett mye bedre utdannet enn vi pleide å være.

Breaking Down Predictive, Prescriptive and Descriptive Analytics

I en annen Forrester-rapport med tittelen 'Predictive Analytics Can Infuse Your Applications With A' Unfair Advantage '. "Hovedanalytiker Mike Gualtieri påpeker at" ordet' analytics 'i' prediktiv analytics 'er litt av en feilaktig navn. Predictive analytics er ikke en gren av tradisjonelle analyser som rapportering eller statistisk analyse. Det handler om å finne prediktive modeller som firmaer kan bruke for å forutsi fremtidige forretningsresultater og / eller kundeatferd."

Kort sagt forklarte Snow at begrepet "prediktiv" iboende betegner sannsynligheten for sikkerhet, bryter ned analytiske verktøylandskapet og hvordan det faktorer i reseptbelagte analyser.

"Beskrivende analyser, selv om de ikke er spesielt" avanserte, "bare fanger opp ting som skjedde, " sa Snow. "Beskrivende eller historisk analyse er grunnlaget for en algoritme som kan utvikles. Dette er enkle beregninger, men ofte for omfangsrike til å administrere uten et analyseverktøy.

"Generelt sett er dashboards og rapportering den vanligste bruken for prediktiv analyse innen organisasjoner i dag. Disse verktøyene mangler ofte koblingen til forretningsbeslutninger, prosessoptimalisering, kundeopplevelse eller andre handlinger. Med andre ord, modeller gir innsikt, men ikke eksplisitt instruksjoner om hva de skal gjøre med dem. Reseptbelagte analyser er hvor innsikt møter handling. De svarer på spørsmålet, 'Jeg vet nå sannsynligheten for et utfall, hva som kan gjøres for å påvirke det i den retningen som er positivt for meg, ' om det forhindrer kunden churn eller gjøre et salg mer sannsynlig."

Predictive Analytics er overalt

Når BI-landskapet utvikler seg, er prediktiv analyse å finne veien til stadig flere saker om forretningsbruk. Verktøy som vårt redigeringsvalg Tableau Desktop og Microsoft Power BI sport intuitiv design og brukervennlighet, og store samlinger av datatilkoblinger og visualiseringer for å forstå det enorme volumet av data virksomheter importerer fra kilder som Amazon Elastic MapReduce (EMR), Google BigQuery og Hadoop distribusjoner fra spillere som Cloudera, Hortonworks og MapR. Disse selvbetjeningsverktøyene har ikke nødvendigvis de mest avanserte prediktive analysefunksjonene ennå, men de gjør Big Data mye mindre og enklere å analysere og forstå.

Snow sa at det er en bred serie med brukssaker for forutsigbar analyse i virksomheten i dag, fra å oppdage point-of-sale (POS) -svindel, automatisk justere digitalt innhold basert på brukersammenheng for å drive konverteringer, eller sette i gang proaktiv kundeservice for risiko inntektskilder. I B2B-markedsføring sa Snow at bedrifter og SMB bruker prediktiv markedsføring av samme grunner som de bruker enhver strategi, taktikk eller teknologi: for å vinne, beholde og betjene kunder bedre enn de som ikke gjør det.

Når Snow boret dypere, identifiserte tre kategorier av B2B-markedsføringssaker. Hun sa at dominerer tidlig prediktiv suksess og la grunnlaget for mer kompleks bruk av prediktiv markedsanalyse.

1. Predictive Scoring: Å prioritere kjente potensielle kunder, kundeemner og kontoer basert på deres sannsynlighet for å iverksette tiltak.

"Det vanligste inngangspunktet for B2B-markedsførere i prediktiv markedsføring, prediktiv poengsum tilfører en vitenskapelig, matematisk dimensjon til konvensjonell prioritering som er avhengig av spekulasjoner, eksperimentering og iterasjon for å utlede kriterier og vektinger, " sa Snow. "Denne brukssaken hjelper salg og markedsførere med å identifisere produktive kontoer raskere, bruke mindre tid på kontoer som er mindre sannsynlige å konvertere, og sette i gang målrettede kryssalgs- eller oppsalgskampanjer."

2. Identifikasjonsmodeller: Identifisere og anskaffe potensielle kunder med attributter som ligner eksisterende kunder.

"I dette brukssaken fungerer kontoer som viste ønsket oppførsel (gjorde et kjøp, fornyet en kontrakt eller kjøpte tilleggsprodukter og tjenester) som grunnlag for en identifikasjonsmodell, " sier Snow. "Denne bruksaken hjelper salgs- og markedsførere med å finne verdifulle utsikter tidligere i salgssyklusen, avdekke nye markedsførere, prioritere eksisterende kontoer for utvidelse og kraftkonto-basert markedsføring (ABM) -initiativer ved å bringe kontoer til overflaten som det med rimelighet kan forventes å være mer mottakelige for salgs- og markedsføringsmeldinger."

3. Automatisert segmentering: Segmentledninger for personlig melding.

"B2B-markedsførere har tradisjonelt vært i stand til å segmentere bare etter generiske attributter, som industri, og gjorde det med en slik manuell innsats at personalisering bare gjaldt høyt prioriterte kampanjer, " sa Snow. "Nå kan attributter som brukes til å mate prediktive algoritmer, nå legges til kontooppføringer for å støtte både intrikat og automatisert segmentering. Dette brukstilfellet hjelper salg og markedsførere med å drive utgående kommunikasjon med relevante meldinger, muliggjøre betydelige samtaler mellom salg og potensielle kunder og informere innholdsstrategi mer intelligent."

BI-verktøy og open source-rammer som Hadoop demokratiserer data som helhet, men bortsett fra B2B-markedsføring bakes også prediktiv analyse i mer og mer skybaserte programvareplattformer i en rekke bransjer. Ta online datingfirma eHarmony’s Elevated Careers-nettsted og en håndfull andre leverandører i “prediktiv analyse for ansettelse” -plass. Disse plattformene er fremdeles veldig i de første dagene, men ideen om å bruke data for å forutsi hvilke jobbsøkere som er best egnet for spesifikke jobber og bedrifter, har potensialet til å gjenoppfinne hvordan HR-ledere rekrutterer talent.

Helpdeskleverandører som Zendesk har også begynt å legge til prediktive analysefunksjoner for å hjelpe desk-programvaren. Selskapet gjennomsyret sin plattform med forutsigbare krefter for å hjelpe kundeservicerepresentanter å oppdage problemområder med et datadrevet system for tidlig varsling kalt Satisfaction Prediction. Funksjonen bruker en ML-algoritme for å behandle resultatene av tilfredshetsundersøkelser, og kaster variabler, inkludert tid til å løse en billett, kundeservarsforsinkelse og spesifikk billettformulering i en regresjonsalgoritme for å beregne en kundes forventede tilfredshetsvurdering.

Vi ser også prediktive analyser ha stor innvirkning på bunnlinjen i industriell skala og med Internet of Things (IoT). Google bruker ML-algoritmer i sine datasentre for å drive prediktivt vedlikehold på serverfarmer som driver sin Google Cloud Platform (GCP) offentlige skyinfrastruktur. Algoritmene bruker data om vær, belastning og andre variabler for å justere datasenterets kjølepumper preemptively og redusere strømforbruket betydelig.

Denne typen prediktive vedlikehold blir også vanlig i fabrikker. Enterprise tech selskaper som SAP tilbyr prediktive vedlikeholds- og serviceplattformer som bruker sensordata fra tilkoblede IoT-produksjonsenheter for å forutsi når en maskin står i fare for mekaniske problemer eller feil. Tekniske selskaper som Microsoft undersøker også prediktivt vedlikehold for romfartsapper, og setter Cortana i gang med å analysere sensordata fra flymotorer og komponenter.

Listen over potensielle forretningsapper fortsetter og fortsetter, fra hvordan prediktiv analyse endrer detaljhandelsbransjen til fintech start-ups ved hjelp av prediktiv modellering av bedragerianalyse og risiko for finansiell transaksjon. Vi har bare riper i overflaten, både på den måten forskjellige bransjer kan integrere denne typen dataanalyser og dybden som prediktive analyseverktøy og teknikker vil omdefinere hvordan vi gjør forretninger i samsvar med utviklingen av AI. Når vi kommer nærmere en virkelig kartlegging av en kunstig hjerne, er mulighetene uendelige.