Grunnleggende om viktige teknologiske trender i Prediktiv Analytics - dummier

Tradisjonelle prediktive analytiske teknikker kan bare gi innsikt på grunnlag av historiske data. Dine data - både tidligere og innkommende - kan gi deg en pålitelig prediktor som kan hjelpe deg med å ta bedre beslutninger for å oppnå dine forretningsmål. Verktøyet for å oppnå dette målet er prediktiv analyse.

Slik utforsker du prediktiv analyse som en tjeneste

Siden bruk av prediktiv analyse er blitt mer vanlig og utbredt, er en fremvoksende trend (forståelig) mot større brukervennlighet. Kanskje den enkleste måten å bruke prediktiv analyse er som programvare - enten som et frittstående produkt eller som en skybasert tjeneste som tilbys av et selskap hvis virksomhet leverer prediktive analyseløsninger for andre selskaper.

Hvis bedriftens virksomhet er å tilby prediktiv analyse, kan du gi den muligheten på to hovedveier:

Som et frittstående program med et brukervennlig grafisk brukergrensesnitt: > Kunden kjøper det prediktive analyseproduktet og bruker det til å bygge tilpassede prediktive modeller. Som et skybasert sett med programvareverktøy som hjelper brukeren til å velge en prediktiv modell som skal brukes:
Kunden bruker verktøyene for å oppfylle kravene og spesifikasjonene for prosjektet ved hånden, og typen data som modellen vil bli brukt på. Verktøyene kan gi spådommer raskt, uten å involvere klienten i arbeidet med algoritmer i bruk eller datahåndtering involvert.

Et enkelt eksempel kan være like enkelt som disse tre trinnene:

En klient overfører data til serverne dine, eller velger data som allerede ligger i skyen.

Kunden bruker noen av de tilgjengelige prediktive modellene til disse dataene.
Kundens vurderinger visualiserte innsikt og spådommer fra resultatene av analysen eller tjenesten.
Slik samler du distribuerte data for analyse

En voksende trend er å bruke prediktiv analyse til data samlet fra ulike kilder. Ved å distribuere en typisk prediktiv analyseoppløsning i et distribuert miljø krever det å samle data - noen ganger store data - fra forskjellige kilder; en tilnærming som må stole på datahåndteringsfunksjoner. Data må samles inn, forhåndsbehandles og administreres

før . Det kan anses som brukbart for å generere handlingsspådommer. Arkitekter av predictive analytics-løsninger må alltid møte problemet med hvordan man samler og behandler data fra forskjellige datakilder.Tenk for eksempel et selskap som ønsker å forutse suksessen til en forretningsbeslutning som påvirker et av produktene sine ved å evaluere ett av følgende alternativer:

Å sette selskapets ressurser til å øke salget

For å si opp produksjon av produktet
For å endre den nåværende salgsstrategien for produktet
Den predictive analytics arkitekten må konstruere en modell som hjelper selskapet å ta denne avgjørelsen, ved å bruke data om produktet fra forskjellige avdelinger:

Tekniske data

: Ingeniøravdelingen har data om produktets spesifikasjoner, levetid og ressurser og tid som trengs for å produsere den. Salgsdata
: Salgsavdelingen har informasjon om produktets salgsvolum, antall salg per region, og fortjeneste generert av disse salgene. Kunde data fra undersøkelser, anmeldelser og innlegg
: Selskapet har kanskje ikke en dedikert avdeling som analyserer hvordan kundene føler seg om produktet. Verktøy eksisterer imidlertid, som automatisk kan analysere data som er lagt ut på Internett og trekke ut holdninger til forfattere, høyttalere eller kunder mot et emne, et fenomen eller (i dette tilfellet) et produkt. For eksempel, hvis en bruker posterer en anmeldelse om produkt X som sier, "Jeg liker produkt X og jeg er fornøyd med prisen," en

sentimentekstraktor merker automatisk denne kommentaren som positiv. Slike verktøy kan klassifisere svar som "glad", "trist", "sint", og så videre, og baserer klassifiseringen på ordene som en forfatter bruker i tekst som er lagt ut på nettet. I tilfelle av produkt X, vil den prediktive analyseoppløsningen måtte aggregere kundeanmeldelser fra eksterne kilder.

Eksemplet er en samling av data fra flere kilder, både interne og eksterne - fra ingeniør- og salgsavdelingene (intern), og fra kundeanmeldelser hentet fra sosiale nettverk (ekstern) - som også er en forekomst av bruk av store data i prediktiv analyse.

Grunnleggende om datastyrt analyse i sanntid

Å levere innsikt når nye hendelser skjer i sanntid er en utfordrende oppgave fordi det skjer så fort så mye. Moderne høyhastighetsprosessering har skiftet søken etter forretningsinnsikt vekk fra tradisjonell datalagring og mot sanntidsbehandling.

Men volumet av data er også høyt - En enorm mengde varierte data, fra flere kilder, genereres konstant og med forskjellige hastigheter. Bedrifter er ivrige etter skalerbare, predictive analytics løsninger som kan utlede sanntidsinnsikt fra en flom av data som synes å bære "verden og alt den inneholder. "

Etterspørselen intensiverer for å analysere data i sanntid

og genererer spådommer raskt. Vurder det virkelige eksemplet på å oppleve en online annonseplassering som tilsvarer et kjøp du allerede var i ferd med å lage. Bedrifter er interessert i predictive analytics-løsninger som kan gi slike muligheter som følgende: Forutsi - i sanntid - den spesifikke annonsen som en besøkende vil mest sannsynlig klikke på (en tilnærming kalt

sanntidsannonsering >). Spesifiser nøyaktig hvilke kunder som skal slutte en tjeneste eller et produkt for å målrette mot disse kundene med en oppbevaringskampanje ( kundetilpasning og churn modellering
). Identifiser velgere som kan påvirkes gjennom en bestemt kommunikasjonsstrategi som et hjembesøk, TV-annonse, telefonsamtale eller e-post. (Du kan forestille deg virkningen på politisk kampanjer.) I tillegg til å oppmuntre til å kjøpe og stemme langs ønskede linjer, kan sanntidsprogonomisk analyse tjene som et kritisk verktøy for automatisk påvisning av cyberangrep.