Innholdsfortegnelse:
Video: Use real-time data to close deals with Microsoft Relationship Sales 2025
Det er to måter å generere eller implementere prediktiv analyse på: Bare på grunnlag av dine data (uten forkunnskaper om hva du er ute etter) eller med en Foreslått forretningsmål som dataene kan eller ikke støtter. Du trenger ikke å velge den ene eller den andre; de to tilnærmingene kan være komplementære. Hver har sine fordeler og ulemper.
Begge tilnærmingene til prediktiv analyse har sine begrensninger; Hold risikostyring i tankene når du krysser gjennom sine resultater. Hvilken tilnærming finner du å være både lovende av gode resultater og relativt trygge?
Kombinere begge typer analyser gir bedriften mulighet til å utvide din forståelse, innsikt og bevissthet om bedriften din og kundene dine. Det gjør beslutningsprosessen smartere og senere mer lønnsom.
Hvordan generere data-drevet predictive analytics
Hvis du baserer analysen din bare på eksisterende data, kan du bruke interne data - akkumulert av bedriften din gjennom årene - eller eksterne data (ofte kjøpt fra en kilde utenfor ditt firma) som er relevant for din bransje.
For å forstå disse dataene, kan du bruke data-mining verktøy for å overvinne både dens kompleksitet og størrelse; avslør noen mønstre du ikke var klar over; avdekke noen foreninger og lenker i dine data; og bruk funnene dine for å generere nye kategoriseringer, ny innsikt og ny forståelse.
Datadrevet analyse kan til og med avsløre en perle eller to som kan forbedre virksomheten din radikalt - som alle gir denne tilnærmingen et element av overraskelse som feeds på nysgjerrighet og bygger forventning.
Datadrevet analyse passer best for store datasett fordi det er vanskelig for mennesker å vikle seg rundt store mengder data. Data-mining verktøy og visualisering teknikker hjelper deg med å se nærmere på og kutte den overveldende massen av data ned til størrelse. Vær oppmerksom på disse generelle prinsippene:
-
Jo mer komplett dataene dine er, desto bedre blir resultatet av datadrevet analyse. Hvis du har omfattende data som har nøkkelinformasjon til variablene du måler og spenner over en lengre periode, er du garantert å oppdage noe nytt om virksomheten din.
-
Datadrevet analyse er nøytralt fordi ingen forkunnskap om dataene er nødvendig, og du er ikke etter et bestemt mål spesielt, men analyserer dataene for det.
-
Denne analysens art er bred, og det handler ikke om et bestemt søk eller validering av en forutbestemt ide.Denne tilnærmingen til analyse kan ses som en slags tilfeldig og bred datautvinning.
-
Hvis du utfører en slik dataanalyse, og hvis du lærer noe om virksomheten din fra analysen, må du fortsatt avgjøre om resultatene du får er verdt å implementere eller handle på.
-
Å stole utelukkende på datadrevet analyse, gir en viss risiko for de resulterende forretningsavgjørelsene. Du kan imidlertid begrense denne risikoen ved å inkorporere noen av realismene som kjennetegner brukerdrevet analyse.
Når virkelige data viser (eller i det minste støtter) korrektiteten til dine opprinnelige ideer, er den riktige avgjørelsen praktisk talt allerede gjort. Når en informert hunch er validert av dataene, viser hele analysen seg som drevet av strategiske ideer som var verdt å forfølge og verifisere.
Hvordan generere brukerdrevet prediktiv analyse
Den brukerdrevne tilnærmingen til prediktiv analyse begynner med deg (eller lederne dine) å tenke på ideer og deretter ta tilflug i dataene dine for å se om de ideer har fortjeneste, vil stå testing, og støttes av dataene.
Testdataene kan være en svært liten delmengde av dine totale forretningsdata; Det er noe du definerer og velger som du anser er relevant for å teste dine ideer.
Prosessen med å plukke de riktige datasettene og designe nøyaktige testmetoder - faktisk hele prosessen fra begynnelse til adopsjon - må styres av nøye vurdering og grundig planlegging.
Brukerdrevet analyse krever ikke bare strategisk tenkning, men også nok inngående kunnskap om bedriftsdomenet for å sikkerhetskopiere strategiseringen. Visjon og intuisjon kan være svært nyttig her; du leter etter hvordan dataene gir spesifikk støtte til ideer du anser viktig og strategisk. Denne tilnærmingen til predictive analytics er definert av omfanget av ideene du prøver. Beslutningen blir lettere når dataene støtter dine ideer.
Prosessen med å undersøke ideene dine kan ikke være like grei som å analysere hele datasettene. Det kan også påvirkes av din bias for å bevise at de første antagelsene er riktige.
Her er en sammenligning av data-drevne og brukerdrevne data.
| Data-Driven | Brukerdrevet | Kunnskapskunnskap som er nødvendig |
|---|---|---|
| Ingen forkunnskaper | Dyptgående domenekunnskaper | Analyse og verktøy Brukt |
| Bred bruk av data | Spesifikk design for analyse og testing | Store data |
| Passer for store data | Brukes på mindre datasett | Analyseområde |
| Åpent område | Begrenset omfang > Analyse Konklusjon | Trenger verifisering av resultater |
| Lettere adopsjon av analyseresultater | Datamønster | Dekker mønstre og foreninger |
| Kan gå glipp av skjulte mønstre og foreninger |
