Video: Identify leads using LinkedIn with Microsoft Relationship Sales 2024
Hvis virksomheten din ennå ikke har brukt dataklassifisering som brukes i prediktiv analyse, kanskje det er på tide å introdusere det som en måte å gjøre bedre ledelses- eller operasjonsbeslutninger. Denne prosessen starter med et undersøkelsestrinn: Identifisering av et problemområde i virksomheten der det er rikelig med data tilgjengelig, men for tiden brukes ikke til å drive forretningsbeslutninger.
En måte å identifisere et slikt problemområde på er å holde møte med dine analytikere, ledere og andre beslutningstakere for å spørre dem hvilke risikable eller vanskelige beslutninger de gjentatte ganger gjør - og hva slags data de trenger for å støtte sine beslutninger. Hvis du har data som gjenspeiler resultatene av tidligere beslutninger, vær forberedt på å trekke på det. Denne prosessen med å identifisere problemet kalles funn fasen.
Etter oppdagelsesfasen, vil du følge opp med individuelle spørreskjemaer adressert til bedriftsinteressene. Vurder å stille følgende typer spørsmål:
-
Hva vil du vite fra dataene?
-
Hvilke tiltak vil du ta når du får svaret ditt?
-
Hvordan vil du måle resultatene fra de tiltakene som er tatt?
Hvis den forutsigbare analysemodellens resultater gir meningsfull innsikt, må noen gjøre noe med det - ta tiltak. Åpenbart vil du se om resultatene av denne handlingen legger til forretningsverdi for organisasjonen. Så må du finne en metode for å måle verdien - enten i form av besparelser fra driftskostnader, økt salg eller bedre kundeoppbevaring.
Når du gjennomfører disse intervjuene, prøv å forstå hvorfor enkelte oppgaver er gjort og hvordan de blir brukt i forretningsprosessen. Å spørre hvorfor ting er slik de er, kan hjelpe deg med å avdekke uventede realisasjoner. Ikke noe poeng i å samle og analysere data bare for å skape flere data. Du vil bruke dataene til å svare på bestemte forretningsbehov.
For datavitenskaperen eller modelleren definerer denne oppgaven hvilke typer data som skal klassifiseres og analyseres - et skritt som er viktig for å utvikle en dataklassifikasjonsmodell. En grunnleggende forskjell til å begynne med er om dataene du skal bruke til å trene modellen, er interne eller eksterne:
-
Intern data er spesifikk for bedriften din, vanligvis trekker fra bedriftens datakilder, og kan omfatte mange datatyper - som strukturert, halvstrukturert eller ustrukturert.
-
Eksterne data kommer fra utenfor firmaet, ofte som data kjøpt fra andre selskaper.
Uansett om dataene du bruker for din modell er interne eller eksterne, vil du først vurdere det først. Flere spørsmål er sannsynlig å kaste opp i den evalueringen:
-
Hvor kritisk og nøyaktig er de aktuelle dataene? Hvis det er for følsomt, kan det ikke tjene dine formål.
-
Hvor nøyaktig er dataene i spørsmålet og hvis nøyaktigheten er tvilsom, så er verktøyet begrenset.
-
Hvordan tillater bedriftens retningslinjer og gjeldende lover at dataene skal brukes og behandles? Du vil kanskje slette bruken av dataene med din juridiske avdeling for eventuelle juridiske problemer som kan oppstå. (Se medfølgende sidebjel for et berømt, nylig eksempel.).
Når du har identifisert data som er hensiktsmessig å bruke i byggingen av modellen din, er neste trinn å klassifisere det - for å lage og bruke nyttige etiketter til dataelementene dine. Hvis du for eksempel jobber med data om kunders kjøpsadferd, kan etikettene definere datakategorier i henhold til hvordan enkelte grupper av kunder kjøper:
-
Sesongkunder kan være de som handler regelmessig eller halvt regelmessig.
-
Rabatterte kunder kan være de som har en tendens til å handle kun når store rabatter tilbys.
-
Trofaste kunder er de som har kjøpt mange av produktene dine over tid.
Forutsi kategorien som en ny kunde vil passe, kan være av stor verdi for markedsføringsteamet. Tanken er å bruke tid og penger effektivt på å identifisere hvilke kunder som annonserer til, bestemme hvilke produkter som skal anbefales til dem, og velge den beste tiden å gjøre det.
Mye tid og penger kan bli bortkastet hvis du målretter mot feil kunder, sannsynligvis gjør dem mindre tilbøyelige til å kjøpe enn hvis du ikke hadde markedsført dem i utgangspunktet. Å bruke prediktiv analyse for målrettet markedsføring bør ikke bare sikte mot mer vellykkede kampanjer, men også for å unngå fallgruver og utilsiktede konsekvenser.