Basisprincipes van grote technologische trends in voorspellende analyses - dummies

Traditionele voorspellende analytische technieken kunnen alleen inzichten verschaffen op basis van historische gegevens. Uw gegevens - zowel in het verleden als in het verleden - kunnen u een betrouwbare voorspeller bieden die u kan helpen betere beslissingen te nemen om uw bedrijfsdoelen te bereiken. De tool voor het bereiken van dat doel is voorspellende analyse.

Prognostische analyses verkennen als een service

Naarmate het gebruik van voorspellende analyses algemener en wijdverspreider is, is een opkomende trend (begrijpelijkerwijs) in de richting van meer gebruiksgemak. De gemakkelijkste manier om voorspellende analyses te gebruiken, is waarschijnlijk als software - als een op zichzelf staand product of als een cloudgebaseerde service die wordt aangeboden door een bedrijf dat business is en voorspellende analytische oplossingen biedt voor andere bedrijven.

Als het uw bedrijf is om voorspellende analyses aan te bieden, kunt u die mogelijkheid op twee belangrijke manieren bieden:

Als een zelfstandige softwareapplicatie met een gebruiksvriendelijke grafische gebruikersinterface: > De klant koopt het predictive analytics-product en gebruikt het om klantspecifieke voorspellingsmodellen te bouwen. Als een op cloud gebaseerde reeks softwaretools die de gebruiker helpen een voorspellend model te kiezen:
De klant past de hulpmiddelen toe om te voldoen aan de vereisten en specificaties van het project en het type gegevens dat de gebruiker nodig heeft. model wordt toegepast op. De tools kunnen snel voorspellingen bieden, zonder dat de klant wordt betrokken bij de werking van de gebruikte algoritmen of het betrokken gegevensbeheer.

Een eenvoudig voorbeeld kan even eenvoudig zijn als deze drie stappen:

Een client uploadt gegevens naar uw servers of kiest gegevens die zich al in de cloud bevinden.

De klant past een deel van het beschikbare voorspellende model op die gegevens toe.
De klant evalueert gevisualiseerde inzichten en voorspellingen uit de resultaten van de analyse of service.
Gedistribueerde gegevens aggregeren voor analyse

Een groeiende trend is om voorspellende analyses toe te passen op gegevens verzameld uit verschillende bronnen. Het implementeren van een typische voorspellende analyseoplossing in een gedistribueerde omgeving vereist het verzamelen van gegevens - soms big data - uit verschillende bronnen; een aanpak die moet steunen op datamanagementmogelijkheden. Gegevens moeten worden verzameld, vooraf worden verwerkt en worden beheerd

voordat het kan worden beschouwd als bruikbaar voor het genereren van voorspelbare voorspellingen. De architecten van oplossingen voor voorspellende analyses moeten altijd geconfronteerd worden met het probleem hoe gegevens uit verschillende gegevensbronnen moeten worden verzameld en verwerkt.Overweeg bijvoorbeeld een bedrijf dat het succes van een zakelijke beslissing die een van zijn producten beïnvloedt, wil voorspellen door een van de volgende opties te evalueren:

Bedrijfsmiddelen inzetten om het verkoopvolume te vergroten

Om de productie van het product
De huidige verkoopstrategie voor het product wijzigen
De architect voor voorspellende analyses moet een model ontwikkelen waarmee het bedrijf deze beslissing kan nemen, met behulp van gegevens over het product van verschillende afdelingen:

Technische gegevens

: De engineeringafdeling heeft gegevens over de specificaties van het product, de levenscyclus en de middelen en tijd die nodig zijn om het te produceren. Verkoopgegevens
: de verkoopafdeling heeft informatie over het verkoopvolume van het product, het aantal verkopen per regio en de winst die is gegenereerd door die verkopen. Klantgegevens van enquêtes, beoordelingen en berichten
: Het bedrijf heeft mogelijk geen speciale afdeling die analyseert hoe klanten over het product denken. Er bestaan echter tools die automatisch gegevens online kunnen analyseren en de attitudes van auteurs, sprekers of klanten kunnen ontlenen aan een onderwerp, een fenomeen of (in dit geval) een product. Als een gebruiker bijvoorbeeld een recensie over Product X plaatst met de tekst 'Ik vind product X echt leuk en ben ik blij met de prijs', dan markeert een

sentimentcentrifier deze opmerking automatisch als positief. Zulke hulpmiddelen kunnen reacties classificeren als 'blij', 'verdrietig', 'boos', enzovoort, door de classificatie te baseren op de woorden die een auteur gebruikt in online geposte tekst. In het geval van product X moet de oplossing voor voorspellende analyse klantenrecensies van externe bronnen verzamelen.

Het voorbeeld is een aggregatie van gegevens uit meerdere bronnen, zowel intern als extern - van de technische en verkoopafdelingen (intern) en van klantrecensies die zijn verzameld via sociale netwerken (extern) - wat ook een geval is van het gebruik van big data in voorspellende analyses.

Basisprincipes van realtime gegevensgestuurde analyses

Het leveren van inzichten wanneer nieuwe gebeurtenissen zich in realtime voordoen, is een uitdagende taak omdat er zo snel zoveel gebeurt. Moderne high-speed verwerking heeft de zoektocht naar zakelijk inzicht verlegd van traditionele data warehousing en naar real-time verwerking.

Maar het gegevensvolume is ook hoog: een enorme hoeveelheid gevarieerde gegevens, afkomstig van meerdere bronnen, die constant en met verschillende snelheden worden gegenereerd. Bedrijven staan te popelen voor schaalbare oplossingen voor voorspellende analyses die realtime inzichten kunnen ontlenen aan een stroom aan gegevens die 'de wereld en alles wat die bevat' lijken te bevatten. "

De vraag wordt groter voor het analyseren van gegevens in realtime

en waardoor voorspellingen snel worden gegenereerd. Overweeg het echte voorbeeld van een online advertentieplaatsing die overeenkomt met een aankoop die u al zou gaan doen. Bedrijven zijn geïnteresseerd in oplossingen voor voorspellende analyses die de volgende mogelijkheden kunnen bieden: Voorspellen - in realtime - de specifieke advertentie die een bezoeker waarschijnlijk zou aanklikken (een benadering met de naam

realtime advertentieplaatsing >). Specificeer nauwkeurig op welke klanten een service of product willen stoppen om deze klanten te targeten met een retentiecampagne ( klantbehoud en churn-modellering
). Identificeer kiezers die kunnen worden beïnvloed door een specifieke communicatiestrategie zoals een huisbezoek, tv-advertentie, telefoontje of e-mail. (Je kunt je de impact op politieke campagnes voorstellen.) Naast het stimuleren van kopen en stemmen langs de gewenste lijnen, kunnen realtime voorspellende analyses als een cruciaal hulpmiddel dienen voor de automatische detectie van cyberaanvallen.