Basics of Major Technological Trends in Predictive Analytics - dummies

Traditionelle forudsigelsesanalytiske teknikker kan kun give indsigt på baggrund af historiske data. Dine data - både tidligere og indgående - kan give dig en pålidelig forudsigelse, som kan hjælpe dig med at træffe bedre beslutninger for at nå dine forretningsmål. Værktøjet til at nå dette mål er forudsigende analyser.

Sådan udforskes prædiktiv analyse som en tjeneste

Da brugen af prædiktiv analyse er blevet mere almindelig og udbredt, er en forestående tendens (forståeligt) i retning af større brugervenlighed. Muligvis er den nemmeste måde at bruge predictive analytics på som software - enten som et selvstændigt produkt eller som en skybaseret tjeneste, der leveres af et firma, hvis virksomhed leverer intelligente analyseløsninger til andre virksomheder.

Hvis din virksomheds forretning er at tilbyde prædiktiv analyse, kan du give denne mulighed på to hovedmåder:

Som et frittstående softwareprogram med en brugervenlig grafisk brugergrænseflade: > Kunden køber det predictive analytics produkt og bruger det til at opbygge tilpassede prædiktive modeller. Som et skybaseret sæt softwareværktøjer, der hjælper brugeren med at vælge en prædiktiv model, der skal bruges:
Kunden anvender værktøjerne til at opfylde kravene og specifikationerne for projektet ved hånden og typen af data, som modellen vil blive anvendt til. Værktøjerne kan tilbyde forudsigelser hurtigt, uden at involvere klienten i arbejdet med de anvendte algoritmer eller den involverede datahåndtering.

Et simpelt eksempel kan være lige så let som disse tre trin:

En klient uploader data til dine servere eller vælger data, der allerede findes i skyen.

Kunden anvender nogle af de tilgængelige prædiktive modeller til disse data.
Kundeanmeldelser visualiserede indsigter og forudsigelser fra resultaterne af analysen eller tjenesten.
Sådan aggregeres distribuerede data til analyse

En voksende tendens er at anvende predictive analytics til data indsamlet fra forskellige kilder. Implementering af en typisk predictive analytics-løsning i et distribueret miljø kræver indsamling af data - nogle gange store data - fra forskellige kilder; en tilgang, der skal stole på datastyringsfunktioner. Data skal indsamles, færdigbehandles og styres

før , det kan anses for brugbart til at generere brugbare forudsigelser. Arkitekterne af predictive analytics-løsninger skal altid stå over for problemet med, hvordan man indsamler og behandler data fra forskellige datakilder.Overvej f.eks. Et firma, der ønsker at forudsige succesen med en forretningsbeslutning, der påvirker et af sine produkter ved at evaluere en af følgende muligheder:

At sætte virksomhedens ressourcer i at øge salget

At afslutte fremstillingen af produktet
For at ændre den nuværende salgsstrategi for produktet
Den predictive analytics arkitekt skal konstruere en model, der hjælper virksomheden med at træffe denne beslutning, ved hjælp af data om produktet fra forskellige afdelinger:

Tekniske data

: Ingeniørafdelingen har data om produktets specifikationer, dets livscyklus og de ressourcer og tid, der er nødvendige for at producere det. Salgsdata
: Salgsafdelingen har oplysninger om produktets salgsvolumen, antal salg pr. Region og overskud, der genereres af disse salg. Kundedata fra undersøgelser, anmeldelser og indlæg
: Virksomheden har muligvis ingen dedikeret afdeling, der analyserer, hvordan kunderne føler sig om produktet. Der findes imidlertid værktøjer, som automatisk kan analysere data, der er indsendt online, og uddrage holdninger fra forfattere, højttalere eller kunder mod et emne, et fænomen eller (i dette tilfælde) et produkt. Hvis en bruger f.eks. Posterer en anmeldelse om Product X, der siger, "Jeg kan godt lide Product X, og jeg er tilfreds med prisen," en

sentimentekstraktor markerer automatisk denne kommentar som positiv. Sådanne værktøjer kan klassificere svar som "glad", "trist", "vred" osv. Ved at basere klassifikationen på de ord, som en forfatter bruger i tekst, der er indsendt online. I tilfælde af produkt X skal den predictive analytics løsning sammenlægge kundeanmeldelser fra eksterne kilder.

Eksemplet er en sammenlægning af data fra flere kilder, både internt og eksternt - fra ingeniør- og salgsafdelingerne (internt) og fra kundeanmeldelser opsamlet fra sociale netværk (eksternt) - hvilket også er en forekomst af at bruge store data i prædiktiv analyse.

Grundlæggende om datadrevet analyse i realtid

At give indsigt i, at nye begivenheder forekommer i realtid, er en udfordrende opgave, fordi der sker så meget så meget. Moderne højhastighedsforarbejdning har flyttet søgen efter erhvervslivets indsigt væk fra traditionel datalagring og mod real-time-behandling.

Men mængden af data er også høj - en enorm mængde af varierede data, fra flere kilder, genereres konstant og med forskellige hastigheder. Virksomheder er ivrige efter skalerbare predictive analytics løsninger, der kan udlede real-time indsigt fra en oversvømmelse af data, der synes at bære "verden og alt det indeholder. "

Efterspørgslen intensiveres for at analysere data i realtid

og generere forudsigelser hurtigt. Overvej det egentlige eksempel på at møde en onlineannonceplacering, der svarer til et køb, du allerede var ved at lave. Virksomheder er interesserede i predictive analytics-løsninger, der kan give følgende muligheder: Forvent - i realtid - den specifikke annonce, som en besøgende på webstedet sandsynligvis vil klikke på (en fremgangsmåde kaldet

annonce i realtid >). Spekulere præcist, hvilke kunder der skal afslutte en tjeneste eller et produkt for at målrette disse kunder med en tilbageholdelseskampagne ( kundetilpasning og churn modellering
). Identificer vælgere, der kan påvirkes gennem en bestemt kommunikationsstrategi, såsom et hjembesøg, tv-annonce, telefonopkald eller e-mail. (Du kan forestille dig indflydelsen på politisk kampagne.) Ud over at opmuntre til køb og afstemning langs ønskede linjer kan real-time predictive analytics være et kritisk redskab til automatisk afsløring af cyberangreb.