Indholdsfortegnelse:
Video: Use real-time data to close deals with Microsoft Relationship Sales 2025
Der er to måder at generere eller implementere predictive analytics på: udelukkende på grundlag af dine data (uden forudgående viden om, hvad du leder efter) eller med en foreslået forretningsmål, at dataene måske eller måske ikke understøtter. Du behøver ikke at vælge den ene eller den anden; de to tilgange kan være komplementære. Hver har sine fordele og ulemper.
Begge metoder til prædiktiv analyse har deres begrænsninger; Hold risikostyring i tankerne, når du krydser deres resultater. Hvilken tilgang finder du at være både lovende af gode resultater og relativt sikre?
Kombination af begge typer analyser giver din virksomhed mulighed for at udvide din forståelse, indsigt og bevidsthed om din virksomhed og dine kunder. Det gør din beslutningsproces smartere og efterfølgende mere rentabel.
Sådan genereres data-drevet predictive analytics
Hvis du baserer din analyse udelukkende på eksisterende data, kan du bruge interne data - akkumuleret af din virksomhed gennem årene - eller eksterne data (ofte købt fra en kilde udenfor dit firma), der er relevant for din forretningssted.
For at forstå disse data kan du bruge data minedrift værktøjer til at overvinde både dens kompleksitet og størrelse; afslør nogle mønstre, du ikke var klar over afdække nogle foreninger og links inden for dine data og brug dine resultater til at generere nye kategoriseringer, ny indsigt og ny forståelse.
Datadrevet analyse kan endda afsløre en perle eller to, der kan forbedre din forretning radikalt - hvilket alle giver denne tilgang et overraskelseselement, der føder nysgerrighed og bygger forventning.
Datadrevet analyse passer bedst til store datasæt, fordi det er svært for mennesker at pakke deres sind omkring enorme mængder data. Data minedrift værktøjer og visualiseringsteknikker hjælper dig med at se nærmere på og skære den overvældende masse data ned til størrelse. Hold disse generelle principper i tankerne:
-
Jo mere komplette dine data er, desto bedre er resultatet af datadrevet analyse. Hvis du har omfattende data, der indeholder nøgleinformation til de variabler, du måler, og spænder over en længere periode, er du garanteret at opdage noget nyt om din virksomhed.
-
Datadrevet analyse er neutral, fordi der ikke er nogen forudgående viden om dataene, og du er ikke specifikt efter et specifikt mål, men analyserer dataene for dens skyld.
-
Denne analyse er bred, og den vedrører ikke en specifik søgning eller validering af en forudfattet ide.Denne tilgang til analyser kan ses som en slags tilfældig og bred dataudvinding.
-
Hvis du foretager en sådan dataanalyse, og hvis du lærer noget om din virksomhed fra analysen, skal du stadig beslutte, om de resultater, du får, er værd at implementere eller handle på.
-
Lige udelukkende på datadrevet analyse tilføjer en vis risiko for de deraf følgende forretningsbeslutninger. Du kan dog begrænse denne risiko ved at inkorporere en del af den realisme, der kendetegner brugerdreven analyse.
Når virkelige data viser (eller i det mindste støtter) rigtigheden af dine oprindelige ideer, så er den egentlige beslutning allerede gjort. Når en informeret hunch er valideret af dataene, viser hele analysen sig som drevet af strategiske ideer, der var værd at forfølge og verificere.
Sådan genereres brugerdrevet predictive analytics
Den brugerdrevne tilgang til prædiktiv analyse begynder med dig (eller dine ledere) at opfatte ideer og derefter tage tilflugt i dine data for at se om de ideer har fortjeneste, ville stå test, og understøttes af dataene. Testdataene kan være en meget lille delmængde af dine samlede forretningsdata; Det er noget du definerer og vælger som du anser er relevant for at teste dine ideer.
Processen med at vælge de rigtige datasæt og udforme nøjagtige testmetoder - faktisk hele processen fra begyndelsen til vedtagelsen - skal styres af omhyggelig overvejelse og omhyggelig planlægning.
Brugerdrevet analytik kræver ikke kun strategisk tænkning, men også tilstrækkelig dybdegående viden om forretningsområdet for at sikkerhedskopiere strategien. Vision og intuition kan være meget nyttige her; du leder efter, hvordan dataene giver specifik støtte til ideer, som du anser for vigtige og strategiske. Denne tilgang til predictive analytics er defineret af omfanget af de ideer, du søger. Beslutningsprocessen bliver lettere, når dataene understøtter dine ideer.
Processen med at sondere dine ideer kan ikke være så ligetil som at analysere hele datasæt. Det kan også blive påvirket af din bias for at bevise rigtigheden af dine oprindelige antagelser.
Her er en sammenligning af data-drevne og brugerdrevne data.
Egenskaber
| Datadrevne | Brugerdrevne | Erhvervskundskab nødvendig |
|---|---|---|
| Ingen forudgående viden | Grundlæggende domæne viden | Analyse og værktøjer Brugt |
| Bred dataudnyttelse -miningværktøjer | Specifik design til analyse og testning | Store data |
| Egnet til store data | Anvendes på mindre datasæt | Analyseområde |
| Åben anvendelsesområde | Begrænset omfang > Konklusion Konklusion | Behov for verifikation af resultater |
| Nemmere vedtagelse af analyseresultater | Datamønster | Ophæng mønstre og foreninger |
| Må savne skjulte mønstre og foreninger |
