Hvordan du introducerer prædiktive Analytics-dataklassifikationer til din virksomhed - dummier

Hvis din virksomhed endnu ikke har brug for dataklassificering, der anvendes i predictive analytics, måske er det tid til at introducere det som en måde at træffe bedre ledelses- eller driftsbeslutninger på. Denne proces starter med et undersøgelsestrin: Identifikation af et problemområde i virksomheden, hvor der er rigelig data, men i øjeblikket ikke bruges til at drive forretningsbeslutninger.

En måde at identificere et sådant problemområde på er at holde et møde med dine analytikere, chefer og andre beslutningstagere for at spørge dem, hvilke risikable eller vanskelige beslutninger de gentagne gange har - og hvilke data de har brug for til at støtte deres beslutninger. Hvis du har data, der afspejler resultaterne af tidligere beslutninger, være forberedt på at trække på det. Denne proces med at identificere problemet kaldes opdagelsesfasen.

Efter opdagelsesfasen vil du følge op med individuelle spørgeskemaer rettet til de berørte parter. Overvej at stille følgende typer spørgsmål:

• Hvad vil du vide fra dataene?

• Hvilke foranstaltninger vil du tage, når du får dit svar?

• Hvordan måler du resultaterne fra de trufne handlinger?

Hvis den prædiktive analytiske models resultater giver en meningsfuld indsigt, skal en person gøre noget med det - handle. Det er klart, at du vil se, om resultaterne af den pågældende handling tilføjer forretningsmæssig værdi til organisationen. Så du bliver nødt til at finde en metode til måling af denne værdi - hvad enten det drejer sig om besparelser fra driftsomkostninger, øget salg eller bedre kundeopbevaring.

Når du gennemfører disse interviews, skal du forstå, hvorfor visse opgaver er færdige, og hvordan de bruges i forretningsprocessen. At spørge, hvorfor tingene er, hvordan de er, kan hjælpe dig med at afdække uventede realisationer. Intet punkt i at indsamle og analysere data bare for at skabe flere data. Du vil bruge disse data til at svare til specifikke forretningsbehov.

For datavidenskabsmanden eller modeleren definerer denne øvelse hvilke typer data der skal klassificeres og analyseres - et skridt, der er afgørende for udviklingen af ​​en dataklassifikationsmodel. En grundlæggende sondring til at begynde med er, om de data, du vil bruge til at træne modellen, er interne eller eksterne:

• Intern data er specifik for din virksomhed. Den trækker normalt fra din virksomheds datakilder og kan omfatte mange datatyper - som struktureret, semistruktureret eller ustruktureret.

• Eksterne data kommer fra uden for virksomheden, ofte som data købt fra andre virksomheder.

Uanset om de data, du bruger til din model, er interne eller eksterne, skal du først evaluere det. Flere spørgsmål vil sandsynligvis opstå i den evaluering:

• Hvor kritisk og præcis er de pågældende data? Hvis det er for følsomt, kan det ikke tjene dine formål.

• Hvor nøjagtige er de pågældende data, og hvis dens nøjagtighed er tvivlsom, så er dens anvendelighed begrænset.

• Hvordan tillader virksomhedspolitik og gældende lovgivning dataene til at blive brugt og behandlet? Du vil måske slette brugen af ​​dataene med din juridiske afdeling for eventuelle juridiske problemer, der måtte opstå. (Se den medfølgende sidebjælke for et berømt nyligt eksempel.).

Når du har identificeret data, der er passende at bruge i opbygningen af ​​din model, er det næste trin at klassificere det - for at oprette og anvende nyttige etiketter til dine dataelementer. Hvis du f.eks. Arbejder på data om kundernes købsadfærd, kan etiketterne definere datakategorier i overensstemmelse med hvordan nogle kundegrupper køber:

• Sæsonkunder kan være dem, der handler regelmæssigt eller semi-regelmæssigt.

• Rabatorienterede kunder kan være dem, der har tendens til at handle kun, når der tilbydes store rabatter.

• Trofaste kunder er dem, der har købt mange af dine produkter over tid.

Forudsiger den kategori, som en ny kunde passer til, kan være af stor værdi for marketingteamet. Tanken er at bruge tid og penge effektivt til at identificere, hvilke kunder der skal annoncere for, hvilke produkter der skal anbefales til dem og vælge den bedste tid til at gøre det.

Meget tid og penge kan blive spildt, hvis du målretter mod de forkerte kunder, sandsynligvis gør dem mindre tilbøjelige til at købe, end hvis du ikke havde markedsført dem i første omgang. Brug af intelligent analyse til målrettet markedsføring bør ikke kun sigte mod mere vellykkede kampagner, men også ved at undgå faldgruber og utilsigtede konsekvenser.