การวิเคราะห์เชิงคาดการณ์ข้อมูลขนาดใหญ่และวิธีทำให้พวกเขาทำงานให้คุณได้

การวิเคราะห์เชิงพยากรณ์เป็นผลที่เกิดขึ้นจริงของ Big Data และระบบธุรกิจอัจฉริยะ (BI) คุณจะทำอย่างไรเมื่อธุรกิจของคุณรวบรวมข้อมูลใหม่ ๆ แอปพลิเคชั่นทางธุรกิจในปัจจุบันมีลูกค้ารายใหม่ตลาดการรับฟังโซเชียลและแอพแบบเรียลไทม์คลาวด์หรือข้อมูลประสิทธิภาพผลิตภัณฑ์ การวิเคราะห์เชิงคาดการณ์เป็นวิธีหนึ่งในการใช้ประโยชน์จากข้อมูลทั้งหมดได้รับข้อมูลเชิงลึกที่จับต้องได้และอยู่เหนือการแข่งขัน

องค์กรใช้การวิเคราะห์เชิงพยากรณ์ในหลากหลายวิธีตั้งแต่การตลาดเชิงพยากรณ์และการขุดข้อมูลไปจนถึงการประยุกต์ใช้การเรียนรู้ของเครื่องจักร (ML) และอัลกอริทึมปัญญาประดิษฐ์ (AI) เพื่อปรับกระบวนการทางธุรกิจให้เหมาะสมและค้นพบรูปแบบทางสถิติใหม่ โดยทั่วไปแล้วคอมพิวเตอร์จะเรียนรู้จากพฤติกรรมที่ผ่านมาเกี่ยวกับวิธีการทำกระบวนการทางธุรกิจที่ดีขึ้นและนำเสนอข้อมูลเชิงลึกใหม่ ๆ ว่าองค์กรของคุณทำงานอย่างไร แต่ก่อนที่เราจะเข้าสู่ทุกวิธีที่น่าสนใจธุรกิจและ บริษัท เทคโนโลยีกำลังใช้การวิเคราะห์เชิงพยากรณ์เพื่อประหยัดเวลาประหยัดเงินและได้รับความได้เปรียบเหนือส่วนอื่น ๆ ของตลาดสิ่งสำคัญคือการพูดคุยเกี่ยวกับสิ่งที่การวิเคราะห์เชิงทำนายคืออะไร .

Predictive Analytics คืออะไร

การวิเคราะห์เชิงทำนายไม่ได้เป็นแนวคิดขาวดำหรือคุณลักษณะที่แยกจากกันของผู้จัดการฐานข้อมูลที่ทันสมัย มันเป็นเทคโนโลยีการวิเคราะห์ข้อมูลและเทคนิคทางสถิติที่รวมอยู่ในแบนเนอร์เดียว เทคนิคหลักคือการวิเคราะห์การถดถอยซึ่งทำนายค่าที่เกี่ยวข้องของตัวแปรหลายตัวที่มีความสัมพันธ์กันโดยอาศัยการพิสูจน์หรือพิสูจน์สมมติฐานที่เฉพาะเจาะจง การวิเคราะห์เชิงพยากรณ์เป็นเรื่องเกี่ยวกับการรับรู้รูปแบบของข้อมูลต่อความน่าจะเป็นของโครงการอ้างอิงจาก Allison Snow นักวิเคราะห์อาวุโสของการตลาด B2B ที่ Forrester

“ เป็นกุญแจสำคัญที่ต้องตระหนักว่าการวิเคราะห์นั้นเกี่ยวกับความน่าจะเป็นไม่ใช่ความสมบูรณ์” สโนว์กล่าวซึ่งครอบคลุมพื้นที่การตลาดเชิงทำนาย "ต่างจากการวิเคราะห์แบบดั้งเดิมเมื่อใช้การวิเคราะห์เชิงพยากรณ์เราไม่ทราบล่วงหน้าว่าข้อมูลใดมีความสำคัญการวิเคราะห์เชิงพยากรณ์ จะกำหนด ว่าข้อมูลใดที่จะทำนายผลที่คุณต้องการทำนาย"

คิดเกี่ยวกับตัวแทนขายที่ดูโปรไฟล์ลูกค้าเป้าหมายในแพลตฟอร์มการจัดการลูกค้าสัมพันธ์ (CRM) เช่น Salesforce.com สมมติว่าสมมติฐานคือผู้นำจะซื้อผลิตภัณฑ์ของคุณ สมมติฐานอื่น ๆ คือตัวแปรคือต้นทุนผลิตภัณฑ์บทบาทของผู้นำในธุรกิจและอัตราส่วนกำไรในปัจจุบันของ บริษัท ทบตัวแปรเหล่านั้นให้เป็นสมการถดถอยและ voila! คุณมีรูปแบบการคาดการณ์ที่จะคาดการณ์กลยุทธ์ที่มีประสิทธิภาพสำหรับการทอยและขายผลิตภัณฑ์ให้กับฝ่ายขายที่เหมาะสม

นอกเหนือจากการวิเคราะห์การถดถอย (ความซับซ้อนและชุดย่อยที่คุณสามารถทำได้ในไพรเมอ ร์ Harvard Business Review นี้ ) การวิเคราะห์เชิงพยากรณ์ยังใช้การขุดข้อมูลและ ML ที่ก้าวหน้ายิ่งขึ้น การขุดข้อมูลเป็นสิ่งที่ดูเหมือน: คุณตรวจสอบชุดข้อมูลขนาดใหญ่เพื่อค้นหารูปแบบและเปิดเผยข้อมูลใหม่ เทคนิค ML นั้นมีความสม่ำเสมอมากกว่าเดิมกลายเป็นกระทะร่อนและพลั่วในการค้นหานักเก็ตข้อมูลทองคำ นวัตกรรม ML เช่นเครือข่ายนิวรัลและอัลกอริทึมการเรียนรู้ลึกสามารถประมวลผลชุดข้อมูลที่ไม่มีโครงสร้างเหล่านี้ได้เร็วกว่านักวิทยาศาสตร์หรือนักวิจัยข้อมูลแบบดั้งเดิมและมีความแม่นยำและแม่นยำยิ่งขึ้นเมื่ออัลกอริทึมเรียนรู้และปรับปรุง มันเป็นวิธีเดียวกับที่ IBM Watson ทำงานและชุดเครื่องมือโอเพนซอร์ซเช่น TensorFlow ของ Google และ CNTK ของ Microsoft เสนอฟังก์ชันการทำงาน ML ในบรรทัดเดียวกัน

การเปลี่ยนแปลงครั้งใหญ่ที่เกิดขึ้นกับการวิเคราะห์เชิงพยากรณ์นั้นไม่ได้เป็นเพียงแค่ความก้าวหน้าของ ML และ AI แต่มันไม่ใช่แค่นักวิทยาศาสตร์ด้านข้อมูลโดยใช้เทคนิคเหล่านี้อีกต่อไป เครื่องมือสร้างภาพ BI และข้อมูลพร้อมกับองค์กรโอเพ่นซอร์สเช่น Apache Software Foundation กำลังทำให้เครื่องมือวิเคราะห์ข้อมูลขนาดใหญ่เข้าถึงได้ง่ายขึ้นมีประสิทธิภาพมากขึ้นและใช้งานง่ายกว่าที่เคยเป็นมา ML และเครื่องมือวิเคราะห์ข้อมูลเป็นบริการตนเองและอยู่ในมือของผู้ใช้ทางธุรกิจทุกวันตั้งแต่พนักงานขายของเราทำการวิเคราะห์ข้อมูลลูกค้าเป้าหมายหรือผู้บริหารที่พยายามถอดรหัสแนวโน้มของตลาดในห้องประชุมไปจนถึงตัวแทนฝ่ายบริการลูกค้าที่ทำการวิจัยจุดปวดลูกค้าทั่วไปและสื่อสังคมออนไลน์ ผู้จัดการฝ่ายการตลาดประเมินประชากรผู้ติดตามและแนวโน้มทางสังคมเพื่อเข้าถึงกลุ่มเป้าหมายที่เหมาะสมด้วยแคมเปญ กรณีการใช้งานเหล่านี้เป็นเพียงส่วนหนึ่งของภูเขาน้ำแข็งในการสำรวจทุกวิธีที่การวิเคราะห์เชิงพยากรณ์กำลังเปลี่ยนแปลงธุรกิจ

ที่กล่าวว่าการวิเคราะห์เชิงทำนายไม่เหมือนลูกบอลคริสตัลหรือปฏิทินกีฬาของ Biff Tannen จาก Back to the Future 2 อัลกอริธึมและแบบจำลองไม่สามารถบอกธุรกิจของคุณได้เกินกว่าเงาที่มีข้อสงสัยว่าผลิตภัณฑ์ถัดไปจะเป็นผู้ชนะพันล้านดอลลาร์ หรือว่าตลาดกำลังจะแท้ง ข้อมูลยังคงเป็นวิธีการคาดเดาการศึกษา เราได้รับการศึกษาที่ดีกว่าที่เคยเป็นมา

การทำลายการวิเคราะห์เชิงพยากรณ์และเชิงพรรณนา

ในรายงาน Forrester อื่นที่ชื่อว่า 'Predictive Analytics สามารถใส่แอปพลิเคชันของคุณด้วย' Advantage ที่ไม่เป็นธรรม '"Mike Gualtieri นักวิเคราะห์หลักกล่าวว่า" คำว่า' การวิเคราะห์ 'ใน' การวิเคราะห์เชิงทำนาย 'เป็นบิตของการเรียกชื่อผิด การวิเคราะห์เชิงพยากรณ์ไม่ใช่สาขาของการวิเคราะห์แบบดั้งเดิมเช่นการรายงานหรือการวิเคราะห์ทางสถิติ มันเกี่ยวกับการค้นหาแบบจำลองการทำนายที่ บริษัท สามารถใช้เพื่อทำนายผลลัพธ์ทางธุรกิจในอนาคตและ / หรือพฤติกรรมของลูกค้า "

ในระยะสั้นสโนว์อธิบายว่าคำว่า "การคาดการณ์" หมายถึงความน่าจะเป็นมากกว่าความแน่นอนโดยแบ่งย่อยภูมิทัศน์ของเครื่องมือการวิเคราะห์และปัจจัยในการวิเคราะห์เชิงกำหนด

"การวิเคราะห์เชิงพรรณนาโดยไม่เฉพาะ 'ขั้นสูง' เพียงแค่จับสิ่งที่เกิดขึ้น" สโนว์กล่าว "การวิเคราะห์เชิงพรรณนาหรือเชิงประวัติเป็นรากฐานที่อัลกอริทึมอาจได้รับการพัฒนาสิ่งเหล่านี้เป็นตัวชี้วัดที่เรียบง่าย แต่บ่อยครั้งที่การจัดการที่กว้างใหญ่เกินกว่าจะจัดการได้

"โดยทั่วไปแดชบอร์ดและการรายงานเป็นวิธีที่ใช้กันมากที่สุดสำหรับการวิเคราะห์เชิงพยากรณ์ภายในองค์กรในปัจจุบันเครื่องมือเหล่านี้มักจะขาดการเชื่อมโยงไปยังการตัดสินใจทางธุรกิจการปรับกระบวนการให้ดีที่สุดประสบการณ์ของลูกค้าหรือการกระทำอื่น ๆ คำแนะนำเกี่ยวกับสิ่งที่จะทำกับพวกเขาการวิเคราะห์เชิงกำหนดคือจุดที่การมองเห็นเป็นไปตามการกระทำพวกเขาตอบคำถามว่า 'ตอนนี้ฉันรู้ว่าความน่าจะเป็นของผลลัพธ์ที่สามารถทำได้เพื่อส่งผลต่อทิศทางที่เป็นบวกสำหรับฉัน' ลูกค้าปั่นหรือขายมีโอกาสมากขึ้น "

การวิเคราะห์เชิงพยากรณ์อยู่ทุกหนทุกแห่ง

ในฐานะที่เป็นภูมิทัศน์ BI วิวัฒนาการการวิเคราะห์เชิงพยากรณ์กำลังหาทางเข้าไปในกรณีการใช้งานทางธุรกิจมากขึ้นเรื่อย ๆ เครื่องมือเช่นตัวเลือกบรรณาธิการของเรา Tableau Desktop และ Microsoft Power BI sport การออกแบบและการใช้งานง่ายรวมถึงตัวเชื่อมต่อข้อมูลขนาดใหญ่และการสร้างภาพข้อมูลเพื่อให้เข้าใจถึงปริมาณข้อมูลขนาดใหญ่ของธุรกิจข้อมูลที่นำเข้าจากแหล่งต่างๆเช่น Amazon Elastic MapReduce (EMR) BigQuery และ Hadoop การแจกแจงจากผู้เล่นเช่น Cloudera, Hortonworks และ MapR เครื่องมือการบริการตนเองเหล่านี้ไม่จำเป็นต้องมีคุณสมบัติการวิเคราะห์ขั้นสูงที่สุด แต่พวกเขาทำให้ Big Data มีขนาดเล็กลงและง่ายต่อการวิเคราะห์และทำความเข้าใจ

Snow กล่าวว่ามีกรณีการใช้งานที่หลากหลายสำหรับการวิเคราะห์เชิงพยากรณ์ในธุรกิจตั้งแต่การตรวจจับการฉ้อโกง ณ จุดขาย (POS) การปรับเนื้อหาดิจิทัลโดยอัตโนมัติตามบริบทของผู้ใช้ในการผลักดันการแปลงหรือการเริ่มต้นบริการลูกค้าเชิงรุก แหล่งรายได้ ในการทำการตลาด B2B สโนว์กล่าวว่ารัฐวิสาหกิจและ SMB ใช้การตลาดแบบคาดการณ์ด้วยเหตุผลเดียวกับที่พวกเขาใช้กลยุทธ์กลยุทธ์หรือเทคโนโลยีใด ๆ เพื่อชนะรักษาและให้บริการลูกค้าได้ดีกว่าที่ไม่ได้ทำ

สโนว์ระบุกรณีการใช้การตลาด B2B ทั้งสามประเภทเธอกล่าวว่าประสบความสำเร็จในการคาดการณ์ล่วงหน้าและวางรากฐานสำหรับการใช้การวิเคราะห์การตลาดที่ซับซ้อนมากขึ้น

1. การให้คะแนนแบบคาดการณ์ล่วงหน้า: การ จัดลำดับความสำคัญลูกค้าที่คาดหวังโอกาสในการขายและบัญชีโดยพิจารณาจากโอกาสในการดำเนินการ

“ จุดเริ่มต้นที่ธรรมดาที่สุดสำหรับนักการตลาด B2B ในการทำตลาดแบบคาดการณ์, การให้คะแนนแบบทำนายได้เพิ่มมิติทางวิทยาศาสตร์, คณิตศาสตร์เพื่อการจัดลำดับความสำคัญแบบดั้งเดิมซึ่งต้องอาศัยการเก็งกำไร, การทดลองและการทำซ้ำเพื่อหาเกณฑ์และน้ำหนัก” "กรณีการใช้งานนี้ช่วยให้ฝ่ายขายและนักการตลาดสามารถระบุบัญชีที่มีประสิทธิผลได้เร็วขึ้นใช้เวลาน้อยลงในการแปลงบัญชีที่มีโอกาสน้อยกว่าและเริ่มต้นการขายต่อเนื่อง

2. รูปแบบการระบุตัวตน: การระบุและการรับลูกค้าเป้าหมายด้วยคุณลักษณะที่คล้ายคลึงกับลูกค้าที่มีอยู่

"ในกรณีการใช้งานนี้บัญชีที่แสดงพฤติกรรมที่ต้องการ (ทำการซื้อต่ออายุสัญญาหรือซื้อผลิตภัณฑ์และบริการเพิ่มเติม) เป็นพื้นฐานของรูปแบบการระบุ" สโนว์กล่าว "กรณีการใช้งานนี้ช่วยให้ฝ่ายขายและนักการตลาดค้นหาลูกค้าที่มีคุณค่าก่อนหน้านี้ในวงจรการขายเปิดเผยนักการตลาดใหม่จัดลำดับความสำคัญของบัญชีที่มีอยู่เพื่อการขยายตัวและการริเริ่มด้านการตลาดตามบัญชีพลังงาน (ABM) เปิดกว้างยิ่งขึ้นต่อข้อความการขายและการตลาด "

3. การแบ่งส่วนอัตโนมัติ: ส่วนนำไปสู่การส่งข้อความส่วนบุคคล

"นักการตลาด B2B สามารถแบ่งกลุ่มตามคุณสมบัติทั่วไปเช่นอุตสาหกรรมได้และด้วยความพยายามแบบแมนนวลที่การปรับให้เป็นส่วนตัวนั้นใช้กับแคมเปญที่มีลำดับความสำคัญสูงเท่านั้น" สโนว์กล่าว "ตอนนี้แอตทริบิวต์ที่ใช้ฟีดอัลกอริธึมการทำนายสามารถผนวกเข้ากับเร็กคอร์ดบัญชีเพื่อสนับสนุนการแบ่งเซ็กเมนต์ที่สลับซับซ้อนและอัตโนมัติกรณีใช้งานนี้ช่วยให้ฝ่ายขายและนักการตลาดผลักดันการสื่อสารขาออกด้วยข้อความที่เกี่ยวข้อง ฉลาดกว่า "

เครื่องมือ BI และเฟรมเวิร์กโอเพนซอร์สเช่น Hadoop เป็นข้อมูลที่เป็นประชาธิปไตยโดยรวม แต่นอกเหนือจากการตลาด B2B การวิเคราะห์เชิงพยากรณ์ยังถูกนำไปใช้กับแพลตฟอร์มซอฟต์แวร์บนคลาวด์ในอุตสาหกรรมต่างๆ นำเว็บไซต์หางานออนไลน์ของ บริษัท eHarmony ของ Elevated Careers และหยิบของผู้ขายรายอื่นในพื้นที่ "การวิเคราะห์เชิงพยากรณ์สำหรับการจ้างงาน" แพลตฟอร์มเหล่านี้ยังคงเป็นอย่างมากในช่วงแรก ๆ ของพวกเขา แต่ความคิดในการใช้ข้อมูลเพื่อคาดการณ์ว่าผู้สมัครงานคนใดเหมาะสมที่สุดสำหรับงานเฉพาะและ บริษัท มีศักยภาพที่จะพลิกโฉมวิธีการที่ผู้จัดการทรัพยากรมนุษย์

ผู้ให้บริการช่วยเหลือเช่น Zendesk ได้เริ่มเพิ่มความสามารถในการวิเคราะห์เชิงพยากรณ์เพื่อช่วยให้ซอฟต์แวร์โต๊ะทำงาน บริษัท ได้ติดตั้งแพลตฟอร์มพร้อมพลังการคาดการณ์เพื่อช่วยให้ฝ่ายบริการลูกค้าทราบถึงปัญหาที่เกิดขึ้นด้วยระบบเตือนภัยล่วงหน้าโดยใช้ข้อมูลซึ่งเรียกว่าการทำนายความพึงพอใจ คุณลักษณะนี้ใช้อัลกอริธึม ML เพื่อประมวลผลผลการสำรวจความพึงพอใจการขว้างตัวแปรรวมถึงเวลาในการแก้ไขตั๋วเวลาในการตอบสนองการบริการลูกค้าและถ้อยคำตั๋วที่เฉพาะเจาะจงลงในอัลกอริทึมการถดถอยเพื่อคำนวณคะแนนความพึงพอใจของลูกค้า

เรายังเห็นการวิเคราะห์เชิงคาดการณ์ส่งผลกระทบอย่างใหญ่หลวงต่อผลกำไรในระดับอุตสาหกรรมและกับ Internet of Things (IoT) Google ใช้อัลกอริทึม ML ในศูนย์ข้อมูลเพื่อเรียกใช้การบำรุงรักษาแบบคาดการณ์ล่วงหน้าบนเซิร์ฟเวอร์ฟาร์มโดยใช้โครงสร้างพื้นฐานคลาวด์สาธารณะของ Google Cloud Platform (GCP) อัลกอริทึมใช้ข้อมูลสภาพอากาศโหลดและตัวแปรอื่น ๆ เพื่อปรับปั๊มความเย็นของศูนย์ข้อมูลไว้ล่วงหน้าและลดการใช้พลังงานลงอย่างมาก

การบำรุงรักษาแบบคาดการณ์ชนิดนี้กำลังกลายเป็นเรื่องธรรมดาในโรงงานเช่นกัน บริษัท เทคโนโลยีระดับองค์กรเช่น SAP เสนอการบำรุงรักษาแบบคาดการณ์ล่วงหน้าและแพลตฟอร์มบริการโดยใช้ข้อมูลเซ็นเซอร์จากอุปกรณ์การผลิต IoT ที่เชื่อมต่อเพื่อคาดการณ์เมื่อเครื่องมีความเสี่ยงสำหรับปัญหาทางกลหรือความล้มเหลว บริษัท ด้านเทคโนโลยีเช่น Microsoft กำลังสำรวจการบำรุงรักษาแบบคาดการณ์ล่วงหน้าสำหรับแอพการบินและอวกาศทำให้ Cortana ทำงานในการวิเคราะห์ข้อมูลเซ็นเซอร์จากเครื่องยนต์และส่วนประกอบของเครื่องบิน

รายการแอพพลิเคชั่นทางธุรกิจที่มีศักยภาพดำเนินต่อไปเรื่อย ๆ ตั้งแต่วิธีการวิเคราะห์เชิงพยากรณ์ที่เปลี่ยนแปลงอุตสาหกรรมค้าปลีกไปจนถึงการเริ่มต้น fintech โดยใช้แบบจำลองการพยากรณ์ในการวิเคราะห์การฉ้อโกงและความเสี่ยงในการทำธุรกรรมทางการเงิน เราได้ทำให้พื้นผิวมีรอยขีดข่วนเท่านั้นทั้งสองวิธีที่อุตสาหกรรมต่าง ๆ สามารถรวมการวิเคราะห์ข้อมูลประเภทนี้และความลึกที่เครื่องมือและเทคนิคการวิเคราะห์เชิงทำนายจะกำหนดวิธีการที่เราทำธุรกิจร่วมกับวิวัฒนาการของ AI ในขณะที่เราเข้าใกล้การทำแผนที่สมองเทียมอย่างแท้จริงความเป็นไปได้ไม่มีที่สิ้นสุด