Grunderna för de viktigaste teknologiska trenderna i Predictive Analytics - dummies

Traditionella prediktiva analytiska tekniker kan bara ge insikter på grundval av historiska data. Dina uppgifter - både tidigare och inkommande - kan ge dig en tillförlitlig prediktor som kan hjälpa dig att fatta bättre beslut för att uppnå dina affärsmål. Verktyget för att uppnå detta mål är prediktiv analys.

Så här använder du predictive analytics som en tjänst

Eftersom användningen av prediktiv analys har blivit vanligare och utbredd, är en framväxande trend (förståeligt) mot ökad användarvänlighet. Förmodligen är det enklaste sättet att använda predictive analytics som mjukvara - antingen som en fristående produkt eller som en molnbaserad tjänst som tillhandahålls av ett företag vars verksamhet tillhandahåller förutsägbara analyslösningar för andra företag.

Om ditt företags verksamhet är att erbjuda predictive analytics kan du tillhandahålla den möjligheten på två viktiga sätt:

Som en fristående program med ett användarvänligt grafiskt användargränssnitt: > Kunden köper prognosanalysprodukten och använder den för att bygga anpassade prediktiva modeller. Som en molnbaserad uppsättning programvaruverktyg som hjälper användaren att välja en prediktiv modell som ska användas:
Kunden tillämpar verktygen för att uppfylla kraven och specifikationerna för projektet och den typ av data som modellen kommer att tillämpas på. Verktygen kan erbjuda förutsägelser snabbt, utan att involvera klienten i arbetet med de använda algoritmerna eller den aktuella datahanteringen.

Ett enkelt exempel kan vara lika enkelt som dessa tre steg:

En klient överför data till dina servrar, eller väljer data som redan finns i molnet.

Kunden tillämpar en del av den tillgängliga prediktiva modellen på den data.
Kundrecensioner visade insikter och förutsägelser från resultaten av analysen eller tjänsten.
Så här aggregerar du utdelad data för analys

En växande trend är att tillämpa prediktiv analys på data som samlas in från olika källor. Att distribuera en typisk prediktiv analyslösning i en distribuerad miljö kräver att data samlas - ibland stora data - från olika källor. ett tillvägagångssätt som måste förlita sig på datahanteringsfunktioner. Data måste samlas in, förbehandlas och hanteras

före det kan anses användbart för att generera handlingsbara förutsägelser. Arkitekterna av predictive analytics-lösningar måste alltid möta problemet med hur man samlar och bearbetar data från olika datakällor.Tänk om exempelvis ett företag som vill förutsäga framgången för ett affärsbeslut som påverkar en av dess produkter genom att utvärdera ett av följande alternativ:

Att sätta företagets resurser på att öka försäljningsvolymen

Att säga upp tillverkningen av produkten
För att ändra den nuvarande försäljningsstrategin för produkten
Den predictive analytics arkitekten måste konstruera en modell som hjälper företaget att fatta detta beslut, med hjälp av data om produkten från olika avdelningar:

Tekniska data

: Ingenjörsavdelningen har uppgifter om produktens specifikationer, dess livscykel och de resurser och tid som behövs för att producera den. Försäljningsdata
: Försäljningsavdelningen har information om produktens försäljningsvolym, antal försäljningar per region och vinst som genereras av försäljningen. Kunddata från undersökningar, recensioner och inlägg
: Företaget får inte ha någon dedikerad avdelning som analyserar hur kunderna känner sig för produkten. Verktyg finns emellertid som automatiskt kan analysera data som läggs ut på nätet och extrahera författarnas, högtalarnas eller kundernas attityder mot ett ämne, ett fenomen eller (i det här fallet) en produkt. Om en användare postar en recension om produkt X som säger "Jag gillar verkligen Product X och jag är nöjd med priset," en

sentiment extractor markerar automatiskt den här kommentaren som positiv. Sådana verktyg kan klassificera svar som "glada", "ledsna", "arg" och så vidare, basera klassificeringen på de ord som en författare använder i text som skickas online. När det gäller produkt X skulle den förutsägbara analyslösningen behöva sammanfatta kundrecensioner från externa källor.

Exemplet är en aggregering av data från flera källor, både interna och externa, från verkstads- och försäljningsavdelningarna (internt) och från kundrecensioner från sociala nätverk (externa) - vilket också är en förekomst av att använda stora data i prediktiv analys.

Grunderna i datadriven analytik i realtid

Att ge insikter när nya händelser inträffar i realtid är en utmanande uppgift eftersom så mycket händer så snabbt. Modern höghastighetsbearbetning har förskjutit sökandet efter affärsinsikt bort från traditionell datalagring och mot realtidsbehandling.

Men volymen av data är också hög - en enorm mängd olika data, från flera källor, genereras ständigt och med olika hastigheter. Företagen är angelägna om skalbara predictive analytics lösningar som kan härleda realtidsinsikt från en översvämning av data som verkar bära "världen och allt den innehåller. "

Efterfrågan intensifieras för att analysera data i realtid

och generera förutsägelser snabbt. Tänk på det verkliga exemplet om du stöter på en online-annonsplacering som motsvarar ett köp du redan skulle göra. Företagen är intresserade av predictive analytics-lösningar som kan ge följande funktioner: Förutse - i realtid - den specifika annonsen som en webbplatsbesökare sannolikt skulle klicka på (ett tillvägagångssätt som heter

realtidsannonsering >). Spekulera exakt vilka kunder som ska sluta en tjänst eller produkt för att rikta dem mot en behållarkampanj ( kundretention och churn modellering
). Identifiera väljare som kan påverkas genom en specifik kommunikationsstrategi som hembesök, tv-annons, telefonsamtal eller e-post. (Du kan föreställa dig inverkan på politisk kampanjer.) Förutom att uppmuntra att köpa och rösta längs önskade linjer kan realtids predictive analytics fungera som ett viktigt verktyg för automatisk upptäckt av cyberattacker.