Innehållsförteckning:
- Så här genererar du data-driven predictive analytics
- Hur man genererar användardriven predictive analytics börjar med dig (eller dina chefer) att fatta idéer och sedan ta tillflykt i dina data för att se om de idéer har meriter, skulle stå testande, och stöds av data.
Video: The Great Gildersleeve: The Circus / The Haunted House / The Burglar 2025
Det finns två sätt att generera eller implementera predictive analytics: rent på grundval av dina data (utan förkunskaper om vad du är ute efter) eller med en föreslagna affärsmål som data kan eller kanske inte stöder. Du behöver inte välja den ena eller den andra; De två tillvägagångssätten kan vara komplementära. Var och en har sina fördelar och nackdelar.
Båda metoderna för prediktiv analys har sina begränsningar; Håll riskhanteringen i åtanke när du granskar resultaten. Vilket tillvägagångssätt finner du att vara lovande av goda resultat och relativt säkra?
Kombinera båda typerna av analys ger dig möjlighet att öka din förståelse, insikt och medvetenhet om ditt företag och dina kunder. Det gör din beslutsprocess smartare och därefter mer lönsam.
Så här genererar du data-driven predictive analytics
Om du baserar din analys rent på befintliga data kan du använda interna data - samlad av ditt företag genom åren - eller externa data (ofta inköpta från en källa utanför ditt företag) som är relevant för din bransch.
För att kunna känna till den data kan du använda data-mining verktyg för att övervinna både dess komplexitet och storlek; avslöja några mönster du inte kände till upptäcka några föreningar och länkar inom dina data; och använd dina resultat för att skapa nya kategoriseringar, nya insikter och ny förståelse.
Datadriven analys kan till och med avslöja en pärla eller två som kan radikalt förbättra ditt företag - vilket alla ger detta tillvägagångssätt en överraskning som matar nyfikenhet och bygger förväntan.
Datadriven analys passar bäst för stora dataset eftersom det är svårt för människor att sätta sig ihop runt enorma mängder data. Data-mining verktyg och visualisering tekniker hjälper dig att titta närmare och skära den överväldigande massan av data ner till storlek. Håll dessa allmänna principer i åtanke:
-
Ju mer fullständiga dina data är desto bättre blir resultatet av datadriven analytik. Om du har omfattande data som har viktig information till de variabler du mäter och spänner över en längre tid, är du garanterad att upptäcka något nytt om ditt företag.
-
Datadriven analytik är neutral eftersom ingen förkunskaper om data är nödvändiga, och du är inte särskilt efter ett visst mål, men analyserar data för dess skull.
-
Denna analyss karaktär är bred och det handlar inte om en specifik sökning eller validering av en förutbestämd idé.Denna metod för analys kan betraktas som en slags slumpmässig och bred datautvinning.
-
Om du utför en sådan dataanalys, och om du lär dig något om ditt företag från analysen, behöver du fortfarande bestämma om resultaten du får är värda att genomföra eller agera på.
-
Att förlita sig endast på datadriven analytik ökar risken för de därmed följande affärsbesluten. Du kan dock begränsa den risken genom att införliva en del av den realism som kännetecknar användardriven analytik.
När realtidsdata visar (eller åtminstone stöder) riktigheten av dina ursprungliga idéer, är det lämpliga beslutet redan gjort. När en informerad bråka valideras av uppgifterna, visar hela analysen sig som drivs av strategiska idéer som var värda att driva och verifiera.
Hur man genererar användardriven predictive analytics börjar med dig (eller dina chefer) att fatta idéer och sedan ta tillflykt i dina data för att se om de idéer har meriter, skulle stå testande, och stöds av data.
Testdata kan vara en mycket liten delmängd av din totala företagsdata; Det är något du definierar och väljer som du anser vara relevant för att testa dina idéer. Processen att välja rätt dataset och utforma exakta testmetoder - faktiskt hela processen från början till adoption - måste vägledas genom noggrann övervägning och noggrann planering. Användardriven analytik kräver inte bara strategiskt tänkande utan också tillräcklig fördjupad kunskap om affärsområdet för att säkerhetskopiera strategin. Vision och intuition kan vara till stor hjälp här; du letar efter hur uppgifterna ger specifikt stöd till idéer som du anser vara viktiga och strategiska. Denna metod för prediktiv analys definieras av omfattningen av de idéer du prövar. Beslutsfattandet blir lättare när dataen stöder dina idéer.
Processen att söka dina idéer kanske inte är så enkel att analysera hela dataset. Det kan också påverkas av din bias för att bevisa att dina initiala antaganden är korrekta.
Här är en jämförelse av data-driven och användardriven data.
Egenskaper
Datadriven
Användardriven
| Företagskunskap behövs | Ingen förkunskaper | Fördjupad domänkunskap |
|---|---|---|
| Analys och verktyg Används | Bred dataanvändning -mineringsverktyg | Specifik design för analys och testning |
| Stor data | Passar för storskalig data | Används på mindre datamängder |
| Analysområde | Öppet räckvidd | Begränsat omfång > Analys Slutsats |
| Behövs verifiering av resultat | Mättare antagande av analysresultat | Datamönster |
| Upptäcker mönster och föreningar | Kan sakna dolda mönster och föreningar |
