Så här introducerar du prediktiva Analytics-dataklassificeringar till ditt företag

Om din verksamhet ännu inte använder datarklassificering som används i prediktiv analys, kanske det är dags att presentera det som ett sätt att göra bättre lednings- eller driftsbeslut. Denna process börjar med ett undersökningssteg: Identifiera ett problemområde i verksamheten där riklig data är tillgänglig men för närvarande inte används för att driva affärsbeslut.

Ett sätt att identifiera ett sådant problemområde är att hålla möten med dina analytiker, chefer och andra beslutsfattare för att fråga dem vilka riskella eller svåra beslut de upprepade gånger gör - och vilken typ av data de behöver för att stödja sina beslut. Om du har data som speglar resultaten av tidigare beslut, var beredd att dra nytta av det. Denna process för att identifiera problemet kallas upptäcktsfasen.

Efter upptäcktsfasen vill du följa upp individuella frågeformulär adresserade till affärsintressenterna. Överväg att ställa följande typer av frågor:

• Vad vill du veta från data?

• Vilka åtgärder kommer du att ta när du får ditt svar?

• Hur mäter du resultaten från de åtgärder som vidtagits?

Om den prediktiva analysmodellens resultat ger meningsfull insikt, måste någon göra något med det - vidta åtgärder. Självklart vill du se om resultaten av den åtgärden lägger till företagsvärde för organisationen. Så du måste hitta en metod för att mäta detta värde - oavsett när det gäller besparingar från driftskostnader, ökad försäljning eller bättre kundretention.

När du genomför dessa intervjuer försöker du förstå varför vissa uppgifter är färdiga och hur de används i affärsprocessen. Fråga varför saker är hur de är, kan hjälpa dig att avslöja oväntade realisationer. Det går inte att samla in och analysera data bara för att skapa mer data. Du vill använda den data för att svara på specifika affärsbehov.

För datavetenskapare eller modellerare definierar denna övning vilken typ av data som ska klassificeras och analyseras - ett steg som är väsentligt för att utveckla en dataklassificeringsmodell. En grundläggande skillnad till att börja med är om de data du ska använda för att träna modellen är interna eller externa:

• Intern data är specifik för ditt företag. Vanligtvis drar du från företagets datakällor och kan innehålla många datatyper - som strukturerad, halvstrukturerad eller ostrukturerad.

• Externa data kommer från utsidan av företaget, ofta som data köpt från andra företag.

Oavsett om de data du använder för din modell är interna eller externa, vill du utvärdera den först. Flera frågor kommer sannolikt att uppstå i den utvärderingen:

• Hur kritisk och korrekt är uppgifterna i fråga? Om det är för känsligt kan det inte fungera för dina ändamål.

• Hur noggrann är dataen ifråga och om dess noggrannhet är ifrågasättande, då är dess användningsområde begränsad.

• Hur tillåter företagspolicy och tillämpliga lagar data att användas och bearbetas? Du kanske vill rensa användningen av uppgifterna med din juridiska avdelning för eventuella juridiska problem som kan uppstå. (Se den bifogade sidofältet för ett känt nytt exempel.).

När du har identifierat data som är lämpliga att använda vid byggandet av din modell, är nästa steg att klassificera det - för att skapa och använda användbara etiketter till dina dataelement. Om du till exempel arbetar med data om kundernas köpbeteende kan etiketterna definiera datakategorier enligt hur vissa grupper av kunder köper, enligt följande:

• Säsongskunder kan vara de som handlar regelbundet eller semi-regelbundet.

• Rabatterade kunder kan vara de som brukar handla endast när stora rabatter erbjuds.

• Trofasta kunder är de som har köpt många av dina produkter över tid.

Att förutse den kategori som en ny kund kommer att passa kan vara till stor nytta för marknadsföringsgruppen. Tanken är att spendera tid och pengar på att identifiera vilka kunder som ska annonsera, bestämma vilka produkter som ska rekommenderas till dem och välja den bästa tiden att göra det.

Många tid och pengar kan vara bortkastade om du riktar dig mot fel kunder, vilket gör dem troligare att de inte kommer att köpa än om du inte hade marknadsfört dem i första hand. Att använda predictive analytics för riktad marknadsföring bör inte bara sträva efter mer framgångsrika kampanjer, men också för att undvika fallgropar och oavsiktliga konsekvenser.