Video: DIY INSPIRATION | Creative ideas na yaring pang-sarili | Dekorasyon (Nobyembre 2024)
Ang mahuhulaan na analytics ay ang praktikal na resulta ng Big Data at intelligence ng negosyo (BI). Ano ang gagawin mo kapag ang iyong negosyo ay nangongolekta ng nakakapagod na dami ng mga bagong data? Ang mga aplikasyon sa negosyo ngayon ay gumagala sa mga bundok ng bagong customer, merkado, pakikinig sa lipunan, at data ng real-time app, ulap, o data ng pagganap. Ang mahuhulaan na analytics ay isang paraan upang magamit ang lahat ng impormasyong iyon, makakuha ng mga nasasalat na bagong pananaw, at manatili nang maaga sa kumpetisyon.
Ang mga organisasyon ay gumagamit ng mahuhusay na analytics sa iba't ibang mga iba't ibang paraan, mula sa mahuhulaan sa marketing at pagmimina ng data hanggang sa paglalapat ng pag-aaral ng makina (ML) at algorithm ng artipisyal (AI) upang ma-optimize ang mga proseso ng negosyo at alisan ng mga bagong istatistika ng istatistika. Karaniwang natututo ang mga computer mula sa nakaraang pag-uugali tungkol sa kung paano mas mahusay na gawin ang ilang mga proseso ng negosyo at maihatid ang mga bagong pananaw sa kung paano gumagana ang iyong samahan. Ngunit bago tayo makapasok sa lahat ng mga kamangha-manghang paraan na ang mga negosyo at kumpanya ng teknolohiya ay gumagamit ng mahuhulaan na analytics upang makatipid ng oras, makatipid ng pera, at makakuha ng isang gilid sa natitirang bahagi ng merkado, mahalagang pag-usapan ang eksaktong kung ano ang nahuhulaan na analytics at kung ano ang hindi .
Ano ang Mahuhulaan na Analytics?
Ang hula na analytics ay hindi isang itim at puti na konsepto o isang hiwalay na tampok ng mga modernong tagapamahala ng database. Ito ay isang bungkos ng mga teknolohiya ng pagsusuri ng data at mga istatistikal na istatistikal na pinagsama sa ilalim ng isang banner. Ang pangunahing pamamaraan ay ang pagsusuri ng regresyon, na hinuhulaan ang mga kaugnay na halaga ng maramihang, correlated variable batay sa patunay o disproving ng isang partikular na palagay. Ang mahuhulaan na analytics ay tungkol sa pagkilala ng mga pattern sa data hanggang sa probabilidad ng proyekto, ayon kay Allison Snow, Senior Analyst ng B2B Marketing sa Forrester.
"Ito ay susi upang kilalanin na ang analytics ay tungkol sa mga posibilidad, hindi mga pagpapatawad, " paliwanag ni Snow, na sumasakop sa mahuhulaan na puwang sa marketing. "Hindi tulad ng tradisyonal na analytics, kapag nag-aaplay ng predictive analytics, hindi alam ng isa kung ano ang mahalaga sa data. Matukoy ng mahuhulaan na analytics kung anong data ang mahuhula sa kinalabasan na nais mong hulaan."
Mag-isip tungkol sa isang kinatawan ng benta na tumitingin sa isang profile ng tingga sa isang platform ng relasyon sa pamamahala ng customer (CRM) tulad ng Salesforce.com. Sabihin nating ang palagay ay, bibili ng lead ang iyong produkto. Ang iba pang mga pagpapalagay ay ang mga variable ay gastos ng produkto, ang papel ng tingga sa loob ng isang negosyo, at ang ratio ng kasalukuyang kakayahang kumita ng kumpanya. Ngayon ay mai-plop ang mga variable na ito sa isang equation ng regression at voila! Mayroon akong isang mapaghulaang modelo mula sa kung saan upang i-extrapolate ang isang epektibong diskarte para sa pag-pitching at pagbebenta ng isang produkto sa tamang mga nangunguna.
Bukod sa pagsusuri ng regression (ang mga intricacies at subsets kung saan maaari mo ang tungkol sa panimulang aklat ng Review ng Harvard Business na ito ), ang predictive analytics ay gumagamit din ng mas maraming data mining at ML. Ang data ng pagmimina ay eksakto kung ano ang tunog: sinuri mo ang malalaking set ng data upang matuklasan ang mga pattern at alisan ng takip ang bagong impormasyon. Ang mga pamamaraan sa ML ay, na may higit na regularidad, nagiging mga panukat na pan at pickax para sa paghahanap ng mga nugget na gintong data. Ang mga makabagong pagbabago ng ML tulad ng mga neural network at malalim na mga algorithm ng pag-aaral ay maaaring maproseso ang mga hindi naka-istrukturang data na nagtatakda nang mas mabilis kaysa sa isang tradisyunal na siyentipiko o mananaliksik, at may mas malaki at higit na katumpakan habang natututo at nagpapabuti ang mga algorithm. Ito ay ang parehong paraan ng IBM Watson, at ang mga open-source toolkits tulad ng TensorFlow ng Google at ang CNTK ng Microsoft ay nag-aalok ng pag-andar sa ML kasama ang parehong mga linya.
Ang malaking pagbabago sa pagpapalit sa mahuhulaan na analytics boom ay hindi lamang ang pagsulong ng ML at AI, ngunit hindi lamang ito mga siyentipiko ng data na gumagamit ng mga pamamaraan na ito. Ang mga tool ng BI at data visualization, kasama ang mga bukas na mapagkukunan na organisasyon tulad ng Apache Software Foundation, ay ginagawang mas madaling ma-access, mas mahusay, at mas madaling gamitin ang mga tool ng pagsusuri ng Big Data kaysa dati. Ang mga tool sa pagsusuri sa ML at data ay ngayon ay serbisyo sa sarili at sa mga kamay ng mga gumagamit ng pang-araw-araw na negosyo - mula sa aming salesperson na nag-aaral ng data ng tingga o ehekutibo na nagsisikap na tukuyin ang mga uso sa merkado sa boardroom papunta sa serbisyo ng customer rep na nagsasaliksik ng mga karaniwang puntos ng sakit ng customer at sa social media marketing manager na sumusukat sa mga demograpikong tagasunod at mga uso sa lipunan upang maabot ang tamang target na madla gamit ang isang kampanya. Ang mga kaso ng paggamit na ito ay ang dulo lamang ng iceberg sa paggalugad ng lahat ng mga paraan na ang mga nahuhulaan na analytics ay nagbabago ng negosyo, marami pa sa kung saan makukuha namin sa ibaba.
Iyon ay sinabi, ang mga nahuhulaan na analytics ay hindi tulad ng isang kristal na bola o ang sports almanac ni Biff Tannen mula sa Bumalik sa Hinaharap 2. Ang mga algorithm at modelo ay hindi masasabi sa iyong negosyo na lampas sa anino ng pag-aalinlangan na ang susunod na produkto ay magiging isang bilyon-dolyar na nagwagi o malapit na ang tangke. Ang data ay pa rin isang paraan upang makagawa ng isang edukasyong hula; kami ay lamang ng maraming mas mahusay na pinag-aralan kaysa sa dati.
Pagbabagsak na Mahuhulaan, Nakagagatas, at Deskriptibong Analytics
Sa isa pang ulat ng Forrester na may pamagat na 'Predictive Analytics ay Maaaring Mahawahan ang Iyong mga Aplikasyon Sa Isang' Di-wastong Advantage, '"Punong Punto ng Analyst na si Mike Gualtieri na" ang salitang' analytics 'sa' predictive analytics 'ay isang maliit na isang maling akda. Ang hula na analytics ay hindi isang sangay ng tradisyonal na analytics tulad ng pag-uulat o pagsusuri sa istatistika. Ito ay tungkol sa paghahanap ng mga mahuhulaang modelo na maaaring magamit ng mga kumpanya upang mahulaan ang mga kinalabasan ng negosyo at / o pag-uugali ng customer. "
Sa madaling sabi, ipinaliwanag ni Snow na ang terminong "mahuhula" ay likas na nangangahulugang posibilidad sa katiyakan, pinapabagsak ang landscape ng tool ng analytics at kung paano ito naging mga kadahilanan sa prescriptive analytics.
"Ang naglalarawan ng analytics, habang hindi lalo na 'advanced, ' kinukuha lamang ang mga bagay na nangyari, " sabi ni Snow. "Ang naglalarawan o makasaysayang analytics ay ang pundasyon kung saan maaaring maiunlad ang isang algorithm. Ito ay mga simpleng sukatan ngunit madalas masyadong masigla upang pamahalaan nang walang isang tool sa analytics.
"Sa pangkalahatan, ang mga dashboard at pag-uulat ay ang pinaka-karaniwang paggamit para sa mga mahuhulaan na analytics sa loob ng mga samahan ngayon. Ang mga tool na ito ay madalas na kulang sa link sa mga desisyon sa negosyo, pag-optimize ng proseso, karanasan ng customer, o anumang iba pang pagkilos. Sa madaling salita, ang mga modelo ay gumagawa ng mga pananaw ngunit hindi tahasang Ang mga tagubilin sa kung ano ang gagawin sa kanila.Ang patnubay ng patnubay ay kung saan natutugunan ang pananaw.Ang sagot nila sa tanong na, 'Alam ko ngayon ang posibilidad ng isang kinalabasan kung ano ang maaaring gawin upang maimpluwensyahan ito sa direksyon na positibo para sa akin, ' kung pipigilan iyan customer churn o paggawa ng isang sale mas malamang. "
Ang Predictive Analytics Ay Saanman
Habang umuusbong ang landscape ng BI, ang mahuhulaan na analytics ay nakakahanap ng higit pang mga kaso ng paggamit ng negosyo. Ang mga tool tulad ng aming Mga Editors 'Choice Tableau Desktop at Microsoft Power BI sport intuitive design at kakayahang magamit, at mga malalaking koleksyon ng mga konektor ng data at visualizations upang magkaroon ng kamalayan ng napakalaking dami ng mga negosyo ng data na mai-import mula sa mga mapagkukunan tulad ng Amazon Elastic MapReduce (EMR), Google BigQuery, at Hadoop pamamahagi mula sa mga manlalaro tulad ng Cloudera, Hortonworks, at MapR. Ang mga tool sa paglilingkod sa sarili ay hindi kinakailangang magkaroon ng pinaka advanced na mga tampok na predictive analytics pa, ngunit ginagawa nila ang Big Data na mas maliit at mas madaling pag-aralan at maunawaan.
Sinabi ni Snow na mayroong isang malawak na serye ng mga kaso ng paggamit para sa mahuhusay na analytics sa negosyo ngayon, mula sa pagtuklas ng pandaraya sa point-of-sale (POS), awtomatikong inaayos ang digital na nilalaman batay sa konteksto ng gumagamit upang magmaneho ng mga conversion, o sinimulan ang proactive na serbisyo sa customer para sa panganib mga mapagkukunan ng kita. Sa marketing ng B2B, sinabi ni Snow na ang mga negosyo at SMB ay gumagamit ng mahuhulaan na pagmemerkado sa parehong mga kadahilanan na ginagamit nila ang anumang diskarte, taktika, o teknolohiya: upang manalo, mapanatili, at mapaglingkuran ang mga customer nang mas mahusay kaysa sa mga hindi.
Malalim na pagbabarena, kinilala ng Snow ang tatlong kategorya ng mga kaso ng paggamit ng marketing ng B2B sinabi niya na mangibabaw ng maagang mahuhula na tagumpay at ilatag ang pundasyon para sa mas kumplikadong paggamit ng mga mapaghulaang marketing analytics.
1. Mahuhulaan na Pagmamarka: Pinapahalagahan ang kilalang mga prospect, nangunguna, at mga account batay sa posibilidad na gumawa ng aksyon.
"Ang pinakakaraniwang punto ng pagpasok para sa mga marketer ng B2B sa mahuhusay na marketing, ang nagdarayang pagmamarka ay nagdaragdag ng isang pang-agham, matematika na sukat sa maginoo na prioritization na nakasalalay sa haka-haka, eksperimento, at pag-ulit upang makuha ang pamantayan at weightings, " sabi ni Snow. "Ang paggamit ng kaso na ito ay makakatulong sa mga benta at mga namimili na makilala ang mga produktibong account nang mas mabilis, gumastos ng mas kaunting oras sa mga account na mas malamang na mag-convert, at simulan ang mga target na cross-sell o upsell campaign.
2. Mga Modelo ng Pagkakilala: Pagkilala at pagkuha ng mga prospect na may mga katangian na katulad ng umiiral na mga customer.
"Sa kasong ito, ang mga account na nagpakita ng ninanais na pag-uugali (gumawa ng isang pagbili, binago ang isang kontrata, o bumili ng mga karagdagang produkto at serbisyo) ay nagsisilbing batayan ng isang modelo ng pagkilala, " sabi ni Snow. "Ang paggamit ng kaso na ito ay makakatulong sa mga benta at mga namimili na makahanap ng mahalagang mga prospect nang mas maaga sa ikot ng pagbebenta, alisan ng takip ang mga bagong namimili, unahin ang mga umiiral na account para sa pagpapalawak, at mga inisyatibo na nakabatay sa marketing account (ABM) sa pamamagitan ng pagdadala sa mga account sa ibabaw na maaaring makatuwirang inaasahan na mas madaling tumanggap sa mga mensahe ng benta at marketing. "
3. Mga Awtomatikong Segmentasyon: Ang Segment ay humahantong sa isinapersonal na pagmemensahe.
"Ang mga marketer ng B2B ay tradisyonal na nakakapag-segment lamang sa pamamagitan ng mga pangkaraniwang katangian, tulad ng industriya, at ginawa ito sa naturang manu-manong pagsisikap na ang pag-personalize ay inilalapat lamang sa lubos na nauna nang natukoy na mga kampanya, " sabi ni Snow. "Ngayon, ang mga katangian na ginamit upang pakainin ang mga nahuhulaan na algorithm ay maaari na ngayong idagdag sa mga talaan ng account upang suportahan ang parehong masalimuot at awtomatikong pagkakabukod. Ang paggamit ng kaso na ito ay makakatulong sa mga benta at mga marketer na humimok ng mga komunikasyon sa paparating na may kaugnay na mga mensahe, paganahin ang malaking pag-uusap sa pagitan ng mga benta at mga prospect, at ipaalam ang diskarte sa nilalaman mas marunong. "
Ang mga tool ng BI at open-source frameworks tulad ng Hadoop ay democratizing data sa kabuuan ngunit, bukod sa B2B marketing, ang mga nahuhulaan na analytics ay din inihurnong sa higit pa at higit pang mga platform na nakabatay sa cloud-based na software sa buong isang host ng mga industriya. Kumuha ng online dating kumpanya ng kumpanya ng Elevated Careers eHarmony at ang ilang bilang ng iba pang mga nagtitinda sa "mahuhulaan na analytics para sa pag-upa". Ang mga platform na ito ay marami pa rin sa kanilang mga unang araw, ngunit ang ideya ng paggamit ng data upang mahulaan kung aling mga naghahanap ng trabaho ang pinakamahusay na akma para sa mga trabaho ng specifics at ang mga kumpanya ay may potensyal na muling likhain kung paano kumita ang talento ng mga mapagkukunan ng tao (HR).
Ang mga nagbibigay ng help desk tulad ng Zendesk ay nagsimula ring magdagdag ng mga mahuhusay na kakayahan sa analytics upang matulungan ang desk ng software. Inalis ng kumpanya ang platform nito na may mga mahuhulaan na kapangyarihan upang matulungan ang serbisyo sa customer reps lugar ng mga lugar na may problema sa isang sistema ng maagang hinihimok ng data na tinatawag na Satisfaction Prediction. Ang tampok na ito ay gumagamit ng isang algorithm sa ML upang maproseso ang mga resulta ng survey ng kasiyahan, na ibinabato ang mga variable kasama ang oras upang malutas ang isang tiket, latency ng tugon sa serbisyo ng customer, at tukoy na pagsasalita ng tiket sa isang algorithm ng pagbabalik upang makalkula ang inaasahang rating ng kasiyahan ng isang customer.
Nakikita din namin ang mahuhulaan na analytics ay gumawa ng isang malaking epekto sa ilalim na linya sa scale ng pang-industriya at sa Internet ng mga Bagay (IoT). Gumagamit ang Google ng mga algorithm ng ML sa mga sentro ng data nito upang magpatakbo ng mapanatili na pagpapanatili sa mga bukirin ng server na pinapagana ang imprastrakturang ulap ng Google Cloud Platform (GCP). Ang mga algorithm ay gumagamit ng data sa panahon, pag-load, at iba pang mga variable upang ayusin ang mga sentro ng paglamig sa sentro ng data nang preemptively at makabuluhang bawasan ang pagkonsumo ng kuryente.
Ang ganitong uri ng mahuhulaan na pagpapanatili ay nagiging pangkaraniwan sa mga pabrika din. Ang mga kumpanya ng tech na kumpanya tulad ng SAP ay nag-aalok ng mahuhulaan na pagpapanatili at mga platform ng serbisyo gamit ang data ng sensor mula sa mga konektadong IoT na aparato ng pagmamanupula upang mahulaan kung ang isang makina ay nasa panganib para sa mga problemang mekanikal o kabiguan. Ang mga kumpanya ng Tech tulad ng Microsoft ay naggalugad din ng mahuhusay na pagpapanatili para sa aerospace apps, paglalagay ni Cortana upang pag-aralan ang mga data ng sensor mula sa mga sasakyang panghimpapawid at mga sangkap.
Ang listahan ng mga potensyal na apps sa negosyo ay nagpapatuloy, mula sa kung paano binabago ng mapaghulang analytics ang industriya ng tingi sa fintech start-up gamit ang mahuhulaan na pagmomolde sa pagsusuri ng pandaraya at panganib sa transaksyon sa pananalapi. Nasuri na lamang namin ang ibabaw, kapwa sa mga paraan na maaaring isama ng iba't ibang mga industriya ang ganitong uri ng pagsusuri ng data at ang kalaliman na kung saan ang mga mapaghulaang mga tool at pamamaraan ng analytics ay muling tukuyin kung paano namin ginagawa ang negosyo sa pagsasama ng ebolusyon ng AI. Habang papalapit kami sa tunay na pagma-map sa isang artipisyal na utak, ang mga posibilidad ay walang katapusang.
