Τι είναι το Predictive Analytics; | eWEEK

Η προγνωστική ανάλυση είναι η χρήση δεδομένων, στατιστικών αλγορίθμων και τεχνικών τεχνητής νοημοσύνης (AI) και μηχανικής μάθησης (ML) για τον προσδιορισμό της πιθανότητας μελλοντικών αποτελεσμάτων με βάση ιστορικά δεδομένα. Ο στόχος είναι να προχωρήσουμε πέρα ​​από το να γνωρίζουμε τι έχει συνέβη και αξιολογήστε τι θα συμβεί.

Η προγνωστική ανάλυση χρησιμοποιείται πολύ περισσότερο στην επιχείρηση. Ωστόσο, υπάρχει κάποια σύγχυση γύρω από αυτό. Ας εξετάσουμε τι είναι, πώς διαφέρει από άλλους τομείς της ανάλυσης δεδομένων και πώς χρησιμοποιείται στον πραγματικό κόσμο.

Ajay Khanna, Διευθύνων Σύμβουλος και Ιδρυτής της Τέλιους, δίνει ένα παράδειγμα διαχείρισης αποθέματος κατά την περίοδο αιχμής των εορτών. Εφαρμόζοντας μοντέλα πρόβλεψης ανάλυσης σε εσωτερικά δεδομένα για μια συγκεκριμένη χρονική περίοδο, οι έμποροι λιανικής μπορούν να κατανοήσουν καλύτερα τη συμπεριφορά των καταναλωτών, όπως τα μοτίβα αγοράς, την πιθανότητα επιστροφής και την επισκεψιμότητα στο κατάστημα. Αυτό το επίπεδο γνώσης μπορεί να τους βοηθήσει να προβλέψουν τη ζήτηση προϊόντων, να βελτιώσουν την εμπειρία των πελατών και να μειώσουν το λειτουργικό κόστος μέσω καλύτερης διαχείρισης προσωπικού και πόρων.

«Οι έμποροι λιανικής μπορούν να προσεγγίσουν τους πελάτες με εξατομικευμένες προσφορές που βασίζονται σε δεδομένα του παρελθόντος και να προβλέψουν αξιόπιστα και να προβλέπουν μελλοντικές αγορές», δήλωσε ο Khanna.

Δείτε επίσης: Καλύτερα εργαλεία ανάλυσης δεδομένων

Predictive Analytics: Προοπτική

Χωρίς αναλυτικά στοιχεία, τα δεδομένα είναι απλώς μια σειρά από μηδενικά και ένα. Αλλά με τα αναλυτικά στοιχεία έρχονται πληροφορίες, καλύτερες αποφάσεις και βελτιωμένα αποτελέσματα. Μετατρέπει τα δεδομένα σε αξία.

«Γενικά, αν δεν μιλάτε για προγνωστικά αναλυτικά στοιχεία, μιλάτε για περιγραφικά ή προδιαγραφικά αναλυτικά στοιχεία», δήλωσε ο Jerod Johnson, Senior Technology Evangelist, CData. «Η περιγραφική ανάλυση δείχνει τι έχει ήδη συμβεί μέσω της εξόρυξης δεδομένων, βοηθώντας σας να εντοπίσετε τάσεις και μοτίβα. Η προγνωστική ανάλυση προσθέτει μοντελοποίηση και μηχανική μάθηση για να προβλέψει πιθανά μελλοντικά αποτελέσματα και πιθανότητες.»

Mathias Golombek, CTO για Exasol, εξηγεί την προδιαγραφική ανάλυση ως μια κατηγορία που λαμβάνει δεδομένα και τα μετατρέπει σε πρακτικές πληροφορίες και αποφάσεις. Θα μπορούσατε να το ονομάσετε λειτουργικό BI ή αναλυτικά στοιχεία, τα οποία μπορούν να υλοποιηθούν χρησιμοποιώντας είτε παραδοσιακά σενάρια γλωσσών SQL είτε επιστήμης δεδομένων. Το κλειδί είναι να είστε όσο το δυνατόν πιο σχετικοί σε πραγματικό χρόνο και να λαμβάνετε άμεσες αποφάσεις χωρίς δεδομένα.

“Γι’ αυτό οι περισσότερες από αυτές τις εφαρμογές είναι γραμμένες σε κώδικα λογισμικού και ενεργοποιούν ενέργειες σε όλη την αλυσίδα της επιχείρησής σας”, δήλωσε ο Golombek. “Ένα παράδειγμα θα ήταν να βελτιστοποιήσετε αυτόματα τις τιμές για το ηλεκτρονικό σας κατάστημα, συγκεντρώνοντας όλα τα είδη των σχετικών δεδομένων σχετικά με τους πελάτες, τα προϊόντα και τις αλυσίδες logistics σας.”

Το predictive analytics, όπως υποδηλώνει το όνομά του, είναι στραμμένο προς το μέλλον.

«Η προγνωστική ανάλυση χρησιμοποιεί ιστορικά δεδομένα και εξελιγμένα μοντέλα για να προβλέψει τι θα συμβεί στη συνέχεια, ποια μπορεί να είναι τα βέλτιστα αποτελέσματα και πού να επικεντρωθεί η προσπάθεια και οι πόροι», είπε ο Peterson.

Μικρές, σταδιακές βελτιώσεις σε μια καμπάνια μάρκετινγκ, για παράδειγμα, ή στον εντοπισμό απάτης μιας τράπεζας ή στην προγνωστική συντήρηση ενός κατασκευαστή μπορούν να οδηγήσουν σε μεγάλες οικονομίες και βελτιωμένες λειτουργίες.

Ο Golombek πρόσθεσε ότι τα predictive analytics φέρνουν αλγόριθμους AI και ML στα δεδομένα, επιτρέποντας στις επιχειρήσεις να πραγματοποιούν αναλυτικές αποφάσεις και προβλέψεις. Χρησιμοποιεί κυρίως γλώσσες δέσμης ενεργειών όπως Python ή R και εφαρμόζει στατιστικά μοντέλα που εκπαιδεύονται από υπάρχοντα δεδομένα εκπαίδευσης.

Δείτε επίσης: Κορυφαίο λογισμικό Business Intelligence

Γιατί είναι ο Πανατρεπτικό Analytics Αναπτύσσεται;

Η προγνωστική ανάλυση ξεκίνησε αναμφισβήτητα τη δεκαετία του 1940 με πρώιμες, μη αυτόματες εκδόσεις υπολογιστών. Αξιοσημείωτοι καινοτόμοι επιτεύχθηκαν σε κυβερνητικές υπηρεσίες, όπως η μηχανή Bombe του Alan Turing και η προσομοίωση Monte Carlo του Manhattan Project για την πρόβλεψη της συμπεριφοράς των ατόμων κατά τη διάρκεια μιας αλυσιδωτής αντίδρασης. Όταν οι υπολογιστές ήρθαν στο προσκήνιο τη δεκαετία του 1950, οι ερευνητικοί οργανισμοί μπόρεσαν να κάνουν προβλέψεις σχετικά με τα καιρικά μοτίβα και τη διάρκεια ζωής των προϊόντων.

Η προγνωστική ανάλυση, λοιπόν, υπάρχει εδώ και δεκαετίες. Αλλά περισσότεροι οργανισμοί στρέφονται τώρα σε αυτό για να βελτιώσουν το τελικό αποτέλεσμα και το ανταγωνιστικό τους πλεονέκτημα. Γιατί τώρα? Η υπολογιστική ισχύς έχει αυξηθεί δραματικά, το λογισμικό ανάλυσης είναι πιο διαδραστικό και πιο εύκολο στη χρήση, και η αγκαλιά του cloud έχει θέσει τα αναλυτικά στοιχεία στα χέρια περισσότερων ανθρώπων σε όλα τα επίπεδα δεξιοτήτων. Ως αποτέλεσμα, η προγνωστική ανάλυση δεν είναι πλέον αποκλειστική αρμοδιότητα των ποσοτικών ειδικών, των στατιστικολόγων και των επιστημόνων δεδομένων.

«Τώρα οι αναλυτές, οι εμπειρογνώμονες της γραμμής των επιχειρήσεων και οι εργαζόμενοι στην πρώτη γραμμή εφαρμόζουν προγνωστικές αναλύσεις για να βελτιώσουν την αποδοτικότητα και την αποτελεσματικότητα», δήλωσε ο Peterson. «Με τον αυξημένο ανταγωνισμό και τις δύσκολες οικονομικές συνθήκες, οι οργανισμοί σε όλους τους κλάδους προσπαθούν να μετατρέψουν τα δεδομένα σε καλύτερες, ταχύτερες επιχειρηματικές αποφάσεις».

Δείτε επίσης: Τι είναι η Οπτικοποίηση δεδομένων

Επιχειρήσεις που χρησιμοποιούν Predictive Analytics

Ο κλάδος των χρηματοοικονομικών υπηρεσιών, με τεράστιες ποσότητες δεδομένων και χρημάτων σε κίνδυνο, έχει από καιρό υιοθετήσει προγνωστικές αναλύσεις για τον εντοπισμό και τη μείωση της απάτης, τη μέτρηση και τη διαχείριση του κινδύνου, τη μεγιστοποίηση των ευκαιριών μάρκετινγκ και τη διατήρηση πελατών. Οι τράπεζες όλων των μεγεθών βασίζονται σε προγνωστικά αναλυτικά στοιχεία.

Ακόμη και οι παραδοσιακά υποτονικοί χρήστες της νέας τεχνολογίας όπως η κατασκευή και η κυβέρνηση γίνονται υποστηρικτές της προγνωστικής ανάλυσης. Τους βοηθά να βελτιώσουν τις λειτουργίες τους και να ενισχύσουν την ανθεκτικότητα απέναντι στην οικονομική αναστάτωση.

Για παράδειγμα:

  • Η Mack Trucks και η Volvo Trucks χρησιμοποιούν αναλυτικά στοιχεία AI και IoT για να προβλέψουν ζητήματα συντήρησης στα συνδεδεμένα οχήματά τους. Αυτό αποτρέπει δαπανηρές βλάβες.
  • Η Georgia-Pacific βασίζεται σε αναλύσεις τεχνητής νοημοσύνης και IoT για τη βελτιστοποίηση της εφοδιαστικής αλυσίδας και της εφοδιαστικής της, τη βελτίωση της αποδοτικότητας του εξοπλισμού κατασκευής και τη μείωση του χρόνου διακοπής λειτουργίας.
  • Το Town of Cary, NC χρησιμοποιεί αναλύσεις πρόβλεψης και IoT και δεδομένα από αισθητήρες σε ρεύματα για να προβλέψει και να μετριάσει τις επιπτώσεις των πλημμυρών στην ενδοχώρα. Αυτό είναι ένα πρόβλημα που αντιμετωπίζουν με μεγαλύτερη συχνότητα πολλοί δήμοι.

Η Khanna εξήγησε πώς οι πλατφόρμες ευφυΐας δεδομένων που υποστηρίζονται από αναζήτηση μπορούν να βοηθήσουν τις επιχειρήσεις να απλοποιήσουν τη διαδικασία εξόρυξης για βασικές μετρήσεις. Συνδυάζοντας ανόμοια σύνολα δεδομένων και παρέχοντας πληροφορίες σε μια εύχρηστη μορφή μέσω ισχυρών οπτικοποιήσεων και προγνωστικών αναλύσεων, οι επιχειρήσεις αποκτούν άνευ προηγουμένου πρόσβαση σε βασικές πληροφορίες – χωρίς να απαιτούνται προηγμένες δεξιότητες επιστήμης δεδομένων.

Στον τομέα των συνδρομητικών υπηρεσιών και στην υποστήριξη πελατών, επίσης, οι οργανισμοί θέλουν να κατανοήσουν ποιοι χρήστες και πελάτες είναι πιθανό να αναβαθμίσουν ή ποιοι είναι πιθανό να παρασυρθούν. Οι πελάτες βαθμολογούνται με βάση πολλά χαρακτηριστικά και κριτήρια για την αξιολόγηση της υγείας των πελατών τους. Κάθε οργανισμός που ασχολείται με τη συντήρηση αντικειμένων υψηλής αξίας μπορεί να δημιουργήσει μοντέλα πρόβλεψης για να κατανοήσει ποια και πότε προϊόντα υλικού και λογισμικού θα αποτύχουν ή θα βγουν εκτός συμμόρφωσης.

Δείτε επίσης: AI εναντίον ML: Τεχνητή Νοημοσύνη και Μηχανική Μάθηση

Χρήση περιπτώσεων για προγνωστικά Analytics

Μερικές κοινές χρήσεις των προγνωστικών αναλυτικών στοιχείων περιλαμβάνουν:

  • Ανίχνευση απάτης: Ο συνδυασμός πολλαπλών μεθόδων ανάλυσης μπορεί να βελτιώσει τον εντοπισμό προτύπων και να αποτρέψει την εγκληματική συμπεριφορά. Η ανάλυση συμπεριφοράς υψηλής απόδοσης εξετάζει όλες τις ενέργειες σε ένα δίκτυο σε πραγματικό χρόνο για να εντοπίσει ανωμαλίες που μπορεί να υποδηλώνουν απάτη, ευπάθειες μηδενικής ημέρας και προηγμένες επίμονες απειλές.
  • Βελτιστοποίηση εκστρατειών μάρκετινγκ: Τα προγνωστικά αναλυτικά στοιχεία χρησιμοποιούνται για τον προσδιορισμό των απαντήσεων ή των αγορών των πελατών, καθώς και για την προώθηση ευκαιριών πολλαπλών πωλήσεων.
  • Βελτίωση λειτουργιών: Πολλοί χρησιμοποιούν προγνωστικά μοντέλα για την πρόβλεψη του αποθέματος και τη διαχείριση των πόρων.
  • Διαχείριση κινδύνου: Οι πιστωτικές βαθμολογίες χρησιμοποιούνται για την αξιολόγηση της πιθανότητας αθέτησης πληρωμών του αγοραστή για αγορές και είναι ένα πολύ γνωστό παράδειγμα προγνωστικών αναλυτικών στοιχείων. Το πιστωτικό σκορ είναι ένας αριθμός που δημιουργείται από ένα μοντέλο πρόβλεψης που ενσωματώνει όλα τα σχετικά δεδομένα. Άλλες χρήσεις που σχετίζονται με τον κίνδυνο περιλαμβάνουν ασφαλιστικές αξιώσεις και εισπράξεις.
  • Φροντίδα υγείας: Οι οργανισμοί υγειονομικής περίθαλψης αξιοποιούν τις προγνωστικές αναλύσεις για να διαχειριστούν τη φροντίδα των ασθενών προβλέποντας τις διαγνώσεις τους και στελεχώνοντας κατάλληλα τα νοσοκομεία και τις κλινικές για μελλοντικές λοιμώξεις.
  • Εφοδιαστική αλυσίδα: Οι αλυσίδες ανεφοδιασμού χρησιμοποιούν προγνωστικά αναλυτικά στοιχεία για την καλύτερη διαχείριση του αποθέματος και την αποφυγή υπερβολικών αποθεμάτων και προσαρμόζουν τις τιμές με βάση την προβλεπόμενη ζήτηση και διαθεσιμότητα εξαρτημάτων.
  • Κέντρα Helpdesk: Τα προγνωστικά αναλυτικά στοιχεία βοηθούν στην ανάπτυξη μοντέλων σε ηχογραφήσεις μεταξύ του προσωπικού υποστήριξης και των πελατών για τη βελτίωση της απόδοσης του αντιπροσώπου, τη μείωση της διάρκειας κλήσεων, τη συλλογή πρόσθετων πληροφοριών πελατών και την αναβάθμιση της συνολικής εμπειρίας πελατών.
  • Φιλοξενία: Για να κάνουν τη διαχείριση χωρητικότητας πιο απρόσκοπτη, τα ξενοδοχεία εφαρμόζουν μοντέλα πρόβλεψης σε δεδομένα για μια συγκεκριμένη περίοδο, ώστε να μπορούν να προβλέπουν καλύτερα, να σχεδιάζουν και να βελτιώνουν τις υπηρεσίες επισκεπτών, ενώ ταυτόχρονα μειώνουν το λειτουργικό κόστος μέσω καλύτερης διαχείρισης προσωπικού, αποθέματος και άλλων πόρων.
  • Εκπαιδευτικά ιδρύματα: Η ανάπτυξη προγνωστικών αλγορίθμων σε ιστορικά δεδομένα μαθητών μπορεί να εντοπίσει πρώιμους δείκτες μείωσης της απόδοσης των μαθητών, καθώς και τους περιβάλλοντες παράγοντες που μπορεί να συμβάλλουν σε αυτό. «Με την ενσωμάτωση προηγούμενων πληροφοριών των μαθητών, όπως το ποσοστό επιτυχίας, τη συμμετοχή, τις εξωσχολικές δραστηριότητες, τα πειθαρχικά ζητήματα και άλλες μετρήσεις, τα ιδρύματα μπορούν να ενισχύσουν τα ποσοστά αποφοίτησης», είπε η Khanna. “Επιπλέον, τα μοντέλα πρόβλεψης που εφαρμόζονται σε μετρήσεις δασκάλου, τμήματος ή περιοχής διευρύνουν τις δυνατότητες του τι μπορούν να κάνουν οι γνώσεις που βασίζονται σε δεδομένα για τη βελτίωση της απόδοσης των εκπαιδευτικών συστημάτων.”
  • Ανθρώπινο Δυναμικό και Προσλήψεις: Οι οργανισμοί τείνουν να προσλαμβάνουν βάσει ανάλυσης της απόδοσης συνέντευξης του υποψηφίου για εργασία, των αναφορών εργασίας, του δικτύου και των επίσημων διαπιστευτηρίων, τα οποία είναι όλα ιστορικά στοιχεία δεδομένων. Η διαδικασία είναι ξεπερασμένη και υποκειμενική. «Το κόστος μιας κακής πρόσληψης είναι τουλάχιστον το 30% του μισθού τους, αλλά η πρόσληψη ενός ατόμου που δεν είναι το καλύτερο άτομο για τη δουλειά έχει επίσης σημαντικό κόστος ευκαιρίας», δήλωσε ο Satish Kumar, Διευθύνων Σύμβουλος της Glider AI. «Μια προγνωστική ανάλυση της ποιότητας του ταλέντου είναι το μέλλον. καταργεί τις προσλήψεις που βασίζονται σε επίσημα διαπιστευτήρια, με έμφαση στις δεξιότητες και την πολιτιστική προσαρμογή, ενώ αφαιρεί τις φυσικές προκαταλήψεις προσλήψεων».

Δείτε επίσης: Καλύτερες πλατφόρμες μηχανικής εκμάθησης

Το μέλλον του Predictive Analytics

Στον όλο και πιο ψηφιοποιημένο κόσμο μας, οι όγκοι δεδομένων αναμένεται να διπλασιαστούν σχεδόν σε μέγεθος από το 2022 έως το 2026, σύμφωνα με την IDC. Επομένως, οι παραπάνω περιπτώσεις χρήσης πιθανότατα θα χάσουν την κυριαρχία τους καθώς η προγνωστική ανάλυση εξαπλώνεται σε άλλα πεδία.

«Οι εταιρείες σε κάθε κλάδο πρόκειται να επωφεληθούν από τις δυνατότητες πρόβλεψης ανάλυσης και τα προηγμένα εργαλεία διαχείρισης δεδομένων», δήλωσε ο Golombek. «Καθώς προχωράμε στη νέα χρονιά, αναμένουμε μια αύξηση στη χρήση προγνωστικών και προκαθοριστικών αναλυτικών στοιχείων που θα οδηγήσουν σε συνεχείς βελτιώσεις της διαδικασίας και στη λήψη αποφάσεων βάσει δεδομένων — καθώς και να βοηθήσουν τις εταιρείες να πουλήσουν τα σωστά προϊόντα στους σωστούς πελάτες και να διευκολύνουν καλύτερα αντιστοίχιση πόρων και πιο έξυπνη αναγνώριση των τάσεων».

Ο Johnson πιστεύει ότι το μέλλον βασίζεται στα δεδομένα και η πρόσβαση στα δεδομένα είναι το κλειδί της επιτυχίας για την προγνωστική ανάλυση. Η αύξηση της προσβάσιμης υπολογιστικής ισχύος και οι εξελίξεις στις τεχνολογίες τεχνητής νοημοσύνης και μηχανικής μάθησης επιτρέπουν όποιος επιχειρήσεις να χρησιμοποιούν προγνωστικά αναλυτικά στοιχεία – όχι μόνο οργανισμούς και βιομηχανίες με ιστορικά βαθιές τσέπες.

«Η χρήση λύσεων συνδεσιμότητας δεδομένων χωρίς κώδικα σε πραγματικό χρόνο μπορεί να εκδημοκρατίσει περαιτέρω τα αναλυτικά στοιχεία, επιτρέποντας στους επιχειρησιακούς χρήστες να δημιουργήσουν ολιστικές διαδικασίες ανάλυσης σε πολλαπλές εφαρμογές και συστήματα», δήλωσε ο Johnson.