Video: MO#4A Peramalan - Bagian 1 (November 2024)
Analisis ramalan adalah hasil praktikal Big Data dan kecerdasan perniagaan (BI). Apa yang anda lakukan apabila perniagaan anda mengumpul jumlah data baru yang mengejutkan? Aplikasi perniagaan hari ini merangkak di gunung pelanggan baru, pasaran, mendengar sosial, dan aplikasi masa nyata, awan, atau data prestasi produk. Analisis ramalan adalah salah satu cara untuk memanfaatkan semua maklumat itu, mendapatkan pandangan baru yang ketara, dan bertahan di depan persaingan.
Organisasi menggunakan analitik ramalan dalam pelbagai cara, dari pemasaran dan penambakan data ramalan untuk menggunakan algoritma pembelajaran pembelajaran komputer (ML) dan kecerdasan buatan (AI) untuk mengoptimumkan proses perniagaan dan mengungkap corak statistik baru. Pada dasarnya, komputer belajar dari tingkah laku lalu tentang bagaimana melakukan proses perniagaan tertentu dengan lebih baik dan memberikan pandangan baru tentang bagaimana organisasi anda berfungsi dengan baik. Tetapi sebelum kita masuk ke dalam semua cara yang menarik, perniagaan dan syarikat teknologi menggunakan analitik ramalan untuk menjimatkan masa, menjimatkan wang, dan mendapat kelebihan di seluruh pasaran, penting untuk membicarakan apa analitik ramalan dan apa yang tidak.
Apakah Analisis Analitik?
Analisis ramalan bukan konsep hitam-putih atau ciri diskret pengurus pangkalan data moden. Ia adalah sekumpulan teknologi analisis data dan teknik statistik yang dilancarkan di bawah satu spanduk. Teknik teras adalah analisis regresi, yang meramalkan nilai yang berkaitan dengan pelbagai, pembolehubah berkorelasi berdasarkan membuktikan atau membantah anggapan tertentu. Analisis ramalan adalah mengenai mengenal pasti corak data untuk kebarangkalian projek, menurut Allison Snow, Penganalisis Kanan Pemasaran B2B di Forrester.
"Ia penting untuk menyedari bahawa analisis adalah tentang kebarangkalian, bukan mutlak, " jelas Snow, yang merangkumi ruang pemasaran ramalan. "Tidak seperti analisis tradisional, apabila menggunakan analitik ramalan, seseorang tidak mengetahui terlebih dahulu data apa yang penting. Analisis ramalan menentukan data yang diramalkan hasil yang anda ingin ramalkan."
Fikirkan tentang wakil jualan yang melihat profil utama dalam platform pengurusan hubungan pelanggan (CRM) seperti Salesforce.com. Katakan andaian itu, petunjuk akan membeli produk anda. Andaian lain adalah bahawa pembolehubah adalah kos produk, peranan utama dalam perniagaan, dan nisbah keuntungan syarikat sekarang. Sekarang masukkan pembolehubah tersebut ke dalam persamaan regresi dan voila! Y ou've mendapat model ramalan dari mana untuk mengekstrapolasikan strategi yang berkesan untuk pitching dan menjual produk ke petunjuk yang betul.
Selain daripada analisis regresi (kerumitan dan subset yang boleh anda lihat dalam buku ini Harvard Business Review primer), analisis ramalan juga menggunakan lebih banyak perlombongan data dan ML. Perlombongan data adalah seperti apa yang anda suka: anda memeriksa set data yang besar untuk menemui corak dan mendedahkan maklumat baru. Teknik ML adalah, dengan keteraturan yang lebih tinggi, menjadi kuali dan pickax untuk mencari data emas nugget. Inovasi ML seperti rangkaian saraf dan algoritma pembelajaran mendalam boleh memproses data tidak tersusun yang lebih cepat daripada saintis data atau penyelidik tradisional, dan dengan ketepatan yang lebih besar dan lebih besar kerana algoritma belajar dan bertambah baik. Ini adalah cara yang sama IBM Watson berfungsi, dan alat-alat sumber terbuka seperti Google TensorFlow dan fungsi CNTK Microsoft ML di sepanjang baris yang sama.
Perubahan besar yang memakan boom analitik ramalan bukan hanya kemajuan ML dan AI, tetapi bukan hanya para saintis data menggunakan teknik ini lagi. Alat pengindeksan BI dan data, bersama dengan organisasi sumber terbuka seperti Yayasan Software Apache, membuat alat analisis Big Data lebih mudah diakses, lebih efisien, dan lebih mudah digunakan daripada sebelumnya. Alat ML dan alat analisis data kini layan diri dan di tangan pengguna perniagaan sehari-hari-dari jurujual kami menganalisis data plumbum atau eksekutif yang cuba untuk mentafsirkan trend pasaran di ruang dewan kepada rep perkhidmatan pelanggan yang meneliti titik kesakitan pelanggan biasa dan media sosial pengurus pemasaran menilai demografi pengikut dan trend sosial untuk mencapai khalayak sasaran yang tepat dengan kempen. Kes-kes penggunaan ini hanyalah hujung aisberg dalam meneroka semua cara analitik ramalan yang mengubah perniagaan, lebih banyak lagi yang akan kita perolehi di bawah.
Yang mengatakan, analitik ramalan tidak seperti bola kristal atau almanak sukan Biff Tannen dari Kembali ke Masa Depan 2. Algoritma dan model tidak dapat memberitahu perniagaan anda di luar bayang keraguan bahawa produk seterusnya akan menjadi pemenang satu bilion dolar atau bahawa pasaran akan menjadi tangki. Data masih merupakan cara untuk membuat tebakan berpendidikan; kami sememangnya lebih berpendidikan daripada biasa.
Memecahkan Analytics Predictive, Prescriptive, dan Deskriptif
Dalam satu lagi laporan Forrester yang bertajuk 'Analytics Predictive Boleh Menanam Aplikasi Anda Dengan Keuntungan' Yang Tidak Sederhana, '"Penganalisa Utama Mike Gualtieri menunjukkan bahawa" kata' analisis 'dalam' analisis ramalan 'adalah sedikit kesilapan. Analisis ramalan bukan cabang analitik tradisional seperti pelaporan atau analisis statistik. Ia adalah mengenai mencari model ramalan yang firma boleh gunakan untuk meramalkan hasil perniagaan masa depan dan / atau tingkah laku pelanggan."
Ringkasnya, Snow menjelaskan bahawa istilah "ramalan" secara inheren menandakan kemungkinan kepastian, memecahkan landskap alat analitik dan bagaimana ia menjadi analisis preskriptif.
"Analisis deskriptif, walaupun tidak 'maju', hanya menangkap perkara yang berlaku, " kata Snow. "Analitik deskriptif atau sejarah adalah asas di mana algoritma mungkin dibangunkan. Ini adalah metrik yang mudah tetapi sering terlalu besar untuk dikendalikan tanpa alat analitik.
"Secara amnya, papan pemuka dan pelaporan adalah penggunaan yang paling biasa untuk analitik ramalan dalam organisasi hari ini. Alat ini sering tidak mempunyai kaitan dengan keputusan perniagaan, pengoptimuman proses, pengalaman pelanggan, atau tindakan lain. Dengan kata lain, model menghasilkan gambaran tetapi tidak jelas arahan mengenai apa yang perlu dilakukan dengan mereka Analitik preskriptif adalah di mana wawasan memenuhi tindakan Mereka menjawab soalan, 'Saya kini tahu kebarangkalian hasil apa yang dapat dilakukan untuk mempengaruhinya dalam arah yang positif bagi saya, ' apakah itu menghalang pelanggan berpura-pura atau membuat jualan lebih cenderung."
Analisis ramalan di mana-mana
Apabila landskap BI berkembang, analisis ramalan sedang mencari jalan masuk ke dalam kes penggunaan perniagaan yang semakin banyak. Alat seperti Meja Editorau Tableau dan Microsoft Power BI menggunakan reka bentuk dan kebolehgunaan intuitif, dan koleksi penyambung data dan visualisasi yang besar untuk memahami jumlah besar perniagaan data yang diimport dari sumber seperti Amazon Elastic MapReduce (EMR), Google BigQuery, dan distribusi Hadoop daripada pemain seperti Cloudera, Hortonworks, dan MapR. Alat layan diri ini tidak semestinya mempunyai ciri analitik ramalan yang paling maju lagi, tetapi mereka membuat Big Data jauh lebih kecil dan lebih mudah untuk menganalisis dan memahami.
Salji berkata terdapat satu siri penggunaan yang luas untuk analitik ramalan dalam perniagaan hari ini, daripada mengesan penipuan point-of-sale (POS), secara automatik menyesuaikan kandungan digital berdasarkan konteks pengguna untuk memandu penukaran, atau memulakan perkhidmatan pelanggan proaktif untuk risiko sumber pendapatan. Dalam pemasaran B2B, Snow berkata perusahaan dan SMB menggunakan pemasaran ramalan atas alasan yang sama mereka menggunakan strategi, taktik, atau teknologi: untuk memenangi, mengekalkan, dan melayani pelanggan dengan lebih baik daripada yang tidak.
Mengebom lebih mendalam, Snow mengenalpasti tiga kategori kes penggunaan pemasaran B2B yang dikatakan menguasai kejayaan ramalan awal dan meletakkan asas untuk menggunakan analisis pemasaran ramalan yang lebih kompleks.
1. Pemarkahan Ramalan: Mengutamakan prospek, petunjuk, dan akaun yang diketahui berdasarkan kemungkinan mereka untuk mengambil tindakan.
"Titik kemasukan yang paling biasa bagi pemasar B2B ke dalam pemasaran ramalan, pemarkahan ramalan menambah dimensi saintifik, matematik kepada keutamaan konvensional yang bergantung pada spekulasi, eksperimen, dan lelaran untuk mendapatkan kriteria dan pemberat, " kata Snow. "Ini digunakan untuk membantu penjualan dan pemasar yang mengenal pasti akaun produktif dengan lebih cepat, menghabiskan lebih sedikit masa pada akaun yang kurang berkemungkinan untuk menukar, dan memulakan kempen silang jualan atau upsell yang disasarkan."
2. Model Pengenalpastian: Mengenal pasti dan memperoleh prospek dengan sifat-sifat yang serupa dengan pelanggan yang sedia ada.
"Dalam kes penggunaan ini, akaun yang menunjukkan kelakuan yang diingini (membuat pembelian, memperbaharui kontrak, atau membeli produk dan perkhidmatan tambahan) menjadi asas kepada model pengenalan, " kata Snow. "Ini penggunaan kes bantuan jualan dan pemasar mencari prospek yang berharga lebih awal dalam kitaran jualan, mendedahkan pemasar baru, mengutamakan akaun sedia ada untuk pengembangan dan inisiatif pemasaran berasaskan akaun kuasa (ABM) dengan membawa ke akaun permukaan yang semunasabahnya dijangka lebih mudah menerima mesej jualan dan pemasaran."
3. Segmentasi Automatik: Segmen memimpin untuk pemesejan yang diperibadikan.
"Para pemasar B2B secara tradisinya dapat segmen hanya oleh sifat-sifat generik, seperti industri, dan melakukannya dengan usaha manual sedemikian rupa sehingga personalisasi hanya digunakan untuk kempen yang diprioritaskan, " kata Snow. "Sekarang, atribut yang digunakan untuk memberi makan algoritma ramalan kini boleh dimasukkan ke dalam rekod akaun untuk menyokong kedua-dua segmentasi yang rumit dan automatik. Ini digunakan untuk membantu penjualan dan pemasar memandu komunikasi keluar dengan mesej yang relevan, membolehkan perbualan yang besar antara jualan dan prospek, dan memaklumkan strategi kandungan lebih bijak."
Alat BI dan kerangka sumber terbuka seperti Hadoop memajukan data secara keseluruhan tetapi, selain dari pemasaran B2B, analisis ramalan juga dipanggang menjadi platform perisian berasaskan awan yang merangkumi pelbagai industri. Ambil syarikat temu janji dalam talian eHarmony's Laman web Kerjaya Tinggi dan segelintir vendor lain dalam ruang "analisis ramalan untuk menyewa". Platform-platform ini masih jauh di masa-masa awal mereka, tetapi idea menggunakan data untuk meramalkan pencari pekerjaan mana yang paling sesuai untuk pekerjaan spesifik dan syarikat berpotensi mencipta semula bagaimana pengurus sumber manusia (HR) merekrut bakat.
Pembekal meja bantuan seperti Zendesk juga telah mula menambah keupayaan analisis ramalan untuk membantu perisian meja. Syarikat itu menyemai platformnya dengan kekuatan ramalan untuk membantu penilai perkhidmatan pelanggan mendapatkan masalah masalah dengan sistem amaran dini yang dipanggil data yang dipanggil Prediksi Kepuasan. Ciri ini menggunakan algoritma ML untuk memproses keputusan tinjauan kepuasan, membuang pembolehubah termasuk masa untuk menyelesaikan tiket, latensi tindak balas perkhidmatan pelanggan dan kata laluan tertentu kata ke dalam algoritma regresi untuk mengira penarafan kepuasan yang diunjurkan pelanggan.
Kami juga melihat analitik ramalan membuat impak besar ke bawah pada skala perindustrian dan dengan Internet Perkara (IoT). Google menggunakan algoritma ML di pusat datanya untuk menjalankan penyelenggaraan ramalan di ladang pelayan yang menyandarkan infrastruktur awan awam Google Cloud Platform (GCP). Algoritma menggunakan data mengenai cuaca, beban, dan pembolehubah lain untuk menyesuaikan pam penyejukan pusat data secara mendadak dan mengurangkan penggunaan kuasa dengan ketara.
Penyelenggaraan ramalan ini menjadi biasa di kilang-kilang juga. Syarikat-syarikat berteknologi perusahaan seperti SAP menawarkan penyelenggaraan ramalan dan platform perkhidmatan menggunakan data sensor daripada peranti pembuatan IoT yang disambungkan untuk meramalkan apabila mesin berisiko untuk masalah mekanikal atau kegagalan. Syarikat-syarikat teknologi seperti Microsoft juga meneroka penyelenggaraan ramalan untuk aplikasi aeroangkasa, meletakkan Cortana untuk menganalisis data sensor daripada enjin dan komponen pesawat.
Senarai aplikasi perniagaan yang berpotensi terus berjalan, dari bagaimana analitik ramalan mengubah industri runcit ke permulaan fintech menggunakan model ramalan analisis penipuan dan risiko transaksi kewangan. Kami hanya menggaraskan permukaan, kedua-dua cara industri yang berbeza dapat menggabungkan jenis analisis data dan kedalaman yang alat dan teknik analisis ramalan akan mendefinisikan semula bagaimana kami melakukan perniagaan seiring dengan evolusi AI. Ketika kita semakin dekat dengan benar memetakan otak buatan, kemungkinan tidak ada habisnya.
