Phân tích dự đoán, dữ liệu lớn và cách làm cho chúng hoạt động cho bạn

Phân tích dự đoán là kết quả thực tế của Dữ liệu lớn và thông minh kinh doanh (BI). Bạn làm gì khi doanh nghiệp của bạn thu thập khối lượng dữ liệu mới đáng kinh ngạc? Các ứng dụng kinh doanh ngày nay đang hoành hành trong hàng núi khách hàng mới, thị trường, lắng nghe xã hội và ứng dụng thời gian thực, dữ liệu đám mây hoặc dữ liệu hiệu suất sản phẩm. Phân tích dự đoán là một cách để tận dụng tất cả thông tin đó, đạt được những hiểu biết mới rõ ràng và luôn đi trước đối thủ.

Các tổ chức sử dụng phân tích dự đoán theo nhiều cách khác nhau, từ tiếp thị dự đoán và khai thác dữ liệu đến áp dụng thuật toán học máy (ML) và trí tuệ nhân tạo (AI) để tối ưu hóa quy trình kinh doanh và khám phá các mẫu thống kê mới. Về cơ bản, máy tính học hỏi từ hành vi trong quá khứ về cách thực hiện các quy trình kinh doanh nhất định tốt hơn và cung cấp những hiểu biết mới về cách tổ chức của bạn thực sự hoạt động. Nhưng trước khi chúng ta tìm hiểu tất cả những cách hấp dẫn mà các doanh nghiệp và công ty công nghệ đang sử dụng các phân tích dự đoán để tiết kiệm thời gian, tiết kiệm tiền và có được lợi thế so với phần còn lại của thị trường, điều quan trọng là phải nói về chính xác phân tích dự đoán là gì và không phải là gì .

Phân tích dự đoán là gì?

Phân tích dự đoán không phải là một khái niệm đen trắng hoặc một tính năng riêng biệt của các nhà quản lý cơ sở dữ liệu hiện đại. Đó là một loạt các công nghệ phân tích dữ liệu và kỹ thuật thống kê được cuộn lại dưới một biểu ngữ. Kỹ thuật cốt lõi là phân tích hồi quy, dự đoán các giá trị liên quan của nhiều biến tương quan dựa trên việc chứng minh hoặc từ chối một giả định cụ thể. Phân tích dự đoán là về việc nhận ra các mẫu trong dữ liệu theo xác suất dự án, theo Allison Snow, Nhà phân tích cao cấp của Tiếp thị B2B tại Forrester.

"Đó là chìa khóa để nhận ra rằng phân tích là về xác suất, không phải là tuyệt đối", Snow giải thích, người bao quát không gian tiếp thị dự đoán. "Không giống như phân tích truyền thống, khi áp dụng phân tích dự đoán, người ta không biết trước dữ liệu nào là quan trọng. Phân tích dự đoán xác định dữ liệu nào là dự đoán về kết quả mà bạn muốn dự đoán."

Hãy suy nghĩ về một đại diện bán hàng đang xem xét một hồ sơ khách hàng tiềm năng trong nền tảng quản lý quan hệ khách hàng (CRM) như Salesforce.com. Giả sử giả định là, khách hàng tiềm năng sẽ mua sản phẩm của bạn. Các giả định khác là các biến là giá thành sản phẩm, vai trò của khách hàng tiềm năng trong doanh nghiệp và tỷ lệ lợi nhuận hiện tại của công ty. Bây giờ hãy đặt các biến đó vào một phương trình hồi quy và voila! Bạn đã có một mô hình dự đoán để từ đó ngoại suy một chiến lược hiệu quả để quảng cáo và bán sản phẩm cho các khách hàng tiềm năng phù hợp.

Ngoài phân tích hồi quy (những điều phức tạp và tập hợp con mà bạn có thể có trong phần mồi của Harvard Business Review này ), các phân tích dự đoán cũng đang sử dụng khai thác dữ liệu và ML ngày càng nhiều hơn. Khai thác dữ liệu chính xác như những gì nó nghe: bạn kiểm tra các tập dữ liệu lớn để khám phá các mẫu và khám phá thông tin mới. Các kỹ thuật ML, với tính đều đặn hơn, trở thành các rây và chọn lọc để tìm các cố định dữ liệu vàng. Các đổi mới ML như mạng thần kinh và thuật toán học sâu có thể xử lý các bộ dữ liệu phi cấu trúc này nhanh hơn so với một nhà khoa học hoặc nhà nghiên cứu dữ liệu truyền thống, và với độ chính xác cao hơn và lớn hơn khi các thuật toán học hỏi và cải thiện. Nó giống như cách IBM Watson hoạt động và các bộ công cụ nguồn mở như TensorFlow của Google và CNTK của Microsoft cung cấp chức năng ML trên cùng một dòng.

Sự thay đổi lớn dẫn đến sự bùng nổ phân tích dự đoán không chỉ là sự tiến bộ của ML và AI, mà đó không chỉ là các nhà khoa học dữ liệu sử dụng các kỹ thuật này nữa. BI và các công cụ trực quan hóa dữ liệu, cùng với các tổ chức nguồn mở như Quỹ phần mềm Apache, đang làm cho các công cụ phân tích Dữ liệu lớn dễ truy cập hơn, hiệu quả hơn và dễ sử dụng hơn bao giờ hết. Các công cụ phân tích dữ liệu và ML hiện đang tự phục vụ và trong tay người dùng doanh nghiệp hàng ngày. Từ nhân viên bán hàng của chúng tôi phân tích dữ liệu khách hàng tiềm năng hoặc giám đốc điều hành cố gắng giải mã xu hướng thị trường trong phòng họp để đại diện dịch vụ khách hàng nghiên cứu các điểm đau khách hàng phổ biến và phương tiện truyền thông xã hội quản lý tiếp thị đo lường nhân khẩu học và xu hướng xã hội để tiếp cận đúng đối tượng mục tiêu với một chiến dịch. Các trường hợp sử dụng này chỉ là phần nổi của tảng băng trong việc khám phá tất cả các cách phân tích dự đoán đang thay đổi doanh nghiệp, nhiều trong số đó sẽ được đưa vào bên dưới.

Điều đó nói rằng, các phân tích dự đoán không giống như một quả cầu pha lê hay niên giám thể thao của Biff Tannen từ Back to the Future 2. Các thuật toán và mô hình không thể nói lên doanh nghiệp của bạn vượt ra khỏi sự nghi ngờ rằng sản phẩm tiếp theo của nó sẽ là người chiến thắng hàng tỷ đô la hoặc là thị trường sắp sửa tăng. Dữ liệu vẫn là một phương tiện để đưa ra một phỏng đoán có giáo dục; chúng tôi chỉ đơn giản là được giáo dục tốt hơn nhiều so với trước đây.

Phân tích Phân tích Dự đoán, Phân tích và Mô tả

Trong một báo cáo khác của Forrester có tên 'Phân tích dự đoán có thể truyền cho các ứng dụng của bạn một' Lợi thế không công bằng ', "Nhà phân tích chính Mike Gualtieri chỉ ra rằng" từ' phân tích 'trong' phân tích dự đoán 'là một chút sai lầm. Phân tích dự đoán không phải là một nhánh của phân tích truyền thống như phân tích báo cáo hoặc thống kê. Đó là tìm kiếm các mô hình dự đoán mà các công ty có thể sử dụng để dự đoán kết quả kinh doanh trong tương lai và / hoặc hành vi của khách hàng. "

Nói tóm lại, Snow giải thích rằng thuật ngữ "dự đoán" vốn đã biểu thị khả năng trên sự chắc chắn, phá vỡ cảnh quan công cụ phân tích và cách nó biến thành phân tích theo quy định.

"Phân tích mô tả, trong khi không đặc biệt" tiên tiến ", chỉ đơn giản là nắm bắt những điều đã xảy ra, " Snow nói. "Phân tích mô tả hoặc lịch sử là nền tảng mà thuật toán có thể được phát triển. Đây là những số liệu đơn giản nhưng thường quá khó để quản lý mà không có công cụ phân tích.

"Nói chung, bảng điều khiển và báo cáo là cách sử dụng phổ biến nhất cho phân tích dự đoán trong các tổ chức hiện nay. Các công cụ này thường thiếu liên kết đến các quyết định kinh doanh, tối ưu hóa quy trình, trải nghiệm khách hàng hoặc bất kỳ hành động nào khác. Nói cách khác, các mô hình tạo ra thông tin chi tiết nhưng không rõ ràng hướng dẫn về những việc cần làm với họ. Phân tích theo quy định là nơi hiểu biết sâu sắc đáp ứng hành động. Họ trả lời câu hỏi, 'Bây giờ tôi biết xác suất của một kết quả có thể được thực hiện để tác động đến nó theo hướng tích cực đối với tôi', liệu điều đó có ngăn cản được không khách hàng rời đi hoặc bán hàng nhiều khả năng. "

Phân tích dự đoán ở mọi nơi

Khi bối cảnh BI phát triển, các phân tích dự đoán đang tìm đường vào ngày càng nhiều trường hợp sử dụng kinh doanh. Các công cụ như Lựa chọn của Biên tập viên Tableau Desktop và thiết kế trực quan thể thao của Microsoft Power BI và bộ sưu tập lớn các kết nối dữ liệu và trực quan hóa để hiểu được khối lượng lớn doanh nghiệp nhập dữ liệu từ các nguồn như Amazon Elastic MapReduce (EMR), Google Các bản phân phối BigQuery và Hadoop từ những người chơi như Cloudera, Hortonworks và MapR. Các công cụ tự phục vụ này không nhất thiết phải có các tính năng phân tích dự đoán tiên tiến nhất, nhưng chúng làm cho Dữ liệu lớn nhỏ hơn rất nhiều và dễ phân tích và hiểu hơn.

Snow cho biết có một loạt các trường hợp sử dụng để phân tích dự đoán trong kinh doanh hiện nay, từ việc phát hiện gian lận điểm bán hàng (POS), tự động điều chỉnh nội dung kỹ thuật số dựa trên bối cảnh người dùng để thúc đẩy chuyển đổi hoặc bắt đầu dịch vụ khách hàng chủ động gặp rủi ro nguồn thu. Trong tiếp thị B2B, Snow cho biết các doanh nghiệp và SMB sử dụng tiếp thị dự đoán vì những lý do tương tự họ sử dụng bất kỳ chiến lược, chiến thuật hoặc công nghệ nào: để giành chiến thắng, giữ chân và phục vụ khách hàng tốt hơn những doanh nghiệp không.

Đi sâu hơn, Snow xác định ba loại trường hợp sử dụng tiếp thị B2B mà cô cho biết chi phối thành công dự đoán sớm và đặt nền tảng cho việc sử dụng phân tích tiếp thị dự đoán phức tạp hơn.

1. Ghi điểm dự đoán: Ưu tiên các khách hàng tiềm năng, khách hàng tiềm năng và tài khoản đã biết dựa trên khả năng hành động của họ.

"Điểm nhập cảnh phổ biến nhất cho các nhà tiếp thị B2B vào tiếp thị dự đoán, chấm điểm dự đoán sẽ bổ sung thêm khía cạnh toán học, khoa học cho ưu tiên thông thường dựa trên đầu cơ, thử nghiệm và lặp lại để rút ra các tiêu chí và trọng số", Snow nói. "Ca sử dụng này giúp người bán hàng và nhà tiếp thị xác định tài khoản sản xuất nhanh hơn, dành ít thời gian hơn cho các tài khoản ít có khả năng chuyển đổi và bắt đầu các chiến dịch bán chéo hoặc bán hàng được nhắm mục tiêu."

2. Mô hình nhận dạng: Xác định và có được khách hàng tiềm năng với các thuộc tính tương tự như khách hàng hiện tại.

"Trong trường hợp sử dụng này, các tài khoản thể hiện hành vi mong muốn (đã mua, gia hạn hợp đồng hoặc mua các sản phẩm và dịch vụ bổ sung) là cơ sở của mô hình nhận dạng", Snow nói. "Trường hợp sử dụng này giúp các nhà bán hàng và tiếp thị tìm thấy triển vọng có giá trị sớm hơn trong chu kỳ bán hàng, khám phá các nhà tiếp thị mới, ưu tiên các tài khoản hiện có để mở rộng và các sáng kiến ​​tiếp thị dựa trên tài khoản điện (ABM) bằng cách đưa vào các tài khoản bề mặt có thể dự kiến ​​hợp lý dễ tiếp nhận thông điệp bán hàng và tiếp thị hơn. "

3. Phân đoạn tự động: Phân đoạn dẫn cho nhắn tin được cá nhân hóa.

"Các nhà tiếp thị B2B theo truyền thống chỉ có thể phân khúc theo các thuộc tính chung, như ngành công nghiệp và đã làm như vậy với nỗ lực thủ công đến mức cá nhân hóa chỉ áp dụng cho các chiến dịch được ưu tiên cao", Snow nói. "Bây giờ, các thuộc tính được sử dụng để cung cấp thuật toán dự đoán giờ đây có thể được thêm vào hồ sơ tài khoản để hỗ trợ cả phân đoạn phức tạp và tự động. Trường hợp sử dụng này giúp bán hàng và tiếp thị truyền thông ra bên ngoài với các thông điệp có liên quan, cho phép các cuộc hội thoại đáng kể giữa bán hàng và khách hàng tiềm năng và thông báo chiến lược nội dung thông minh hơn. "

Các công cụ BI và các khung nguồn mở như Hadoop đang dân chủ hóa toàn bộ dữ liệu, nhưng ngoài tiếp thị B2B, các phân tích dự đoán cũng được đưa vào ngày càng nhiều nền tảng phần mềm dựa trên đám mây trên một loạt các ngành công nghiệp. Hãy xem trang web Nâng cao Nghề nghiệp của công ty hẹn hò trực tuyến eHarmony và một số nhà cung cấp khác trong không gian "phân tích dự đoán để tuyển dụng". Những nền tảng này vẫn còn rất nhiều trong những ngày đầu, nhưng ý tưởng sử dụng dữ liệu để dự đoán người tìm việc nào phù hợp nhất với công việc cụ thể và các công ty có tiềm năng tái tạo cách các nhà quản lý nhân sự (HR) tuyển dụng nhân tài.

Các nhà cung cấp bàn trợ giúp như Zendesk cũng đã bắt đầu thêm các khả năng phân tích dự đoán vào phần mềm trợ giúp. Công ty đã thấm nhuần nền tảng của mình với các quyền hạn dự đoán để giúp dịch vụ khách hàng khắc phục các khu vực có vấn đề bằng hệ thống cảnh báo sớm dựa trên dữ liệu có tên là Dự đoán sự hài lòng. Tính năng này sử dụng thuật toán ML để xử lý kết quả khảo sát sự hài lòng, đưa ra các biến bao gồm thời gian để giải quyết vé, độ trễ phản hồi của dịch vụ khách hàng và từ ngữ vé cụ thể vào thuật toán hồi quy để tính toán mức độ hài lòng dự kiến ​​của khách hàng.

Chúng ta cũng đang thấy các phân tích dự đoán có tác động lớn đến điểm mấu chốt ở quy mô công nghiệp và với Internet of Things (IoT). Google sử dụng thuật toán ML trong các trung tâm dữ liệu của mình để chạy bảo trì dự đoán trên các trang trại máy chủ cung cấp cơ sở hạ tầng đám mây công cộng Google Cloud Platform (GCP). Các thuật toán sử dụng dữ liệu về thời tiết, tải và các biến khác để điều chỉnh máy bơm làm mát trung tâm dữ liệu một cách nhanh chóng và giảm đáng kể mức tiêu thụ điện năng.

Loại bảo trì dự đoán này cũng đang trở nên phổ biến trong các nhà máy. Các công ty công nghệ doanh nghiệp như SAP cung cấp các nền tảng dịch vụ và bảo trì dự đoán sử dụng dữ liệu cảm biến từ các thiết bị sản xuất IoT được kết nối để dự đoán khi nào máy có nguy cơ gặp sự cố hoặc hỏng hóc cơ học. Các công ty công nghệ như Microsoft cũng đang khám phá bảo trì dự đoán cho các ứng dụng hàng không vũ trụ, đưa Cortana làm việc để phân tích dữ liệu cảm biến từ động cơ và linh kiện máy bay.

Danh sách các ứng dụng kinh doanh tiềm năng cứ lặp đi lặp lại, từ cách phân tích dự đoán đang thay đổi ngành bán lẻ sang khởi nghiệp fintech bằng mô hình dự đoán về phân tích gian lận và rủi ro giao dịch tài chính. Chúng ta chỉ vạch ra bề mặt, cả về cách thức các ngành công nghiệp khác nhau có thể tích hợp loại phân tích dữ liệu này và độ sâu mà các công cụ và kỹ thuật phân tích dự đoán sẽ xác định lại cách chúng ta kinh doanh phù hợp với sự phát triển của AI. Khi chúng ta tiến gần hơn đến việc lập bản đồ thực sự cho một bộ não nhân tạo, các khả năng là vô tận.