Prædiktiv analyse bruger historiske data til at forudsige fremtidige resultater og hjælpe dig med at træffe bedre beslutninger ved at identificere mønstre og tendenser.
I denne artikel gennemgår jeg, hvad prædiktiv analyse er, viser dig, hvordan det styrker din B2B-marketingstrategi, og giver dig praktiske måder at anvende det på til at løse reelle ledelsesudfordringer. Du lærer præcis, hvordan du integrerer prædiktiv analyse i din beslutningsproces for at opnå smartere og mindre stressende resultater.
Hvad er prædiktiv analyse?
Prædiktiv analyse er et sæt værktøjer til at modellere fremtidige resultater baseret på tidligere resultater. Det er et sæt matematiske processer til at projicere tendenser fra de data, du har, til de resultater, du forsøger at forudsige. Ved at udvælge relevante historiske data og anvende et passende sæt værktøjer kan du pålideligt forudsige resultaterne af de politikker og initiativer, du overvejer nu.
For at gøre det mere konkret kan du forestille dig, at du er HR-chef med ansvar for at ansætte folk til at skrive kode til din virksomheds IT-afdeling. Efter din erfaring leverer visse universiteter kandidater, der klarer sig bedre med denne type arbejde. Derfor screener du dine ansøgere for nøgleord som "CalTech", "MIT" eller "University of California Berkeley." På en meget enkel måde har du netop anvendt din egen prædiktive analyse til at skabe en meningsfuld sammenhæng mellem en ansøgers uddannelsessted og, hvor godt vedkommende muligvis vil præstere i din virksomhed.
Du får brug for betydelig computerkraft og gode maskinlæringsalgoritmer til at håndtere mere komplekse sammenhænge. Lad os sige, at dine historiske salgsdata viser, at din virksomhed sælger mere fyrværkeri i ugerne op til nytår og den 4. juli, mens dit datterselskab sælger masser af kalkun i november, lige før Thanksgiving. I endnu en forholdsvis åbenlys sammenhæng kan du på forhånd forudsige, hvordan dit salg af fyrværkeri og kalkun vil se ud, alene ud fra tidligere resultater og kalenderdatoen.
Tag det et niveau op
Hvis vi går videre, har du måske erfaring med at lancere brands på sociale medier, men dine tidligere resultater har været usikre og skuffende. Ved hjælp af marketingværktøjer med avancerede prædiktive analysemodeller viser din dataanalyse, at budskaber om brands spredes effektivt fra Twitter til Instagram, men næsten aldrig går den modsatte vej. I dette tilfælde kan du udvikle praktiske indsigter som altid at starte en kampagne på Twitter eller opbygge din følgerskare på Instagram for at opnå bedre resultater.
Indtil videre har vi set nogle få meget enkle måder at forudsige fremtidige begivenheder på ved hjælp af nogle ekstremt simple prædiktive analysemetoder, men det kan blive langt mere avanceret. Din FICO-kreditscore er en form for prædiktiv analyse. Ved at gennemgå din historik med rettidige betalinger, tilgængelig kredit, din aktuelle kreditudnyttelse og flere andre faktorer forudsiger FICO-scoren med høj grad af nøjagtighed, hvor sandsynligt det er, at du misligholder din gæld. Den kan endda medregne antallet af kreditopslag, du har haft i de seneste 2 år, for at afgøre, om du desperat forsøger at få udvidet din kredit, hvilket er et tegn på kommende problemer.
Tilbage på arbejdspladsen er du måske en QA-medarbejder, hvis opgave er at holde maskinerne kørende. Enhver driftsstandsning kan koste din virksomhed penge, så du er nødt til at forudsige, hvornår og hvor nedbrud sandsynligvis vil opstå. Din maskinlæring gennemgår års historiske data og fastslår, at nedbrud opstår, når en kritisk del bliver slidt, hvilket sker hurtigere, når driftstemperaturen er høj. Den praktiske indsigt her er at køre maskinerne med lavere intensitet eller investere i et større kølesystem for at holde temperaturen nede, reducere slitage på kritiske dele og forlænge maskinernes levetid, hvilket potentielt kan spare millioner af dollars.
Prædiktiv analyse kontra dataanalyse
Nu hvor du har et overordnet billede af, hvad prædiktiv analyse er, får du her en forklaring på, hvad det ikke er. Eller rettere: Her er skillelinjen mellem prædiktiv analyse og andre relaterede begreber, som den let kan forveksles med.
For det første er prædiktiv analyse ikke det samme som den bredere dataanalyse. Det ville være korrekt at sige, at det er en delmængde af dataanalyse, som fokuserer på et begrænset sæt værktøjer til at opbygge fremtidsorienterede modeller. De andre typer dataanalyse er:
- Deskriptiv analyse: En nøjagtig og rationelt organiseret redegørelse for, hvad der er sket tidligere, præsenteret på en forståelig måde
- Diagnostisk analyse: At finde ud af, hvorfor tingene skete, som de gjorde tidligere, ideelt set for at opnå indsigt til senere prædiktive modeller
- Præskriptiv analyse: Praktiske indsigter i, hvilken retning du bør gå i herfra, samt et sæt instruktioner om, hvad du bør og ikke bør gøre, mens du arbejder hen imod et mål
Der er i virkeligheden ikke skarpe, tydelige linjer, der adskiller disse typer dataanalyse, og hver af dem kan informere de andre. En virkelig effektiv tilgang til analyse bruger dem alle på deres rette plads til at opbygge robuste forståelsesmodeller for komplekse forhold.
Deskriptiv analyse
Du kan for eksempel være ingeniør og forsøge at designe en sikrere bil. Du får brug for enorme mængder deskriptive analysedata fra tidligere ulykker, herunder rapporter om personskader, for at opbygge en model for, hvordan biler går i stykker. Det billede, du får ud af dette, kan afsløre, at ofre for ulykker ofte får nakkeskader. Dette er en beskrivelse af rådata, præsenteret på en måde, du kan læse, men du er nødt til at gå videre for at forstå betydningen af det.
Diagnostisk analyse
Så du ved, at der sker mange nakkeskader ved bilulykker. Dit næste trin, den diagnostiske analyse, fortæller dig hvorfor. Tilsyneladende slår mange mennesker hovedet mod forruden eller får piskesmæld frem og tilbage. Nogle gange rammer en tung genstand dem bagfra under en ulykke, hvilket forårsager de skader, du ser.
Have an account? Log In
Præskriptiv analyse
I det tredje trin, præskriptiv analyse, udvikler du en række forslag til, hvordan man kan forebygge nakkeskader ved bilulykker.
Du kunne overveje at designe bilen, så den ikke kan bevæge sig, før føreren har en nakkestøtte på. Du kunne bygge et sikkerhedsbur omkring førerens hoved lavet af tung blyafskærmning. Du kunne installere et automatisk katapultsæde, der registrerer problemer og slynger føreren ud ved det første tegn på fare. Og så videre. Ingen dårlige idéer, bare idéer på dette stadie.
Dit arbejde går virkelig op i en højere enhed i den prædiktive analysedel her. Ved at køre modeller baseret på tidligere resultater lærer du, at bilejere bliver irriterede over påtrængende sikkerhedsanordninger og sandsynligvis vil deaktivere nakkestøtterne, hvilket gør dem uegnede som løsning. Øget vægt fra afskærmning og et reduceret synsfelt for førerne er kontraproduktivt. Tidligere data fra luftfartsindustrien fortæller dig, at automatiske katapultsæder generelt er en dårlig idé.
Men der er nogle få lovende idéer i bunken, som din prædiktive analyse afslører:
- Sikkerhedsseler er en billig måde at holde folk stabilt på under en ulykke.
- Airbags dæmper kroppe i bevægelse.
- Sikkerhedsglas går let i stykker, hvilket reducerer hoved- og nakkeskader.
- Kollisionsundgåelse reducerer risikoen for, at en ulykke overhovedet sker.
Så indarbejder du disse fornuftige idéer i dit opgraderede design, som din analyse forudsiger vil give de bedste resultater for de penge, der bruges. Cyklussen gentager sig derefter, idet en ny generation af sikrere biler sendes ud, bliver involveret i ulykker og genererer flere data at arbejde med, hvilket gør bilerne stadig sikrere i fremtiden.
Almindelige typer prædiktive modeller
Alt dette er indtil videre fantastisk, men hvad er værktøjerne i prædiktiv analyse egentlig? Hvordan fungerer det? Hvad gør den kunstige intelligens, maskinlæringen og alle de andre ting egentlig?
Der findes grundlæggende fire modeller til denne type analyse. Forskellige platforme bruger alle eller nogle af dem, og anvendelsen afhænger i høj grad af konteksten. Her er en kort gennemgang af de forskellige typer.
Klassifikationsmodel
Klassifikation kunne lige så godt kaldes segmentering. Denne tilgang opdeler store datasæt i dele med meningsfulde relationer. Hvis du nogensinde har beskæftiget dig med et markedsundersøgelsesprojekt, kender du til demografisk segmentering. Hvis du har forsøgt at markedsføre skateboards til ældre, har du allerede lært, hvor vigtige nogle klassifikationer kan være.
Specifikke modeller til præcis klassifikation omfatter logistisk regressionsanalyse, beslutningstræer, modeller med tilfældige skove, neurale netværk og Naïve Bayes-analyse.
Prognosemodel
Prognoser er en af de mest almindeligt anvendte tilgange, dels fordi de er så alsidige, og dels på grund af deres evne til at sætte talværdier i realtid på komplekse, historiske fænomener uden tal.
Du kan for eksempel bruge historikken for produktlanceringer under dit brand til at forudsige webtrafikken den dag, du lancerer en kampagne. Med dette tal kan du advare din webvært og bede om ekstra båndbredde. Som følge heraf får du masser af trafik, dit websted går ikke ned, og salget er stærkt.
Klyngemodel
Klyngemodeller er virkelig effektive, og fremkomsten af algoritmer til dybdelæring har gjort dem imponerende effektive. De fungerer ved at finde sammenhænge mellem ting i den virkelige verden, sammenligne dem med andre ting og derefter lave forudsigelser baseret på forbindelserne.
Din klyngemodel kan for eksempel bemærke, at mennesker, der køber bleer, modermælkserstatning, børnemøbler og højstole, med stor sandsynlighed også vil købe sundhedsforsikring og skoleartikler i den nærmeste fremtid. Når disse oplysninger gemmes, kan de danne grundlag for en vellykket salgstale målrettet disse personer så meget som 18 år ude i fremtiden, når en kunde markedsfører studielån.
Som du måske har gættet, findes der mange af disse modeller. Almindelige klyngealgoritmer omfatter k-means-klyngedannelse, mean-shift-klyngedannelse, tæthedsbaseret rumlig klyngedannelse af applikationer med støj (DBSCAN), forventningsmaksimeringsklyngedannelse (EM) ved hjælp af Gaussiske blandingsmodeller (GMM) samt hierarkisk klyngedannelse.
Tidsseriemodeller
Man kan argumentere for, at de første tidsserieanalytikere var jæger-samlerne, som bemærkede, at dyr vandrede med årstiderne. Denne tilgang følger cyklusser for at forudsige fremtidige begivenheder.
Eksemplet ovenfor om, at salget af kalkuner stiger i november, er et eksempel på tidsserieanalyse. Specifikke modeltyper, du kunne bruge her, omfatter autoregressive modeller (AR), glidende gennemsnit (MA), ARMA og ARIMA.
3 fordele ved prædiktiv modellering
Der er meget godt at sige om disse prædiktive modeller, og hvordan de hjælper med din beslutningstagning. For at få et klarere billede er her tre områder, hvor du kan anvende modellerne og opnå gode resultater.
Sikkerhed og risikoreduktion
Sikkerhed handler i høj grad om at forudsige menneskers adfærd og tage højde for den på forhånd. Låse på dine døre forudsiger, at folk på et tidspunkt vil forsøge at dreje dørhåndtagene. Retslige revisionsspor forventer, at nogen vil forsøge at underslæbe penge.
Inden for marketing kan dine historiske data tyde på, at informationslækager oftest forekommer hos tredjepartsleverandører. Derfor beslutter du måske at tilbageholde oplysninger indtil produktlanceringsdatoer eller endda segmentere oplysninger for at holde dem sikre.
Operationel effektivitet
Prædiktive værktøjer kan forbedre din driftseffektivitet markant ved at hjælpe dig med at forudsige efterspørgslen. Hvis du har et callcenter, der har meget travlt tidligt om morgenen og sidst på eftermiddagen, men er helt tomt på alle andre tidspunkter, har du data, der hjælper dig med at planlægge vagter.
Hvis du sætter dit timelønnede personale ind i spidsbelastningstimerne og derefter skruer ned, når ingen ringer, placerer du dine ressourcer præcis dér, hvor der er brug for dem, på de rigtige tidspunkter, i stedet for at have for få medarbejdere i travle perioder og for mange, når der er stille.
Forbedret beslutningstagning
Dette er det vigtigste. Du benytter i praksis prædiktiv analyse for at få en genvej til at forudsige fremtidige resultater. Tænk igen på FICO-scorer. Bør du give kredit til en kunde med høj kreditrisiko og en lav score? Bør du nægte at sende et nyt kreditkort til en person med en score på 790? Den analytiske model hjælper dig med at forudsige fremtidige resultater baseret på tidligere præstationer.
5 måder at bruge prædiktiv analyse til din fordel
Segmentering af kunder og målgrupper
Du ved allerede, at dine kunder er forskellige fra hinanden, men de har en tendens til at samle sig i grupper, som store datasæt afslører. Dataudvinding har et dårligt ry, men det er det første skridt til at opbygge meningsfulde klynger, som du kan generalisere om og målrette mere effektivt.
Erhvervelse af nye kunder
Det er fantastisk at vinde nye kunder, og evnen til at gøre det pålideligt med dine marketingkampagner giver dit brand en konkurrencemæssig fordel. Teknikker som lineære regressionsmodeller hjælper dig med at optimere dine arbejdsgange og få mest muligt ud af kampagner til erhvervelse af nye kunder.
More Articles
Scoring af potentielle kunder
At skelne fårene fra bukkene er en stor del af forretningsintelligens, især når det gælder scoring af potentielle kunder og opbygning af en ny følgerskare. Tilbøjelighedsmodellering viser, hvor offentligheden sandsynligvis vil følge dig, og hvilke potentielle kunder der er mest interesserede.
Anbefalinger af indhold og annoncer
Annoncer kan være irriterende, hvis de er uønskede, eller hvis de reklamerer for produkter, som seeren ikke har brug for. Kollaborativ filtrering sorterer det irriterende fra og gør det langt mere sandsynligt, at dine reklamebudskaber rammer plet.
Personliggørelse af kundeoplevelser
Uanset om du er detailhandler, arbejder inden for finansielle tjenester eller udfører vejrprognoser for rederier, hjælper automatiseret segmentering dig med at gennemgå alle de resultater, du kunne generere, og levere en tilpasset oplevelse til alle, du interagerer med. Dette er optimering på et personligt plan, og det har potentiale til at skabe den største effekt i din marketing, eftersom det skaber en personlig forbindelse til alle, som dit brand interagerer med.
På vej ind i fremtiden
Det var meget at gennemgå, men forhåbentlig er du nu langt bedre informeret om fordelene ved marketinganalysesoftware, og hvordan det kan hjælpe med prædiktiv analyse. Der findes også meget mere information, hvis du leder efter den. Abonnér på The CMO-nyhedsbrevet for at holde dig opdateret om de nyeste tips, tendenser, softwareanbefalinger og meget mere inden for marketing.
