Ennakoiva analytiikka käyttää historiallisia tietoja tulevien tulosten ennustamiseen ja auttaa sinua tekemään parempia päätöksiä tunnistamalla malleja ja trendejä.
Tässä artikkelissa selitän, mitä ennakoiva analytiikka on, näytän, miten se tehostaa B2B-markkinointistrategiaasi, ja annan käytännöllisiä tapoja soveltaa sitä todellisten johtamisen haasteiden ratkaisemiseen. Opit täsmälleen, miten voit sisällyttää ennakoivan analytiikan päätöksentekoprosessiisi saadaksesi älykkäämpiä ja vähemmän stressaavia tuloksia.
Mitä ennakoiva analytiikka on?
Ennakoiva analytiikka on joukko työkaluja tulevan suorituskyvyn mallintamiseen aiemman suorituskyvyn perusteella. Se on joukko matemaattisia prosesseja, joilla tietojesi pohjalta hahmotellaan trendejä kohti tuloksia, joita yrität ennustaa. Valitsemalla olennaiset historialliset tiedot ja soveltamalla sopivia työkaluja voit ennustaa luotettavasti niiden käytäntöjen ja hankkeiden tuloksia, joita parhaillaan harkitset.
Konkretisoidaan asia: kuvitellaan, että olet henkilöstöpäällikkö, jonka tehtävänä on palkata työntekijöitä kirjoittamaan koodia yrityksesi IT-osastolle. Kokemuksesi perusteella tietyistä korkeakouluista valmistuneet suoriutuvat tällaisesta työstä paremmin. Niinpä seulot hakijoista avainsanoja, kuten "CalTech", "MIT" tai "University of California Berkeley". Olet juuri soveltanut hyvin yksinkertaisella tavalla omaa ennakoivaa analyysiäsi luodaksesi merkityksellisen yhteyden hakijan oppilaitoksen ja sen välille, miten hyvin hän saattaisi suoriutua yrityksessäsi.
Monimutkaisempien yhteyksien käsittelyyn tarvitset runsaasti laskentatehoa ja hyviä koneoppimisalgoritmeja. Oletetaan, että aiemmat myyntitietosi osoittavat yrityksesi myyvän enemmän ilotulitteita uudenvuodenaattoa ja Yhdysvaltain itsenäisyyspäivää edeltävinä viikkoina, mutta tytäryhtiösi myy paljon kalkkunaa marraskuussa juuri ennen kiitospäivää. Toisen melko ilmeisen yhteyden perusteella voit ennustaa etukäteen, miltä ilotulitteiden ja kalkkunan myynti näyttää, pelkästään aiemman suorituskyvyn ja kalenteripäivän perusteella.
Askel pidemmälle
Seuraavaksi: sinulla saattaa olla kokemusta brändien lanseeraamisesta sosiaalisessa mediassa, mutta aiempi suorituskykysi on ollut epätasaista ja pettymystä aiheuttavaa. Kun käytät markkinointityökaluja, joissa on kehittyneitä ennakoivan analytiikan malleja, data-analyysisi osoittaa, että brändiviestit siirtyvät tehokkaasti Twitteristä Instagramiin, mutta kulkevat harvoin vastakkaiseen suuntaan. Tässä tapauksessa voit kehittää käytännöllisiä oivalluksia, kuten kampanjan aloittamisen aina Twitterissä tai Instagram-seuraajiesi määrän kasvattamisen paremman suorituskyvyn saavuttamiseksi.
Tähän mennessä olemme nähneet muutamia hyvin yksinkertaisia tapoja ennustaa tulevia tapahtumia erittäin yksinkertaisilla ennakoivan analyysin menetelmillä, mutta tästä voidaan edetä huomattavasti pidemmälle. FICO-luottopistemääräsi on eräänlainen ennakoiva analyysi. Tarkastelemalla ajoissa suoritettujen maksujesi historiaa, käytettävissä olevaa luottoa, tämänhetkistä luotonkäyttöä ja useita muita tekijöitä FICO-pistemäärä ennustaa suurella tarkkuudella, kuinka todennäköisesti laiminlyöt velkojesi maksamisen. Se voi jopa ottaa huomioon viimeisten kahden vuoden aikana tehtyjen luottotietotarkistusten määrän selvittääkseen, etsitkö epätoivoisesti luoton pidennyksiä, mikä on merkki tulevista ongelmista.
Palataan työpaikalle: saatat olla laadunvarmistuksesta vastaava työntekijä, jonka tehtävänä on pitää koneet käynnissä. Kaikki käyttökatkokset voivat maksaa yrityksellesi rahaa, joten sinun on ennustettava, milloin ja missä vikoja todennäköisesti ilmenee. Koneoppimisesi käy läpi vuosien ajalta kerättyjä tietoja ja määrittää, että vikoja ilmenee kriittisen osan kuluessa loppuun, mikä tapahtuu nopeammin käyttölämpötilan ollessa korkea. Tässä käytännöllinen oivallus on käyttää koneita pienemmällä teholla tai investoida suurempaan jäähdytysjärjestelmään lämpötilojen laskemiseksi, kriittisten osien kulumisen vähentämiseksi ja koneiden käyttöiän pidentämiseksi, mikä voi säästää miljoonia dollareita.
Ennakoiva analytiikka vs. data-analytiikka
Nyt kun sinulla on yleiskuva siitä, mitä ennakoiva analytiikka on, kerrotaan, mitä se ei ole. Tai pikemminkin tässä on rajanveto ennakoivan analytiikan ja muiden siihen liittyvien käsitteiden välillä, joihin se voidaan helposti sekoittaa.
Ensinnäkin ennakoiva analytiikka ei ole sama asia kuin laajempi data-analytiikka. Olisi täsmällistä sanoa, että se on data-analytiikan osa-alue, joka keskittyy rajalliseen joukkoon työkaluja tulevaisuuteen suuntautuvien mallien rakentamiseksi. Muut data-analytiikan tyypit ovat:
- Kuvaileva analytiikka: Tarkka ja järkevästi järjestetty selvitys menneisyydessä tapahtuneista asioista esitettynä ymmärrettävällä tavalla
- Diagnostinen analytiikka: Sen selvittäminen, miksi asiat tapahtuivat menneisyydessä tietyllä tavalla, mieluiten myöhempiä ennakoivia malleja varten saatavan ymmärryksen lisäämiseksi
- Ohjaava analytiikka: Käytännöllisiä oivalluksia siitä, mihin sinun pitäisi tästä edetä, sekä joukko ohjeita siitä, mitä sinun tulee tehdä ja mitä välttää työskennellessäsi kohti tavoitetta
Näiden data-analytiikan tyyppien välillä ei todellisuudessa ole selkeitä ja tarkkoja rajoja, ja jokainen niistä voi tarjota tietoa muille. Todella tehokas lähestymistapa analytiikkaan hyödyntää kaikkia niitä oikeissa kohdissa rakentaakseen vankkoja ymmärrysmalleja monimutkaisista kokonaisuuksista.
Kuvaileva analytiikka
Voit esimerkiksi olla insinööri, joka yrittää suunnitella turvallisempaa autoa. Tarvitset valtavasti kuvailevaa analytiikkatietoa aiemmista onnettomuuksista, mukaan lukien loukkaantumisraportit, rakentaaksesi mallin siitä, miten autot rikkoutuvat. Saamasi kuva saattaa paljastaa, että kolarien uhrit saavat usein niskavammoja. Tämä on raakadatasta tehty kuvaus, joka on esitetty luettavassa muodossa, mutta sinun on mentävä pidemmälle ymmärtääksesi sen merkityksen.
Diagnostinen analytiikka
Tiedät siis, että auto-onnettomuuksissa syntyy paljon niskavammoja. Seuraava vaihe, diagnostinen analyysi, kertoo miksi. Ilmeisesti monet ihmiset lyövät päänsä tuulilasiin tai heidän päänsä retkahtaa edestakaisin piiskaniskuvamman seurauksena. Joskus raskas esine osuu heihin takaapäin onnettomuuden aikana, mikä aiheuttaa havaitsemasi vammat.
Have an account? Log In
Preskriptiivinen analytiikka
Kolmannessa vaiheessa, preskriptiivisessä analytiikassa, kehität useita ehdotuksia siitä, miten niskavammoja voidaan ehkäistä auto-onnettomuuksissa.
Voisit harkita auton suunnittelemista niin, ettei se liiku ennen kuin kuljettaja käyttää niskatukea. Voisit rakentaa kuljettajan pään ympärille raskasta lyijysuojausta olevan turvakehikon. Voisit asentaa automaattisen heittoistuimen, joka havaitsee ongelmat ja sinkoaa kuljettajan ulos heti ensimmäisten vaaran merkkien ilmaantuessa. Ja niin edelleen. Tässä vaiheessa huonoja ideoita ei ole, on vain ideoita.
Työsi todella yhdistyy tässä ennakoivan analyysin vaiheessa. Käymällä läpi aiemman suorituskyvyn malleja opit, että auton omistajat ärsyyntyvät häiritsevistä turvalaitteista ja todennäköisesti poistavat niskatuet käytöstä, mikä tekee niistä toteuttamiskelvottomia. Suojauksen lisääminen ja kuljettajien näkökentän kaventaminen ovat haitallisia. Ilmailu- ja avaruusteollisuudesta saadut aiemmat tiedot kertovat, että automaattiset heittoistuimet ovat yleensä huono idea.
Joukossa on kuitenkin muutama lupaava idea, jotka ennakoiva analyysisi paljastaa:
- Turvavyöt ovat edullinen tapa pitää ihmiset paikoillaan onnettomuuden aikana.
- Turvatyynyt pehmentävät liikkuvien kehojen törmäystä.
- Turvalasi rikkoutuu helposti, mikä vähentää pää- ja niskavammoja.
- Törmäyksen välttäminen vähentää onnettomuuden riskiä alun perinkin.
Rakennat siis nämä järkevät ideat päivitettyyn suunnitelmaasi, jonka analyysisi ennustaa tuottavan parhaat tulokset käytettyyn rahamäärään nähden. Sykli toistuu sitten, kun uusi sukupolvi turvallisempia autoja lähtee liikenteeseen, joutuu onnettomuuksiin ja tuottaa lisää käsiteltävää dataa, mikä tekee autoista tulevaisuudessa yhä turvallisempia.
Ennakoivien mallien yleiset tyypit
Kaikki tämä kuulostaa tähän asti hyvältä, mutta mitä ennakoivan analytiikan työkalut oikeastaan ovat? Miten se toimii? Mitä tekoäly, koneoppiminen ja kaikenlaiset muut järjestelmät todellisuudessa tekevät?
Tällaiseen analytiikkaan on neljä perusmallia. Eri alustat käyttävät kaikkia tai joitakin niistä, ja niiden käyttö riippuu todella paljon asiayhteydestä. Tässä lyhyt katsaus eri tyyppeihin.
Luokittelumalli
Luokittelua voisi yhtä hyvin kutsua segmentoinniksi. Tämä lähestymistapa jakaa suuret datajoukot osiin, joilla on merkityksellisiä yhteyksiä. Jos olet joskus ollut tekemisissä markkinatutkimusprojektin kanssa, tunnet demografisen segmentoinnin. Jos olet yrittänyt markkinoida rullalautoja eläkeläisille, olet jo oppinut, kuinka tärkeitä jotkin luokitukset voivat olla.
Tarkkaan luokitteluun tarkoitettuja malleja ovat logistinen regressioanalyysi, päätöspuut, satunnaismetsät, neuroverkot ja Naïve Bayes -analyysi.
Ennustemalli
Ennustaminen on yksi yleisimmin käytetyistä lähestymistavoista, osittain siksi, että se on niin monipuolinen, ja osittain siksi, että sen avulla monimutkaisille, vailla numeerisia arvoja oleville historiallisille ilmiöille voidaan antaa reaaliaikaisia lukuarvoja.
Voit esimerkiksi käyttää brändisi aiempien tuotelanseerausten historiaa ennustaaksesi verkkoliikenteen määrän kampanjan julkaisupäivänä. Tämän luvun perusteella ilmoitat verkkopalveluntarjoajallesi ja pyydät lisää kaistanleveyttä. Näin saat valtavasti liikennettä, sivustosi ei kaadu ja myynti on vahvaa.
Klusterointimalli
Klusterointimallit ovat todella tehokkaita, ja syväoppimisalgoritmien yleistyminen on tehnyt niistä hämmästyttävän tehokkaita. Ne toimivat havaitsemalla tosielämän asioiden välisiä korrelaatioita, vertaamalla niitä muihin asioihin ja tekemällä sitten yhteyksiin perustuvia ennusteita.
Klusterointimallisi saattaa esimerkiksi huomata, että vaippoja, äidinmaidonkorviketta, lastenhuoneen kalusteita ja syöttötuoleja ostavat ihmiset ostavat lähitulevaisuudessa erittäin todennäköisesti myös sairausvakuutuksia ja koulutarvikkeita. Kun nämä tiedot tallennetaan, niistä voi tulla pohja juuri näille henkilöille kohdennetulle menestyksekkäälle myyntipuheelle jopa 18 vuotta myöhemmin, kun asiakas markkinoi opintolainoja.
Kuten ehkä arvasit, tällaisia malleja on paljon. Yleisiä klusterointialgoritmeja ovat k-keskiarvoklusterointi, keskiarvosiirtymäklusterointi, tiheyspohjainen kohinaisten sovellusten avaruudellinen klusterointi (DBSCAN), Gaussin seosmallien (GMM) avulla tehtävä odotusarvon maksimointiin (EM) perustuva klusterointi sekä hierarkkinen klusterointi.
Aikasarjamallit
Väitetysti ensimmäisiä aikasarjojen analysoijia olivat metsästäjä-keräilijät, jotka huomasivat eläinten vaeltavan vuodenaikojen mukaan. Tämä lähestymistapa seuraa syklejä ennustaakseen tulevia tapahtumia.
Edellä mainittu esimerkki kalkkunoiden myynnin kasvusta marraskuussa on esimerkki aikasarja-analyysistä. Tässä voitaisiin käyttää esimerkiksi autoregressiivisiä (AR), liukuvan keskiarvon (MA), ARMA- ja ARIMA-malleja.
Ennakoivan mallinnuksen 3 hyötyä
Näistä ennakoivista malleista ja siitä, miten ne auttavat päätöksenteossa, on paljon sanottavaa. Selkeyden vuoksi tässä on kolme aluetta, joilla voit soveltaa malleja ja saavuttaa erinomaisia tuloksia.
Turvallisuus ja riskien vähentäminen
Turvallisuudessa on pitkälti kyse ihmisten käyttäytymisen ennakoinnista ja siihen varautumisesta etukäteen. Ovien lukot ennakoivat, että ihmiset yrittävät jossain vaiheessa kääntää ovenkahvaa. Oikeuslääketieteelliset auditointijäljet ennakoivat, että joku yrittää kavalluttaa rahaa.
Markkinoinnissa historiatietosi saattavat viitata siihen, että tietovuodot ovat yleisimpiä kolmansien osapuolten toimittajien yhteydessä. Siksi päätät pidättää tietoja tuotelanseerausten ajankohtiin asti tai jopa jakaa tiedot osiin niiden suojaamiseksi.
Operatiivinen tehokkuus
Ennakoivat työkalut voivat parantaa toimintasi tehokkuutta huomattavasti auttamalla sinua ennustamaan kysyntää. Jos puhelinpalvelukeskuksesi on todella kiireinen aikaisin aamulla ja myöhään iltapäivällä mutta muina aikoina autio, sinulla on käytettävissäsi tietoa, joka auttaa vuorojen suunnittelussa.
Kun tuot tuntityöntekijäsi paikalle ruuhka-aikoina ja vähennät työvoimaa, kun kukaan ei soita, kohdistat resurssisi juuri sinne, missä niitä tarvitaan, ja juuri oikeaan aikaan sen sijaan, että henkilöstöä olisi liian vähän ruuhka-aikoina ja liikaa hiljaisina hetkinä.
Parempi päätöksenteko
Tämä on se tärkein kohta. Hyödynnät ennakoivaa analytiikkaa saadaksesi käytännössä oikotien tulevan suorituskyvyn arviointiin. Ajatellaan jälleen FICO-pisteitä. Pitäisikö sinun myöntää luottoa asiakkaalle, jolla on heikko luottokelpoisuus ja matalat pisteet? Pitäisikö sinun kieltäytyä lähettämästä uutta luottokorttia henkilölle, jonka pistemäärä on 790? Analyyttinen malli auttaa ennustamaan tulevia tuloksia aiemman suorituskyvyn perusteella.
5 tapaa hyödyntää ennakoivaa analytiikkaa
Asiakkaiden ja yleisön segmentointi
Tiedät jo, että asiakkaasi eroavat toisistaan, mutta heillä on tapana ryhmittyä ryhmiksi, jotka suuret tietoaineistot paljastavat. Tiedonlouhinnalla on huono maine, mutta se on ensimmäinen askel järkevien ryhmien muodostamiseen, joiden perusteella voit tehdä yleistyksiä ja kohdentaa toimia tehokkaammin.
Uusien asiakkaiden hankinta
Uusien asiakkaiden voittaminen on hienoa, ja kyky tehdä se luotettavasti markkinointikampanjoidesi avulla antaa brändillesi kilpailuetua. Lineaarisen regressiomallin kaltaiset menetelmät auttavat hiomaan työnkulkujasi ja saamaan enemmän irti uusien asiakkaiden hankintakampanjoista.
More Articles
Liidien pisteytys
Jyvien erottaminen akanoista on tärkeä osa liiketoimintatiedon hallintaa, erityisesti liidien pisteytyksessä ja uuden seuraajakunnan rakentamisessa. Taipumusmallinnus osoittaa, mihin suuntaan yleisö todennäköisesti lähtee kanssasi ja mitkä potentiaaliset asiakkaat ovat kiinnostavimpia.
Sisältö- ja mainossuositukset
Mainokset voivat olla ärsyttäviä, jos niitä ei haluta tai jos niissä mainostetaan tuotteita, joita katsoja ei tarvitse. Yhteistoiminnallinen suodatus karsii ärsyttävän sisällön ja tekee mainosviesteistäsi huomattavasti todennäköisemmin kiinnostavia.
Asiakaskokemusten personointi
Olitpa vähittäiskauppias, työskentelit rahoituspalvelualalla tai teit sääennusteita kuljetusyrityksille, automaattinen segmentointi auttaa seulomaan kaikki mahdollisesti tuottamasi tulokset ja tarjoamaan räätälöidyn kokemuksen jokaiselle, jonka kanssa olet tekemisissä. Tämä on optimointia henkilökohtaisella tasolla, ja sillä on mahdollisuus vaikuttaa markkinointiisi voimakkaimmin, koska se luo henkilökohtaisen yhteyden jokaiseen, jonka kanssa brändisi on tekemisissä.
Kohti tulevaisuutta
Käsiteltävää oli paljon, mutta toivottavasti olet nyt paremmin perillä markkinointianalytiikkaohjelmistojen hyödyistä ja siitä, miten ne voivat auttaa ennakoivassa analytiikassa. Saatavilla on myös paljon enemmän tietoa, jos etsit sitä. Tilaa The CMO -uutiskirje, niin pysyt ajan tasalla markkinoinnin uusimmista vinkeistä, trendeistä, ohjelmistosuosituksista ja muusta.
