Prediktiv analyse bruker historiske data til å forutsi fremtidige resultater og hjelpe deg med å ta bedre beslutninger ved å identifisere mønstre og trender.
I denne artikkelen skal jeg forklare hva prediktiv analyse er, vise deg hvordan den styrker B2B-markedsføringsstrategien din, og gi deg praktiske måter å bruke den på for å løse reelle ledelsesutfordringer. Du vil lære nøyaktig hvordan du kan integrere prediktiv analyse i beslutningsprosessen din for å oppnå smartere resultater med mindre stress.
Hva er prediktiv analyse?
Prediktiv analyse er et sett med verktøy for å modellere fremtidig ytelse basert på tidligere resultater. Det er et sett med matematiske prosesser for å projisere trender fra dataene du har, til resultatene du prøver å forutsi. Ved å velge relevante historiske data og bruke et passende sett med verktøy kan du pålitelig forutsi resultatene av retningslinjer og tiltak du vurderer nå.
For å sette dette inn i en konkret sammenheng kan du se for deg at du er HR-leder og har ansvar for å ansette personer som skal skrive kode for IT-avdelingen i selskapet ditt. Etter din erfaring er det enkelte høyskoler og universiteter som utdanner kandidater som gjør det bedre i denne typen arbeid. Derfor ser du etter søkeord som «CalTech», «MIT» eller «University of California Berkeley» blant søkerne dine. På en svært enkel måte har du nettopp brukt din egen prediktive analyse til å finne en meningsfull sammenheng mellom søkerens utdanningsinstitusjon og hvor godt vedkommende kan komme til å prestere i selskapet ditt.
Du trenger betydelig datakraft og gode maskinlæringsalgoritmer for å håndtere mer komplekse sammenhenger. Si at tidligere salgsdata viser at selskapet ditt selger mer fyrverkeri i ukene før nyttår og den amerikanske nasjonaldagen, mens datterselskapet ditt selger mye kalkun i november, like før Thanksgiving. I en annen ganske åpenbar sammenheng kan du på forhånd forutsi hvordan salget av fyrverkeri og kalkun vil se ut, bare ut fra tidligere resultater og kalenderdatoen.
Ta det et steg videre
Hvis vi går videre, kan det hende at du har erfaring med å lansere merkevarer i sosiale medier, men at tidligere resultater har vært ustabile og skuffende. Ved hjelp av markedsføringsverktøy med avanserte prediktive analysemodeller viser dataanalysen din at merkevarebudskap sprer seg godt fra Twitter til Instagram, men at de nesten aldri går i motsatt retning. I dette tilfellet kan du utvikle praktiske innsikter, som å alltid starte en kampanje på Twitter eller bygge opp følgerskaren din på Instagram for å oppnå bedre resultater.
Så langt har vi sett noen svært enkle måter å forutsi fremtidige hendelser på ved hjelp av usedvanlig enkle prediktive analysemetoder, men dette kan bli langt mer avansert. FICO-kredittscoren din er en form for prediktiv analyse. Ved å se på historikken din for betalinger i tide, tilgjengelig kreditt, nåværende kredittutnyttelse og flere andre faktorer forutsier FICO-scoren med høy grad av nøyaktighet hvor sannsynlig det er at du misligholder gjelden din. Den kan til og med ta hensyn til hvor mange kredittsjekker du har hatt de siste 2 årene, for å avgjøre om du desperat leter etter utvidet kreditt – et tegn på kommende problemer.
Tilbake på arbeidsplassen kan det hende at du er kvalitetsansvarlig og har som oppgave å holde maskinene i drift. Enhver driftsstans kan koste selskapet ditt penger, så du må forutsi når og hvor sammenbrudd sannsynligvis vil oppstå. Maskinlæringen din gjennomgår flere år med historiske data og fastslår at sammenbrudd oppstår når en kritisk del blir slitt, noe som skjer raskere når driftstemperaturen er høy. Den praktiske innsikten her er å kjøre maskinene med lavere intensitet eller investere i et større kjølesystem for å holde temperaturen nede, redusere slitasjen på kritiske deler og forlenge maskinenes levetid, noe som potensielt kan spare millioner av dollar.
Prediktiv analyse kontra dataanalyse
Nå som du har et overordnet bilde av hva prediktiv analyse er, skal vi se på hva det ikke er. Eller rettere sagt: Her er grensen mellom prediktiv analyse og andre beslektede konsepter som den lett kan forveksles med.
For det første er ikke prediktiv analyse det samme som den mer omfattende dataanalysen. Det er riktig å si at den er en delmengde av dataanalyse, som fokuserer på et begrenset sett med verktøy for å bygge fremtidsrettede modeller. De andre typene dataanalyse er:
- Deskriptiv analyse: En nøyaktig og rasjonelt organisert oversikt over det som har skjedd tidligere, presentert på en forståelig måte
- Diagnostisk analyse: Å finne ut hvorfor ting skjedde slik de gjorde tidligere, ideelt sett for å få innsikt til senere prediktive modeller
- Preskriptiv analyse: Praktisk innsikt i hvilken retning du bør gå videre, samt et sett med instruksjoner for hva du bør og ikke bør gjøre mens du arbeider mot et mål
Det finnes egentlig ingen skarpe og tydelige grenser mellom disse typene dataanalyse, og hver av dem kan gi innsikt til de andre. En svært kraftfull tilnærming til analyse bruker alle på riktig sted for å bygge robuste forståelsesmodeller for komplekse forhold.
Deskriptiv analyse
Du kan for eksempel være en ingeniør som prøver å utvikle en sikrere bil. Du trenger enorme mengder deskriptive analysedata fra tidligere ulykker, inkludert skaderapporter, for å bygge en modell for hvordan biler går i stykker. Bildet du får fra dette, kan avsløre at ulykkesofre ofte får nakkeskader. Dette er en beskrivelse av rådata, presentert på en måte du kan lese, men du må gå videre for å forstå hva det betyr.
Diagnostisk analyse
Så du vet at det er mange nakkeskader i bilulykker. Det neste trinnet ditt, diagnostisk analyse, forteller deg hvorfor. Tilsynelatende slår mange mennesker hodet mot frontruter eller får nakkesleng frem og tilbake. Noen ganger treffer en tung gjenstand dem bakfra under en ulykke, noe som forårsaker skadene du ser.
Have an account? Log In
Preskriptiv analyse
I det tredje trinnet, preskriptiv analyse, utvikler du en rekke forslag til hvordan nakkeskader i bilulykker kan forebygges.
Du kan vurdere å utforme bilen slik at den ikke beveger seg før føreren har på seg en nakkestøtte. Du kan bygge et sikkerhetsbur rundt førerens hode laget av tung blyskjerming. Du kan installere et automatisk utskytingssete som registrerer problemer og skyter føreren ut ved første tegn på fare. Og så videre. Ingen dårlige ideer, bare ideer på dette stadiet.
Jobben din faller virkelig på plass i stadiet for prediktiv analyse. Ved å kjøre modeller basert på tidligere resultater lærer du at bileiere blir irritert over påtrengende sikkerhetsinnretninger og sannsynligvis vil deaktivere nakkestøttene, noe som gjør dem uaktuelle. Å legge til vekt i skjermingen og redusere førernes synsfelt virker mot sin hensikt. Tidligere data fra luftfartsindustrien forteller deg at automatiske utskytingsseter generelt er en dårlig idé.
Men det finnes noen lovende ideer blant forslagene, noe den prediktive analysen din avdekker:
- Bilbelter er en billig måte å holde folk stødig på i en ulykke.
- Kollisjonsputer demper kropper i bevegelse.
- Sikkerhetsglass knuses lett, noe som reduserer hode- og nakkeskader.
- Kollisjonsunngåelse reduserer risikoen for en ulykke i utgangspunktet.
Så bygger du disse fornuftige ideene inn i den oppgraderte utformingen din, som analysen din forutsier vil gi de beste resultatene for pengene som brukes. Syklusen gjentar seg deretter, når en ny generasjon sikrere biler sendes ut, havner i ulykker og genererer mer data å arbeide med, slik at bilene blir stadig sikrere i fremtiden.
Vanlige typer prediktive modeller
Alt dette er vel og bra så langt, men hva er egentlig verktøyene for prediktiv analyse? Hvordan fungerer det? Hva gjør egentlig kunstig intelligens, maskinlæring og alle de forskjellige tingene?
Det finnes fire grunnleggende modeller for denne typen analyse. Ulike plattformer bruker alle eller noen av dem, og bruken av dem avhenger i stor grad av konteksten. Her er en kort gjennomgang av de ulike typene.
Klassifiseringsmodell
Klassifisering kunne like gjerne kalles segmentering. Denne tilnærmingen deler store datasett inn i deler med meningsfulle sammenhenger. Hvis du noen gang har vært i nærheten av et markedsundersøkelsesprosjekt, kjenner du til demografisk segmentering. Hvis du har prøvd å markedsføre skateboard til eldre, har du allerede lært hvor viktige enkelte klassifiseringer kan være.
Spesifikke modeller for nøyaktig klassifisering omfatter logistisk regresjonsanalyse, beslutningstrær, tilfeldig skog, nevrale nettverk og Naïve Bayes-analyse.
Prognosemodell
Prognoser er en av de mest brukte tilnærmingene, dels fordi de er så allsidige, og dels fordi de kan sette tallverdier i sanntid på komplekse, talløse historiske fenomener.
Du kan for eksempel bruke historikken fra produktlanseringer under merkevaren din til å forutsi nettrafikken den dagen du lanserer en kampanje. Ved hjelp av dette tallet varsler du nettverten din og ber om ekstra båndbredde. Som et resultat får du masse trafikk, nettstedet ditt krasjer ikke, og salget er godt.
Klyngemodell
Klyngemodeller er svært kraftige, og fremveksten av algoritmer for dyp læring har gjort dem skremmende effektive. De fungerer ved å oppdage korrelasjoner mellom ting i den virkelige verden, sammenligne dem med andre ting og deretter lage prediksjoner basert på sammenhenger.
Klyngemodellen din kan for eksempel legge merke til at personer som kjøper bleier, morsmelkerstatning, barnemøbler og barnestoler, med stor sannsynlighet også vil kjøpe helseforsikring og skolemateriell i nær fremtid. Når denne informasjonen lagres, kan den bli grunnlaget for en vellykket salgspresentasjon rettet mot disse personene opptil 18 år frem i tid, når en kunde markedsfører studielån.
Som du kanskje har gjettet, finnes det mange slike modeller. Vanlige klyngealgoritmer omfatter klynging med k-gjennomsnitt, gjennomsnittsskiftklynging, tetthetsbasert romlig klynging av applikasjoner med støy (DBSCAN), forventningsmaksimeringsklynging (EM) ved hjelp av gaussiske blandingsmodeller (GMM) og hierarkisk klynging.
Tidsseriemodeller
De første tidsserieanalytikerne var kanskje jeger- og sankersamfunnene som la merke til at dyr migrerte med årstidene. Denne tilnærmingen følger sykluser for å forutsi fremtidige hendelser.
Eksempelet ovenfor om at salget av kalkun øker i november, er et eksempel på tidsserieanalyse. Spesifikke modelltyper du kan bruke her, inkluderer autoregressiv (AR), glidende gjennomsnitt (MA), ARMA og ARIMA.
3 fordeler med prediktiv modellering
Det er mye som taler for disse prediktive modellene og hvordan de hjelper deg med beslutningstakingen. For å få et tydeligere bilde får du her tre områder der du kan bruke modellene for å oppnå gode resultater.
Sikkerhet og risikoreduksjon
Sikkerhet handler i stor grad om å forutsi folks atferd og ta høyde for den på forhånd. Låser på dørene dine forutser at folk på et tidspunkt vil forsøke å vri på dørhåndtakene. Rettsmedisinske revisjonsspor forutser at noen vil forsøke å underslå penger.
Innen markedsføring kan historiske data tyde på at informasjonslekkasjer er vanligst hos tredjepartsleverandører. Derfor bestemmer du deg for å holde tilbake informasjon frem til produktlanseringsdatoer, eller til og med segmentere informasjonen for å holde den sikker.
Operasjonell effektivitet
Prediktive verktøy kan forbedre driftseffektiviteten din betydelig ved å hjelpe deg med å forutse etterspørselen. Hvis du har et kundesenter som er svært travelt tidlig om morgenen og sent på ettermiddagen, men nesten tomt på alle andre tidspunkter, har du data som hjelper deg med å planlegge vakter.
Ved å sette inn timelønnede medarbeidere i rushtiden og deretter redusere bemanningen når ingen ringer, plasserer du ressursene akkurat der de trengs, til riktig tid, i stedet for å ha for få ansatte i travle perioder og for mange når det er stille.
Bedre beslutningstaking
Dette er den viktigste. Du tar i praksis i bruk prediktiv analyse for å få en snarvei til fremtidige resultater. Tenk igjen på FICO-skårer. Bør du gi kreditt til en kunde med dårlig kredittrisiko og lav skår? Bør du avslå å sende et nytt kredittkort til noen med en skår på 790? Analysemodellen hjelper deg med å forutsi fremtidige utfall basert på tidligere resultater.
5 måter å bruke prediktiv analyse til din fordel på
Segmentering av kunder og målgrupper
Du vet allerede at kundene dine er forskjellige fra hverandre, men de har en tendens til å samle seg i grupper som store datasett avdekker. Datautvinning har fått et dårlig rykte, men det er det første steget i å bygge fornuftige klynger som du kan generalisere om og målrette mer effektivt mot.
Tiltrekking av nye kunder
Det er flott å vinne nye kunder, og muligheten til å gjøre det på en pålitelig måte med markedsføringskampanjene dine gir merkevaren din et konkurransefortrinn. Teknikker som lineære regresjonsmodeller hjelper deg med å finjustere arbeidsflytene dine og få mest mulig ut av kampanjer for å tiltrekke nye kunder.
More Articles
Poengsetting av potensielle kunder
Å skille klinten fra hveten er en viktig del av forretningsintelligens, særlig når det gjelder poengsetting av potensielle kunder og utvikling av en ny følgerskare. Tilbøyelighetsmodellering viser hvor sannsynlig det er at publikum vil følge deg, og hvilke potensielle kunder som er mest interessante.
Anbefalinger av innhold og annonser
Annonser kan være irriterende hvis de er uønskede eller markedsfører produkter seeren ikke trenger. Samarbeidsbasert filtrering fjerner det irriterende og gjør det langt mer sannsynlig at annonsebudskapene dine treffer.
Personlig tilpasning av kundeopplevelser
Enten du er detaljforhandler, jobber innen finansielle tjenester eller driver med værvarsling for rederier, hjelper automatisert segmentering deg med å sortere gjennom alle resultatene du kan generere, og levere en tilpasset opplevelse til alle du samhandler med. Dette er optimalisering på et personlig nivå, og det har potensial til å gi størst effekt i markedsføringen din, siden det skaper en personlig forbindelse med alle merkevaren din samhandler med.
På vei inn i fremtiden
Det var mye å gå gjennom, men forhåpentligvis er du nå langt bedre informert om fordelene med programvare for markedsføringsanalyse og hvordan den kan hjelpe med prediktiv analyse. Det finnes også mye mer informasjon tilgjengelig hvis du leter etter den. Abonner på The CMO-nyhetsbrevet for å holde deg oppdatert på de nyeste tipsene, trendene, programvareanbefalingene og mer innen markedsføring.