Analityka predykcyjna wykorzystuje dane historyczne do prognozowania przyszłych wyników i pomaga podejmować lepsze decyzje poprzez identyfikowanie wzorców i trendów.
W tym artykule wyjaśnię, czym jest analityka predykcyjna, pokażę, jak wzmacnia ona strategię marketingową B2B, oraz przedstawię praktyczne sposoby jej zastosowania do rozwiązywania rzeczywistych wyzwań związanych z zarządzaniem. Dowiesz się dokładnie, jak włączyć analitykę predykcyjną do procesu podejmowania decyzji, aby osiągać trafniejsze i mniej stresujące rezultaty.
Czym jest analityka predykcyjna?
Analityka predykcyjna to zestaw narzędzi służących do modelowania przyszłych wyników na podstawie wyników z przeszłości. Jest to zestaw procesów matematycznych umożliwiających prognozowanie trendów na podstawie posiadanych danych w celu określenia wyników, które próbujesz przewidzieć. Wybierając odpowiednie dane historyczne i stosując właściwy zestaw narzędzi, możesz wiarygodnie przewidywać rezultaty zasad i inicjatyw, które obecnie rozważasz.
Aby przedstawić to na konkretnym przykładzie, wyobraź sobie, że jesteś menedżerem ds. zasobów ludzkich odpowiedzialnym za zatrudnianie osób do pisania kodu dla działu IT swojej firmy. Z własnego doświadczenia wiesz, że absolwenci niektórych uczelni lepiej radzą sobie z tego rodzaju pracą. Dlatego wyszukujesz w zgłoszeniach kandydatów słowa kluczowe, takie jak "CalTech", "MIT" lub "University of California Berkeley". W bardzo prosty sposób zastosowałeś właśnie własną analizę predykcyjną, aby ustalić związek między uczelnią kandydata a tym, jak dobrze może on poradzić sobie w Twojej firmie.
Do obsługi bardziej złożonych zależności potrzebujesz znacznej mocy obliczeniowej i dobrych algorytmów uczenia maszynowego. Załóżmy, że dane dotyczące sprzedaży z przeszłości pokazują, iż Twoja firma sprzedaje więcej fajerwerków w tygodniach poprzedzających Nowy Rok i Dzień Niepodległości, ale Twoja spółka zależna sprzedaje dużo indyka w listopadzie, tuż przed Świętem Dziękczynienia. Na podstawie kolejnej dość oczywistej zależności możesz z wyprzedzeniem przewidzieć, jak będzie wyglądać sprzedaż fajerwerków i indyka, korzystając wyłącznie z wyników z przeszłości i daty w kalendarzu.
Poziom wyżej
Idąc dalej, możesz mieć doświadczenie wprowadzania marek w mediach społecznościowych, ale Twoje dotychczasowe wyniki były niepewne i rozczarowujące. Korzystając z narzędzi marketingowych z zaawansowanymi modelami analityki predykcyjnej, analiza danych pokazuje, że komunikaty marki dobrze przenoszą się z Twittera na Instagram, ale niemal nigdy nie działają w przeciwnym kierunku. W takim przypadku możesz wyciągnąć praktyczne wnioski, takie jak rozpoczynanie każdej kampanii na Twitterze lub rozwijanie grona obserwujących na Instagramie w celu osiągnięcia lepszych wyników.
Do tej pory przedstawiliśmy kilka bardzo prostych sposobów przewidywania przyszłych zdarzeń przy użyciu niezwykle prostych metod analizy predykcyjnej, ale możliwości są znacznie większe. Twoja ocena kredytowa FICO jest pewnego rodzaju analizą predykcyjną. Analizując historię terminowych płatności, dostępny kredyt, bieżące wykorzystanie kredytu i kilka innych czynników, wynik FICO z dużą dokładnością przewiduje prawdopodobieństwo niewywiązania się przez Ciebie ze spłaty zobowiązań. Może nawet uwzględniać liczbę kontroli kredytowych przeprowadzonych w ciągu ostatnich 2 lat, aby określić, czy desperacko szukasz możliwości zwiększenia kredytu, co stanowi oznakę nadchodzących problemów.
Wracając do miejsca pracy, możesz być specjalistą ds. zapewnienia jakości, którego zadaniem jest utrzymanie maszyn w działaniu. Każdy przestój może kosztować Twoją firmę pieniądze, dlatego musisz przewidywać, kiedy i gdzie prawdopodobnie dojdzie do awarii. Twoje uczenie maszynowe analizuje dane z wielu lat i ustala, że awarie występują, gdy zużywa się kluczowa część, co następuje szybciej przy wysokiej temperaturze pracy. Praktyczny wniosek jest taki, aby uruchamiać maszyny z mniejszą intensywnością lub zainwestować w większy system chłodzenia, by obniżyć temperaturę, ograniczyć zużycie kluczowych części i wydłużyć żywotność maszyn, potencjalnie oszczędzając miliony dolarów.
Analityka predykcyjna a analityka danych
Teraz, gdy masz już ogólny obraz tego, czym jest analityka predykcyjna, wyjaśnijmy, czym nie jest. A właściwie przedstawmy granicę między analityką predykcyjną a innymi powiązanymi pojęciami, z którymi łatwo ją pomylić.
Po pierwsze, analityka predykcyjna nie jest tym samym co szersza analityka danych. Trafne byłoby stwierdzenie, że stanowi ona podzbiór analityki danych, koncentrujący się na ograniczonym zestawie narzędzi do budowania modeli zorientowanych na przyszłość. Pozostałe rodzaje analityki danych to:
- Analityka opisowa: Dokładne i racjonalnie uporządkowane przedstawienie tego, co wydarzyło się w przeszłości, zaprezentowane w zrozumiały sposób
- Analityka diagnostyczna: Ustalanie, dlaczego w przeszłości wydarzenia przebiegały w określony sposób, najlepiej w celu uzyskania wiedzy przydatnej w późniejszych modelach predykcyjnych
- Analityka preskryptywna: Praktyczne wskazówki dotyczące tego, dokąd należy zmierzać, oraz zestaw instrukcji określających, co należy robić, a czego unikać podczas dążenia do celu
W rzeczywistości nie ma wyraźnych, jednoznacznych granic między tymi rodzajami analityki danych, a każdy z nich może dostarczać informacji pozostałym. Naprawdę skuteczne podejście do analityki wykorzystuje wszystkie te rodzaje we właściwym miejscu, aby budować solidne modele rozumienia złożonych zagadnień.
Analityka opisowa
Na przykład możesz być inżynierem próbującym zaprojektować bezpieczniejszy samochód. Do zbudowania modelu pokazującego, w jaki sposób samochody ulegają uszkodzeniom, potrzebujesz ogromnej ilości opisowych danych analitycznych dotyczących wypadków z przeszłości, w tym raportów o obrażeniach. Uzyskany obraz może ujawnić, że ofiary wypadków często doznają urazów szyi. Jest to opis surowych danych przedstawiony w czytelny sposób, ale aby go zrozumieć, musisz przejść krok dalej.
Analityka diagnostyczna
Wiesz więc, że podczas wypadków samochodowych dochodzi do wielu urazów szyi. Kolejny etap, analiza diagnostyczna, wyjaśnia dlaczego. Okazuje się, że wiele osób uderza głową w przednią szybę albo doznaje urazu wskutek gwałtownego odgięcia i zgięcia szyi. Czasami podczas wypadku uderza w nie od tyłu ciężki przedmiot, co powoduje obserwowane urazy.
Have an account? Log In
Analityka preskryptywna
W trzecim kroku, analityce preskryptywnej, opracowujesz szereg sugestii dotyczących sposobów zapobiegania urazom szyi podczas wypadków samochodowych.
Możesz rozważyć zaprojektowanie samochodu tak, aby nie ruszał, dopóki kierowca nie założy usztywnienia szyi. Możesz zbudować wokół głowy kierowcy klatkę ochronną wykonaną z ciężkiej osłony ołowianej. Możesz zamontować automatyczny fotel katapultowy, który wykrywa problemy i wyrzuca kierowcę z samochodu przy pierwszych oznakach zagrożenia. I tak dalej. Na tym etapie nie ma złych pomysłów, są tylko pomysły.
Twoja praca nabiera pełnego kształtu na tym etapie analizy predykcyjnej. Analizując modele oparte na wynikach z przeszłości, dowiadujesz się, że właściciele samochodów irytują się z powodu uciążliwych urządzeń ochronnych i prawdopodobnie będą wyłączać usztywnienia szyi, co czyni je rozwiązaniem nie do przyjęcia. Zwiększanie masy przez stosowanie osłon i ograniczanie pola widzenia kierowców przynosi skutek odwrotny do zamierzonego. Dane z przeszłości pochodzące z branży lotniczej i kosmicznej pokazują, że automatyczne fotele katapultowe są zazwyczaj złym pomysłem.
Wśród wielu pomysłów znajduje się jednak kilka obiecujących rozwiązań, które ujawnia analiza predykcyjna:
- Pasy bezpieczeństwa to tani sposób na utrzymanie ludzi w stabilnej pozycji podczas wypadku.
- Poduszki powietrzne amortyzują poruszające się ciała.
- Szkło bezpieczne łatwo się rozpada, zmniejszając liczbę urazów głowy i szyi.
- Systemy unikania kolizji przede wszystkim zmniejszają ryzyko wypadku.
Włączasz więc te rozsądne pomysły do ulepszonego projektu, który zgodnie z przewidywaniami analizy zapewni najlepsze rezultaty w stosunku do poniesionych kosztów. Cykl następnie się powtarza: nowa generacja bezpieczniejszych samochodów trafia na drogi, uczestniczy w wypadkach i dostarcza kolejnych danych do analizy, dzięki czemu samochody stają się w przyszłości coraz bezpieczniejsze.
Typowe rodzaje modeli predykcyjnych
Jak dotąd wszystko wygląda świetnie, ale czym właściwie są narzędzia analityki predykcyjnej? Jak to działa? Co tak naprawdę robią sztuczna inteligencja, uczenie maszynowe i różne inne rozwiązania?
W przypadku tego rodzaju analityki istnieją cztery podstawowe modele. Różne platformy wykorzystują wszystkie albo tylko niektóre z nich, a ich zastosowanie zależy przede wszystkim od kontekstu. Oto krótkie omówienie poszczególnych rodzajów.
Model klasyfikacyjny
Klasyfikację można równie dobrze nazwać segmentacją. Podejście to dzieli duże zbiory danych na części, między którymi występują znaczące zależności. Jeśli kiedykolwiek miałeś do czynienia z projektem badania rynku, znasz segmentację demograficzną. Jeśli próbowałeś prowadzić marketing deskorolek skierowany do seniorów, wiesz już, jak ważne mogą być niektóre klasyfikacje.
Do konkretnych modeli umożliwiających dokładną klasyfikację należą analiza regresji logistycznej, drzewa decyzyjne, las losowy, sieci neuronowe oraz analiza naiwnych klasyfikatorów Bayesa.
Model prognozowania
Prognozowanie jest jednym z najczęściej stosowanych podejść, częściowo dlatego, że jest tak uniwersalne, a częściowo ze względu na możliwość przypisywania rzeczywistych wartości liczbowych w czasie rzeczywistym złożonym zjawiskom historycznym, których wcześniej nie wyrażano liczbowo.
Możesz na przykład wykorzystać historię premier produktów swojej marki do przewidzenia ruchu w witrynie internetowej w dniu rozpoczęcia kampanii. Na podstawie tej liczby powiadamiasz dostawcę hostingu i prosisz o dodatkową przepustowość. W rezultacie uzyskujesz ogromny ruch, witryna nie przestaje działać, a sprzedaż jest wysoka.
Model grupowania
Modele grupowania są niezwykle zaawansowane, a rozwój algorytmów głębokiego uczenia sprawił, że stały się przerażająco skuteczne. Działają, wykrywając korelacje między rzeczami w świecie rzeczywistym, porównując je z innymi rzeczami, a następnie tworząc prognozy na podstawie powiązań.
Na przykład model grupowania może zauważyć, że osoby kupujące pieluchy, mleko modyfikowane dla niemowląt, meble do pokoju dziecięcego i krzesełka do karmienia z dużym prawdopodobieństwem kupią również ubezpieczenie zdrowotne i przybory szkolne w najbliższej przyszłości. Po zapisaniu tych informacji mogą one stać się podstawą skutecznej oferty sprzedażowej skierowanej do tych osób nawet 18 lat później, gdy klient będzie promować kredyty studenckie.
Jak można się domyślić, istnieje wiele takich modeli. Do popularnych algorytmów grupowania należą grupowanie metodą k-średnich, grupowanie metodą przesunięcia średniej, grupowanie przestrzenne oparte na gęstości dla zastosowań z szumem (DBSCAN), grupowanie metodą maksymalizacji wartości oczekiwanej (EM) z wykorzystaniem modeli mieszanin gaussowskich (GMM) oraz grupowanie hierarchiczne.
Modele szeregów czasowych
Można argumentować, że pierwszymi analitykami szeregów czasowych byli łowcy-zbieracze, którzy zauważyli, że zwierzęta migrują wraz ze zmianami pór roku. Podejście to śledzi cykle, aby przewidywać przyszłe wydarzenia.
Powyższy przykład dotyczący wzrostu sprzedaży indyków w listopadzie jest przykładem analizy szeregów czasowych. Konkretne typy modeli, których można tu użyć, obejmują modele autoregresyjne (AR), modele średniej ruchomej (MA), ARMA i ARIMA.
3 korzyści z modelowania predykcyjnego
O tych modelach predykcyjnych i ich wpływie na podejmowanie decyzji można powiedzieć wiele. Aby uzyskać pełniejszy obraz, przedstawiamy trzy obszary, w których można zastosować te modele, aby osiągnąć świetne rezultaty.
Bezpieczeństwo i ograniczanie ryzyka
Bezpieczeństwo polega w dużej mierze na przewidywaniu zachowań ludzi i uwzględnianiu ich z wyprzedzeniem. Zamki w drzwiach przewidują, że w pewnym momencie ktoś spróbuje nacisnąć klamkę. Ścieżki audytu kryminalistycznego zakładają, że ktoś spróbuje sprzeniewierzyć pieniądze.
W marketingu dane historyczne mogą sugerować, że do wycieków informacji najczęściej dochodzi w przypadku dostawców zewnętrznych. Dlatego możesz zdecydować się na wstrzymanie udostępniania informacji do momentu premiery produktu lub nawet podzielenie informacji na segmenty, aby zachować ich bezpieczeństwo.
Efektywność operacyjna
Narzędzia predykcyjne mogą znacznie poprawić efektywność operacyjną, pomagając prognozować popyt. Jeśli centrum obsługi telefonicznej jest bardzo zajęte wczesnym rankiem i późnym popołudniem, ale o wszystkich pozostałych porach niemal nikt z niego nie korzysta, masz dane, które pomagają zaplanować zmiany.
Włączenie pracowników godzinowych do pracy w godzinach szczytu, a następnie ograniczenie obsady, gdy nikt nie dzwoni, pozwala skierować zasoby dokładnie tam, gdzie są potrzebne i wtedy, kiedy są potrzebne, zamiast mieć zbyt mało pracowników w godzinach największego ruchu i zbyt wielu, gdy jest spokojnie.
Lepsze podejmowanie decyzji
To najważniejszy punkt. W praktyce sięgasz po analitykę predykcyjną, aby uzyskać dane pozwalające oszukać system i przewidzieć przyszłe wyniki. Pomyślmy ponownie o wynikach FICO. Czy powinieneś przyznać kredyt osobie o niskim wyniku, stanowiącej wysokie ryzyko kredytowe? Czy powinieneś odmówić wysłania nowej karty kredytowej osobie z wynikiem 790? Model analityczny pomaga przewidywać przyszłe rezultaty na podstawie wcześniejszych wyników.
5 sposobów na wykorzystanie analityki predykcyjnej na swoją korzyść
Segmentacja klientów i odbiorców
Już wiesz, że Twoi klienci różnią się od siebie, ale mają tendencję do grupowania się w klastry ujawniane przez duże zbiory danych. Eksploracja danych ma złą reputację, ale jest pierwszym krokiem do zbudowania sensownych klastrów, o których można formułować uogólnienia i skuteczniej do nich kierować działania.
Pozyskiwanie nowych klientów
Zdobywanie nowych klientów jest świetne, a możliwość robienia tego w sposób powtarzalny za pomocą kampanii marketingowych daje Twojej marce przewagę konkurencyjną. Techniki takie jak modele regresji liniowej pomagają udoskonalać przepływy pracy i maksymalnie wykorzystać kampanie pozyskiwania nowych klientów.
More Articles
Ocena potencjalnych klientów
Oddzielanie ziarna od plew stanowi ważną część analityki biznesowej, szczególnie w przypadku oceny potencjalnych klientów i budowania nowej grupy odbiorców. Modelowanie skłonności pokazuje, dokąd prawdopodobnie podąży odbiorca wraz z Twoją marką i którzy potencjalni klienci są najbardziej obiecujący.
Rekomendacje treści i reklam
Reklamy mogą irytować, jeśli są niechciane lub promują produkty, których odbiorca nie potrzebuje. Filtrowanie kolaboratywne eliminuje to źródło irytacji i znacznie zwiększa prawdopodobieństwo, że Twoje komunikaty reklamowe zostaną dobrze odebrane.
Personalizacja doświadczeń klientów
Niezależnie od tego, czy jesteś sprzedawcą detalicznym, działasz w sektorze usług finansowych, czy zajmujesz się prognozowaniem pogody dla firm spedycyjnych, automatyczna segmentacja pomaga przesiać wszystkie dane wyjściowe, które możesz generować, i zapewnić spersonalizowane doświadczenia każdej osobie, z którą się kontaktujesz. To optymalizacja na poziomie osobistym, która może wywrzeć największy wpływ na Twój marketing, ponieważ pozwala nawiązać osobistą relację ze wszystkimi osobami mającymi kontakt z Twoją marką.
Wkraczamy w przyszłość
To było sporo informacji, ale mamy nadzieję, że teraz znacznie lepiej rozumiesz korzyści płynące z oprogramowania do analityki marketingowej i to, jak może ono pomóc w analityce predykcyjnej. Jeśli szukasz dalszych informacji, znajdziesz ich znacznie więcej. Zapisz się do biuletynu The CMO, aby być na bieżąco z najnowszymi poradami, trendami, rekomendacjami oprogramowania i innymi informacjami z dziedziny marketingu.
