Prediktiv analys använder historiska data för att förutsäga framtida resultat och hjälpa dig att fatta bättre beslut genom att identifiera mönster och trender.
I den här artikeln går jag igenom vad prediktiv analys är, visar hur den förstärker din B2B-marknadsföringsstrategi och ger dig konkreta sätt att använda den för att lösa verkliga ledningsutmaningar. Du får lära dig exakt hur du integrerar prediktiv analys i din beslutsprocess för smartare och mindre stressande resultat.
Vad är prediktiv analys?
Prediktiv analys är en uppsättning verktyg för att modellera framtida resultat baserat på tidigare resultat. Det är en uppsättning matematiska processer för att projicera trender framåt från de data du har till de resultat du försöker förutsäga. Genom att välja relevanta historiska data och tillämpa en lämplig uppsättning verktyg kan du på ett tillförlitligt sätt förutsäga resultaten av de policyer och initiativ du överväger just nu.
För att sätta det i verkliga termer kan du föreställa dig att du är en HR-chef med ansvar för att anställa personer som ska skriva kod för företagets IT-avdelning. Enligt din erfarenhet är det vissa högskolor som utbildar studenter som presterar bättre i den här typen av arbete. Därför granskar du dina sökande efter nyckelord som "CalTech", "MIT" eller "University of California Berkeley". På ett mycket enkelt sätt har du just tillämpat din egen prediktiva analys för att skapa en meningsfull koppling mellan en sökandes lärosäte och hur väl personen kan tänkas prestera på ditt företag.
Du behöver betydande datorkraft och bra maskininlärningsalgoritmer för att hantera mer komplexa samband. Säg att dina tidigare försäljningsdata visar att företaget säljer mer fyrverkerier under veckorna före nyår och den fjärde juli, medan ditt dotterbolag säljer mycket kalkon i november, precis före Thanksgiving. I ett annat ganska uppenbart samband kan du i förväg förutsäga hur försäljningen av fyrverkerier och kalkon kommer att se ut enbart utifrån tidigare resultat och kalenderdatumet.
Ta det ett steg längre
Om du går vidare kan du ha erfarenhet av att lansera varumärken på sociala medier, men dina tidigare resultat har varit ojämna och nedslående. Med hjälp av marknadsföringsverktyg med avancerade prediktiva analysmodeller visar din dataanalys att varumärkesbudskap sprids väl från Twitter till Instagram, men att de nästan aldrig går i motsatt riktning. I det här fallet kan du ta fram konkreta insikter, som att alltid starta en kampanj på Twitter eller bygga upp din följarskara på Instagram för att uppnå bättre resultat.
Hittills har vi sett några mycket enkla sätt att förutsäga framtida händelser med hjälp av extremt enkla prediktiva analysmetoder, men det kan bli mycket mer avancerat än så. Din FICO-kreditpoäng är en form av prediktiv analys. Genom att granska din historik över punktliga betalningar, tillgänglig kredit, aktuell kreditutnyttjandegrad och flera andra faktorer förutsäger FICO-poängen med hög grad av precision hur sannolikt det är att du kommer att ställa in dina skuldbetalningar. Den kan även ta hänsyn till antalet kreditupplysningar du har haft under de senaste 2 åren för att avgöra om du desperat försöker få utökad kredit, vilket är ett tecken på kommande problem.
Tillbaka på arbetsplatsen kan du vara en QA-ansvarig vars uppgift är att hålla maskinerna igång. All driftstopp kan kosta företaget pengar, så du måste förutsäga när och var haverier sannolikt kommer att inträffa. Din maskininlärning granskar flera års historiska data och fastställer att haverier inträffar när en kritisk del slits ut, vilket sker snabbare när driftstemperaturen är hög. Den konkreta insikten här är att köra maskinerna med lägre intensitet eller investera i ett större kylsystem för att hålla temperaturen nere, minska slitaget på kritiska delar och förlänga maskinernas livslängd, vilket potentiellt kan spara miljontals dollar.
Prediktiv analys jämfört med dataanalys
Nu när du har fått en övergripande bild av vad prediktiv analys är ska vi gå igenom vad den inte är. Eller snarare: här är skiljelinjen mellan prediktiv analys och andra närliggande begrepp som lätt kan blandas ihop med den.
För det första är prediktiv analys inte samma sak som den bredare dataanalysen. Det är korrekt att säga att den är en delmängd av dataanalys, en som fokuserar på ett begränsat antal verktyg för att bygga framtidsinriktade modeller. De andra typerna av dataanalys är:
- Beskrivande analys: En korrekt och rationellt organiserad redogörelse för vad som har hänt tidigare, presenterad på ett begripligt sätt
- Diagnostisk analys: Att ta reda på varför saker hände som de gjorde tidigare, helst för att få insikter till senare prediktiva modeller
- Preskriptiv analys: Handlingsbara insikter om vart du bör gå härifrån och en uppsättning instruktioner för vad du bör och inte bör göra medan du arbetar mot ett mål
Det finns egentligen inga tydliga gränser som skiljer dessa typer av dataanalys åt, och var och en av dem kan ge information till de andra. Ett verkligt kraftfullt analysperspektiv använder alla på rätt plats för att bygga robusta förståelsemodeller för komplexa förhållanden.
Beskrivande analys
Du kan till exempel vara en ingenjör som försöker utforma en säkrare bil. Du behöver enorma mängder beskrivande analysdata från tidigare krockar, inklusive rapporter om skador, för att bygga en modell för hur bilar går sönder. Bilden du får av detta kan visa att olycksoffer ofta får nackskador. Det här är en beskrivning av rådata, presenterad på ett sätt som du kan läsa, men du måste gå längre för att förstå vad den betyder.
Diagnostikanalys
Så du vet att det förekommer många nackskador i bilolyckor. Nästa steg, den diagnostiska analysen, berättar varför. Tydligen slår många människor huvudet i vindrutor eller får pisksnärt fram och tillbaka. Ibland träffas de av ett tungt föremål bakifrån under en krock, vilket orsakar de skador du ser.
Have an account? Log In
Preskriptiv analys
I det tredje steget, preskriptiv analys, utvecklar du ett antal förslag på hur man kan förebygga nackskador i bilolyckor.
Du kanske överväger att utforma bilen så att den inte rör sig förrän föraren har på sig en nackkrage. Du kanske bygger en säkerhetsbur runt förarens huvud av tung blyskärmning. Du skulle kunna installera ett automatiskt utskjutningssystem som upptäcker problem och skjuter ut föraren vid minsta tecken på fara. Och så vidare. Inga dåliga idéer, bara idéer i det här skedet.
Ditt arbete faller verkligen på plats i steget med prediktiv analys. Genom att köra modeller för tidigare resultat lär du dig att bilägare blir irriterade på påträngande säkerhetsanordningar och sannolikt kommer att inaktivera nackkragarna, vilket gör dem uteslutna från början. Att lägga till vikt i skärmningen och minska förarnas synfält är kontraproduktivt. Tidigare data från flyg- och rymdindustrin visar att automatiska utskjutningssystem i allmänhet är en dålig idé.
Men det finns några lovande idéer i högen, vilket din prediktiva analys visar:
- Säkerhetsbälten är ett billigt sätt att hålla människor stadiga vid en krock.
- Krockkuddar dämpar kroppar i rörelse.
- Säkerhetsglas går lätt sönder, vilket minskar huvud- och nackskador.
- Kollisionsundvikande minskar risken för en krock redan från början.
Så du bygger in dessa rimliga idéer i din uppgraderade konstruktion, som din analys förutspår kommer att ge bäst resultat för de pengar som spenderas. Cykeln upprepas sedan när en ny generation säkrare bilar ger sig ut på vägarna, råkar ut för olyckor och genererar mer data att arbeta med, vilket gör bilarna allt säkrare i framtiden.
Vanliga typer av prediktiva modeller
Allt detta är bra hittills, men vilka verktyg består egentligen prediktiv analys av? Hur fungerar det? Vad gör artificiell intelligens, maskininlärning och alla möjliga andra saker egentligen?
Det finns fyra grundläggande modeller för den här typen av analys. Olika plattformar använder alla eller vissa av dem, och användningen är verkligen beroende av sammanhanget. Här är en kort genomgång av de olika typerna.
Klassificeringsmodell
Klassificering skulle lika gärna kunna kallas segmentering. Detta tillvägagångssätt delar upp stora datamängder i delar med meningsfulla samband. Om du någon gång har varit i närheten av ett marknadsundersökningsprojekt känner du till demografisk segmentering. Om du har försökt marknadsföra skateboardar till äldre har du redan lärt dig hur viktiga vissa klassificeringar kan vara.
Specifika modeller för korrekt klassificering omfattar logistisk regressionsanalys, beslutsträd, slumpmässig skog, neurala nätverk och Naïve Bayes-analys.
Prognosmodell
Prognoser är ett av de vanligaste tillvägagångssätten, dels eftersom de är så mångsidiga och dels eftersom de kan omvandla komplexa historiska fenomen till verkliga numeriska värden i realtid.
Du kan till exempel använda historiken över produktlanseringar under ditt varumärke för att förutsäga webbtrafiken den dag du lanserar en kampanj. Med hjälp av denna siffra varnar du ditt webbhotell och ber om extra bandbredd. Som ett resultat får du massor av trafik, din webbplats kraschar inte och försäljningen är stark.
Klustringsmodell
Klustringsmodeller är mycket kraftfulla, och framväxten av algoritmer för djupinlärning har gjort dem skrämmande effektiva. De fungerar genom att upptäcka samband mellan saker i den verkliga världen, jämföra dem med andra saker och sedan göra förutsägelser baserade på associationer.
Din klustringsmodell kan till exempel upptäcka att personer som köper blöjor, modersmjölksersättning, barnrumsmöbler och barnstolar med stor sannolikhet också kommer att köpa sjukförsäkring och skolmaterial inom en nära framtid. När denna information lagras kan den ligga till grund för en framgångsrik säljpresentation riktad till dessa personer så mycket som 18 år senare, när kunden är redo att överväga studielån.
Som du kanske har gissat finns det många av dessa modeller. Vanliga klustringsalgoritmer omfattar k-means-klustring, mean-shift-klustring, täthetsbaserad spatial klustring av tillämpningar med brus (DBSCAN), expectation-maximization-klustring (EM) med hjälp av gaussiska blandningsmodeller (GMM) samt hierarkisk klustring.
Tidsseriemodeller
De första tidsserieanalytikerna var kanske jägarna och samlarna som lade märke till att djur vandrade med årstiderna. Detta tillvägagångssätt följer cykler för att förutsäga framtida händelser.
Exemplet ovan om att försäljningen av kalkoner ökar i november är ett exempel på tidsserieanalys. Specifika modelltyper som du kan använda här omfattar autoregressiva modeller (AR), glidande medelvärde (MA), ARMA och ARIMA.
3 fördelar med prediktiv modellering
Det finns mycket att säga om dessa prediktiva modeller och hur de hjälper dig att fatta beslut. För att ge en tydligare bild följer här tre områden där du kan tillämpa modellerna för att uppnå goda resultat.
Säkerhet och riskminskning
Säkerhet handlar till stor del om att förutsäga människors beteenden och ta hänsyn till dem i förväg. Lås på dina dörrar förutsäger att människor någon gång kommer att försöka vrida på dörrhandtagen. Rättsmedicinska revisionsspår förutser att någon kommer att försöka förskingra pengar.
Inom marknadsföring kan dina historiska data tyda på att informationsläckor är vanligast hos tredjepartsleverantörer. Därför beslutar du dig för att hålla inne information fram till produktlanseringsdatumen eller till och med dela upp informationen för att hålla den säker.
Operativ effektivitet
Prediktiva verktyg kan avsevärt förbättra din operativa effektivitet genom att hjälpa dig att prognostisera efterfrågan. Om du har ett callcenter som är mycket upptaget tidigt på morgonen och sent på eftermiddagen, men är helt tomt alla andra tider, har du data som hjälper dig att schemalägga arbetspass.
Genom att ta in din timanställda personal under rusningstid och sedan minska bemanningen när ingen ringer placerar du dina resurser precis där de behövs och vid rätt tidpunkter, i stället för att ha för få medarbetare under rusningstid och för många när det är lugnt.
Förbättrat beslutsfattande
Det här är den stora fördelen. Du använder i praktiken prediktiv analys för att få en genväg till framtida resultat. Tänk på FICO-poäng igen. Bör du bevilja kredit till en person med dålig kreditvärdighet och låg poäng? Bör du vägra att skicka ut ett nytt kreditkort till någon med en poäng på 790? Den analytiska modellen hjälper dig att förutsäga framtida resultat baserat på tidigare prestationer.
5 sätt att använda prediktiv analys till din fördel
Segmentering av kunder och målgrupper
Du vet redan att dina kunder skiljer sig från varandra, men de tenderar att samlas i grupper som stora datamängder avslöjar. Datautvinning har ett dåligt rykte, men det är det första steget mot att skapa förnuftiga kluster som du kan generalisera kring och rikta dig till mer effektivt.
Förvärv av nya kunder
Det är fantastiskt att vinna nya kunder, och möjligheten att göra det på ett tillförlitligt sätt med dina marknadsföringskampanjer ger ditt varumärke en konkurrensfördel. Tekniker som linjära regressionsmodeller hjälper dig att finslipa dina arbetsflöden och få ut så mycket som möjligt av kampanjer för att förvärva nya kunder.
Poängsättning av potentiella kunder
Att skilja agnarna från vetet är en viktig del av affärsintelligens, särskilt när det gäller poängsättning av potentiella kunder och att bygga upp en ny följarskara. Benägenhetsmodellering visar vart allmänheten sannolikt kommer att följa med dig och vilka potentiella kunder som är hetast.
Rekommendationer av innehåll och annonser
Annonser kan vara irriterande om de är oönskade eller om de marknadsför produkter som tittaren inte behöver. Kollaborativ filtrering sållar bort det irriterande och gör det mycket mer sannolikt att dina annonsbudskap når fram.
Personanpassning av kundupplevelser
Oavsett om du är återförsäljare, arbetar inom finansiella tjänster eller ägnar dig åt väderprognoser för transportföretag hjälper automatiserad segmentering dig att sålla bland alla resultat du skulle kunna generera och leverera en anpassad upplevelse till alla du interagerar med. Det här är optimering på individnivå, och det har potential att skapa störst effekt i din marknadsföring eftersom det skapar en personlig kontakt med alla som ditt varumärke interagerar med.
In i framtiden
Det var mycket att gå igenom, men förhoppningsvis är du nu betydligt bättre informerad om fördelarna med programvara för marknadsföringsanalys och hur den kan hjälpa till med prediktiv analys. Det finns också mycket mer information tillgänglig om du letar efter den. Prenumerera på The CMO-nyhetsbrevet för att hålla dig uppdaterad om de senaste tipsen, trenderna, programvarurekommendationerna och annat inom marknadsföring.