Predictive Analytics, Big Data und wie Sie sie für Sie arbeiten lassen

Predictive Analytics ist das praktische Ergebnis von Big Data und Business Intelligence (BI). Was tun Sie, wenn Ihr Unternehmen unglaubliche Mengen an neuen Daten sammelt? Die heutigen Geschäftsanwendungen ziehen Berge von neuen Kunden, Märkten, soziales Zuhören , und Echtzeit-App-, Cloud- oder Produktleistungsdaten. Predictive Analytics ist eine Möglichkeit, all diese Informationen zu nutzen, konkrete neue Erkenntnisse zu gewinnen und der Konkurrenz einen Schritt voraus zu sein.



Unternehmen nutzen Predictive Analytics auf vielfältige Weise, von Predictive Marketing und Machine Learning (ML) bis hin zu Algorithmen der künstlichen Intelligenz (KI), um Geschäftsprozesse zu optimieren und neue statistische Muster aufzudecken. Es handelt sich im Grunde genommen um Computer, die aus dem Verhalten der Vergangenheit lernen, wie bestimmte Geschäftsprozesse besser ausgeführt werden können und neue Einblicke in die tatsächliche Funktionsweise Ihres Unternehmens liefern. Aber bevor wir auf all die faszinierenden Möglichkeiten eingehen, wie Unternehmen und Technologieunternehmen Predictive Analytics einsetzen, um Zeit und Geld zu sparen und sich einen Vorsprung gegenüber dem Rest des Marktes zu verschaffen, ist es wichtig, genau zu besprechen, was Predictive Analytics ist und was nicht. .

Was ist Predictive Analytics?
Predictive Analytics ist kein Schwarz-Weiß-Konzept oder eine eigenständige Funktion moderner Datenbankmanager. Es ist eine Reihe von Datenanalysetechnologien und statistischen Techniken, die unter einem Banner zusammengefasst sind. Die Kerntechnik ist die Regressionsanalyse, die die verwandten Werte mehrerer, korrelierter Variablen basierend auf dem Beweis oder der Widerlegung einer bestimmten Annahme vorhersagt. Bei Predictive Analytics geht es laut Allison Snow, Senior Analyst of B2B Marketing bei Forrester, darum, Muster in Daten zu erkennen, um die Wahrscheinlichkeit zu prognostizieren.





'Es ist wichtig zu erkennen, dass es bei der Analyse um Wahrscheinlichkeiten geht, nicht um absolute Werte', erklärte Snow, der den Bereich Predictive Marketing abdeckt. „Im Gegensatz zu traditioneller Analytik weiß man bei der Anwendung von Predictive Analytics nicht im Voraus, welche Daten wichtig sind. Prädiktive Analytik bestimmen welche Daten das Ergebnis vorhersagen, das Sie vorhersagen möchten.'

Denken Sie an einen Vertriebsmitarbeiter, der sich ein Lead-Profil in einer CRM-Plattform (Customer Relationship Management) wie Salesforce.com (Besuchen Sie die Site unter Salesforce.com) ansieht. Nehmen wir an, der Lead wird Ihr Produkt kaufen. Andere Annahmen sind, dass die Variablen die Produktkosten, die Rolle des Leads in einem Unternehmen und die aktuelle Rentabilitätskennzahl des Unternehmens sind. Setzen Sie nun diese Variablen in eine Regressionsgleichung und voila! UND Sie haben ein Vorhersagemodell, aus dem Sie eine effektive Strategie für die Präsentation und den Verkauf eines Produkts an die richtigen Leads ableiten können.



Abgesehen von der Regressionsanalyse (über deren Feinheiten und Teilmengen Sie hier mehr lesen können Harvard Business Review Erste ) verwendet Predictive Analytics auch immer mehr Data Mining und ML. Data Mining ist genau das, wonach es klingt: Sie untersuchen große Datensätze, um Muster zu entdecken und neue Informationen zu entdecken. ML-Techniken werden immer häufiger zu den Siebpfannen und Spitzhacken, um die Gold-Datennuggets zu finden. ML-Innovationen wie neuronale Netze und Deep-Learning-Algorithmen können diese unstrukturierten Datensätze schneller verarbeiten als ein herkömmlicher Datenwissenschaftler oder Forscher und mit immer größerer Genauigkeit, wenn die Algorithmen lernen und sich verbessern. Auf dieselbe Weise funktioniert IBM Watson, und Open-Source-Toolkits wie Googles TensorFlow und Microsofts CNTK bieten ML-Funktionalität in derselben Richtung.

sandisk extreme uhs ich 64gb

KI-Gehirn-Mapping

Die große Veränderung, die zum Boom der Predictive Analytics führt, ist nicht nur die Weiterentwicklung von ML und KI, sondern dass nicht mehr nur Datenwissenschaftler diese Techniken verwenden. BI- und Datenvisualisierungstools sowie Open-Source-Organisationen wie die Apache Software Foundation , machen Big-Data-Analysetools zugänglicher, effizienter und benutzerfreundlicher als je zuvor. ML- und Datenanalysetools sind jetzt Self-Service und in den Händen alltäglicher Geschäftsanwender – von unserem Vertriebsmitarbeiter, der Lead-Daten analysiert, oder der Führungskraft, die versucht, Markttrends in der Vorstandsetage zu entschlüsseln, bis hin zum Kundendienstmitarbeiter, der gängige Kundenprobleme und die sozialen Medien recherchiert Marketingmanager, der die Demografie und soziale Trends der Follower misst, um mit einer Kampagne die richtige Zielgruppe zu erreichen. Diese Anwendungsfälle sind nur die Spitze des Eisbergs, um zu untersuchen, wie Predictive Analytics das Geschäft verändert. Viele weitere davon werden wir im Folgenden erläutern.

Allerdings ist Predictive Analytics nicht wie eine Kristallkugel oder Biff Tannens Sportalmanach von Zurück in die Zukunft 2. Die Algorithmen und Modelle können Ihrem Unternehmen nicht zweifelsfrei sagen, dass das nächste Produkt ein Milliardengewinn sein wird oder dass der Markt kurz vor dem Einbruch steht. Daten sind immer noch ein Mittel, um fundierte Vermutungen anzustellen; wir sind einfach viel besser ausgebildet als früher.

Aufschlüsselung von prädiktiver, präskriptiver und beschreibender Analyse
In einem anderen Forrester-Bericht mit dem Titel ' Predictive Analytics kann Ihren Anwendungen einen „unfairen Vorteil“ verschaffen ,'' Principal Analyst Mike Gualtieri weist darauf hin, dass 'das Wort 'Analytics' in 'Predictive Analytics' ein wenig irreführend ist. Predictive Analytics ist kein Zweig der traditionellen Analytik wie Reporting oder statistische Analyse. Es geht darum, Vorhersagemodelle zu finden, mit denen Unternehmen zukünftige Geschäftsergebnisse und/oder Kundenverhalten vorhersagen können.'

Kurz gesagt, Snow erklärte, dass der Begriff „prädiktiv“ von Natur aus Wahrscheinlichkeit vor Gewissheit bezeichnet, die Analyse-Tooling-Landschaft aufschlüsselt und wie sie in die präskriptive Analytik eingeht.

'Beschreibende Analysen sind zwar nicht besonders 'fortschrittlich', erfassen aber einfach Ereignisse, die passiert sind', sagte Snow. „Beschreibende oder historische Analytik ist die Grundlage, auf der ein Algorithmus entwickelt werden könnte. Dies sind einfache Metriken, die jedoch oft zu umfangreich sind, um sie ohne ein Analysetool zu verwalten.

„Im Allgemeinen sind Dashboards und Berichterstellung heute die gebräuchlichste Verwendung für prädiktive Analysen in Unternehmen. Diesen Tools fehlt oft die Verbindung zu Geschäftsentscheidungen, Prozessoptimierung, Kundenerfahrung oder anderen Aktionen. Mit anderen Worten, Modelle produzieren Erkenntnisse, aber keine expliziten Anweisungen, was mit ihnen zu tun ist. Bei der präskriptiven Analyse treffen Erkenntnisse auf Maßnahmen. Sie beantworten die Frage: 'Ich kenne jetzt die Wahrscheinlichkeit eines Ergebnisses [und] was getan werden kann, um es in eine für mich positive Richtung zu beeinflussen', sei es, um Kundenabwanderung zu verhindern oder einen Verkauf wahrscheinlicher zu machen.'

Predictive Analytics ist überall
Mit der Weiterentwicklung der BI-Landschaft hält Predictive Analytics Einzug in immer mehr Anwendungsfälle in Unternehmen. Tools wie unsere Editors' Choices Tableau Desktop (Besuchen Sie die Site bei Salesforce.com) und Microsoft Power BI (Besuchen Sie die Site bei Salesforce.com) bieten intuitives Design und Benutzerfreundlichkeit sowie große Sammlungen von Datenkonnektoren und Visualisierungen, um die enorme Menge zu verstehen der Datenunternehmen importieren aus Quellen wie Amazon Elastic MapReduce (EMR), Google BigQuery und Hadoop-Distributionen von Playern wie Cloudera, Hortonworks und MapR.Diese Self-Service-Tools verfügen noch nicht unbedingt über die fortschrittlichsten Predictive Analytics-Funktionen, aber sie machen Big Data viel kleiner und einfacher zu analysieren und zu verstehen.

tylt energy gleitendes Powercase

Laut Snow gibt es heute eine breite Palette von Anwendungsfällen für Predictive Analytics im Geschäft, von der Erkennung von Point-of-Sale (POS)-Betrug, der automatischen Anpassung digitaler Inhalte basierend auf dem Benutzerkontext, um die Conversions zu steigern, oder der Initiierung eines proaktiven Kundenservice für gefährdete Personen Einnahmequellen. Laut Snow nutzen Unternehmen und KMUs im B2B-Marketing Predictive Marketing aus den gleichen Gründen wie jede Strategie, Taktik oder Technologie: um Kunden zu gewinnen, zu binden und besser zu bedienen als diejenigen, die dies nicht tun.

Snow ging tiefer und identifizierte drei Kategorien von B2B-Marketing-Anwendungsfällen, von denen sie sagte, dass sie den frühen prädiktiven Erfolg dominieren und die Grundlage für einen komplexeren Einsatz prädiktiver Marketinganalysen legen.

1. Vorausschauendes Scoring: Priorisieren bekannter Interessenten, Leads und Accounts basierend auf ihrer Wahrscheinlichkeit, Maßnahmen zu ergreifen.

'Predictive Scoring ist der häufigste Einstiegspunkt für B2B-Marketer in Predictive Marketing und fügt der herkömmlichen Priorisierung, die auf Spekulationen, Experimenten und Iterationen beruht, um Kriterien und Gewichtungen abzuleiten, eine wissenschaftliche, mathematische Dimension hinzu', sagte Snow. 'Dieser Anwendungsfall hilft Vertriebs- und Marketingfachleuten, produktive Accounts schneller zu identifizieren, weniger Zeit mit Accounts zu verbringen, die weniger wahrscheinlich konvertieren, und gezielte Cross- oder Upselling-Kampagnen zu starten.'

2. Identifikationsmodelle: Identifizieren und Akquirieren von Interessenten mit ähnlichen Eigenschaften wie Bestandskunden.

„In diesem Anwendungsfall dienen Accounts, die ein gewünschtes Verhalten zeigten (Kauf getätigt, einen Vertrag verlängert oder zusätzliche Produkte und Dienstleistungen erworben), als Grundlage für ein Identifikationsmodell“, so Snow. 'Dieser Anwendungsfall hilft Vertriebs- und Marketingfachleuten, wertvolle Interessenten früher im Verkaufszyklus zu finden, neue Marketingfachleute zu entdecken, bestehende Konten für die Expansion zu priorisieren und kontobasierte Marketinginitiativen (ABM) voranzutreiben, indem Konten an die Oberfläche gebracht werden, die vernünftigerweise erwartet werden können.' empfänglicher für Verkaufs- und Marketingbotschaften.'

jbl Everest Elite 700 nxtgen

3. Automatisierte Segmentierung: Segmentieren Sie Leads für personalisierte Nachrichten.

'B2B-Marketer waren traditionell nur in der Lage, nach generischen Attributen wie der Branche zu segmentieren, und dies mit einem solchen manuellen Aufwand, dass die Personalisierung nur auf hochpriorisierte Kampagnen angewendet wurde', sagte Snow. 'Jetzt können Attribute, die für Vorhersagealgorithmen verwendet werden, jetzt an Kontodatensätze angehängt werden, um sowohl eine komplizierte als auch eine automatisierte Segmentierung zu unterstützen. Dieser Anwendungsfall hilft Vertriebs- und Marketingfachleuten, die ausgehende Kommunikation mit relevanten Nachrichten voranzutreiben, substantielle Gespräche zwischen Vertrieb und Interessenten zu ermöglichen und die Content-Strategie intelligenter zu gestalten.'

BI-Tools und Open-Source-Frameworks wie Hadoop demokratisieren Daten insgesamt, aber neben dem B2B-Marketing werden auch Predictive Analytics in immer mehr Cloud-basierten Softwareplattformen in einer Vielzahl von Branchen integriert. Nehmen Sie das Online-Dating-Unternehmen eHarmony's Höhere Karrieren Website und eine Handvoll anderer Anbieter im Bereich 'Predictive Analytics for Hiring' Diese Plattformen stecken noch in den Kinderschuhen, aber die Idee, anhand von Daten vorherzusagen, welche Arbeitssuchenden für bestimmte Stellen und Unternehmen am besten geeignet sind, hat das Potenzial, die Rekrutierung von Personalmanagern (HR) neu zu erfinden.

Vorhersagende Analysetrends

Helpdesk-Anbieter wie Zendesk (Besuchen Sie die Site auf Salesforce.com) haben ebenfalls damit begonnen, ihre Helpdesk-Software um prädiktive Analysefunktionen zu erweitern. Das Unternehmen stattete seine Plattform mit Vorhersagekraft aus, um Kundendienstmitarbeiter mit einem datengesteuerten Frühwarnsystem namens Satisfaction Prediction dabei zu unterstützen, Problembereiche zu erkennen. Die Funktion verwendet einen ML-Algorithmus, um die Ergebnisse der Zufriedenheitsumfrage zu verarbeiten, indem Variablen wie die Zeit für die Lösung eines Tickets, die Reaktionslatenz des Kundenservice und die spezifische Ticketformulierung in einen Regressionsalgorithmus einfließen, um die prognostizierte Zufriedenheitsbewertung eines Kunden zu berechnen.

Wir sehen auch, dass Predictive Analytics im industriellen Maßstab und mit dem Internet der Dinge (IoT) einen großen Einfluss auf das Endergebnis hat. Google verwendet in seinen Rechenzentren ML-Algorithmen zur Ausführung vorausschauende Wartung auf den Serverfarmen, die die öffentliche Cloud-Infrastruktur der Google Cloud Platform (Visit Site at Salesforce.com) (GCP) betreiben. Die Algorithmen verwenden Daten zu Wetter, Last und anderen Variablen, um die Kühlpumpen des Rechenzentrums präventiv anzupassen und den Stromverbrauch deutlich zu reduzieren.

Auch in Fabriken wird diese Art der vorausschauenden Wartung alltäglich. Enterprise-Tech-Unternehmen wie SAP bieten vorausschauende Wartung und Service Plattformen Verwenden von Sensordaten von verbundenen IoT-Fertigungsgeräten, um vorherzusagen, wann eine Maschine durch mechanische Probleme oder einen Ausfall gefährdet ist. Technologieunternehmen wie Microsoft untersuchen auch die vorausschauende Wartung für Raumfahrt-Apps , wodurch Cortana an der Analyse von Sensordaten von Flugzeugtriebwerken und -komponenten arbeitet.

Die Liste potenzieller Business-Apps lässt sich endlos fortsetzen, je nachdem, wie Predictive Analytics die Einzelhandelsindustrie bis hin zu Fintech-Start-ups, die prädiktive Modelle zur Betrugsanalyse und zum Risiko von Finanztransaktionen verwenden. Wir haben nur an der Oberfläche gekratzt, sowohl hinsichtlich der Art und Weise, wie verschiedene Branchen diese Art der Datenanalyse integrieren könnten, als auch der Tiefe, in der prädiktive Analysetools und -techniken unsere Geschäftstätigkeit im Einklang mit der Entwicklung der KI neu definieren werden. Wenn wir uns der wirklichen Abbildung eines künstlichen Gehirns näher kommen, sind die Möglichkeiten endlos.

Empfohlen