Какая бывает аналитика: предиктивная, описательная и еще 2 вида аналитики больших данных

4 вида аналитики данных

Для начала определимся, что такое аналитика. Аналитика данных представляет собой поиск, обработку и интерпретацию фактов, которые необходимы для оптимизации бизнеса, то есть для увеличения прибыли, сокращения издержек и достижения иных целей компании.

В зависимости от уровня сложности сбора информации и степени вовлеченности человека в этот процесс выделяют четыре типа аналитики данных:

  • Описательная аналитика собирает информацию в течение всего времени, а затем анализирует её. Задача состоит в том, чтобы ответить на вопрос «Что произошло?». В качестве примера можно назвать сбор данных с оборудования на каком-либо производстве. Этим занимаются различные IoT/IIoT-устройства, например smart-датчики. С их помощью можно установить, когда возникли неполадки.

  • Диагностическая аналитика определяет, почему произошло то или иное событие. Для этого применяют статистические методы анализа. Данные разбиваются по группам, детализируются, выявляется корреляция, которая дает представление о факторах, оказавших влияние на результат. Если взять в качестве примера упомянутый выше, то диагностическая аналитика поможет определить, что сбой устройства приемки сырья вызвал аварийную ситуацию.

  • Предиктивная аналитика на основе имеющейся информации предсказывает, как события будут развиваться дальше. Для этого применяются методы математической статистики, моделирование, Data Mining, а также разные разделы Data Science, в частности машинное обучение. Так, прогнозная аналитика, изучив показатели работы промышленного оборудования в разные временные промежутки, может предугадать момент, когда ему следует пройти профилактический ремонт. Это поможет избежать аварий и сбоя в системе.

  • Предписывающая аналитика позволяет понять, какие действия следует предпринять. С помощью машинного обучения и искусственного интеллекта данные обрабатываются, и на основе этого принимается решение, что делать. В примере со сбоем устройства приемки сырья предписывающая аналитика устанавливает, какие части оборудования уже не пригодны для использования и как с ними поступить — починить или заменить другими.

  • План маркетинга компании: увеличиваем прибыль компании в 2 раза
  • KPI для отдела продаж: как рассчитать и внедрить
  • Как получить в 3 раза больше клиентов в 2 раза дешевле

Умный стайлер (утюжок) для волос

Стайлер или по-другому, – «утюжок» или «выпрямитель» для волос тоже может быть умным! Известный на рынке стайлер под названием ghd platinum – теперь стал ещё и умным! Поэтому он получил новое название – ghd platinum+.

Стайлер ghd platinum+ мгновенно анализирует тип, структуру, состояние волос и подбирает обладателю волос и стайлера индивидуальную температуру для процедуры выпрямления непослушных прядей. (Делает её поменьше).

Как не пережечь, не повредить волосы, выпрямляя их утюжком?.. Не выпрямлять их утюжком – вот радикальный совет, который можно услышать от честного парикмахера, трезво оценивающего чужие лысины. И ещё вдогонку другой совет: не сушить сухие ломкие тонкие волосы феном. Вообще. Никогда. Но может быть, умный утюжок ghd platinum+ знает то, чего не знают честные парикмахеры?..

Режим трекпада

Трекпад — это клавиатура, которая совмещает в себе стандартные кнопки и touch-интерфейс. В зависимости от силы нажатия такое устройство определяет, какое действие хочет совершить владелец iPhone: набрать текст или получить доступ к ряду других команд.

Режим трекпада доступен на смартфонах фирмы Apple моделей 6S и 6S Plus. Для его активации необходимо при работе с текстовым документом с небольшим усилием нажать на дисплей iPhone. После этого станут доступными функции выделения и правки текста при использовании опции «Предиктивный набор». Теперь курсор можно свободно перемещать по тексту. При однократном нажатии на дисплей будет выделен определённый текстовый фрагмент. При двойном клике в теле документа будет отмечено целое предложение, при тройном — весь абзац.

Как использовать данные

Имея данные о прошлом и будущем наших процессов, мы можем гибко ими управлять. Это позволит получить реальный экономический эффект, который легко покроет затраты на внедрение предиктивных систем.

Можно оптимизировать затраты на персонал: исключить ситуации, когда операторы контакт-центра или сотрудники точки продаж сидят без дела, и ситуации, когда их не хватает и снижается качество обслуживания.

Можно оптимизировать технологические активы: избыточные резервы продукции или оборудования, простои мощностей, логистику.

Можно улучшить продукты, предсказывая профиль их потребления (сезонность, влияние внешних факторов и связанных продуктов), изменения рынка, цепочек поставок и продаж.

Чтобы все это работало, важно каждое звено пирамиды: возможности цифровой интеллектуальной платформы, инфраструктура, методология управления данными, методология анализа данных, а также готовность CEO и всех сотрудников компании к трансформационным процессам

Фото: BIGANDT.COM/Shutterstock

Современные технологии

А что такое предиктивный набор в айфоне и «Андроиде»? Сегодня более продвинутые интеллектуальные клавиатуры используют другой подход к подсказкам. Он основан на обработке естественного языка и машинного обучения. Языковое моделирование — это именно то, что дает описываемая функция, т. е. она позволяет «узнавать» определенные слова. Как правило, они объединяются в целое на применяемом языке. Таким образом, точность таких клавиатур, как правило, намного выше, чем у старых кнопочных.

Как включить предиктивный набор на айфоне? Как правило, он включен по умолчанию, но если эта опция неактивна, достаточно зайти в настройки клавиатуры и выбрать соответствующий пункт меню. Точно так же можно и отключить данную опцию, однако это не рекомендуется.

Специалисты поясняют, что современные более интеллектуальные клавиатуры используют облачные сервисы и обратную обработку, чтобы улучшить свои подсказки, синхронизировать пользовательские словари на разных устройствах и добавлять в них новые слова, не заставляя пользователей загружать огромные обновления или повторно тренировать свои девайсы.

Они также предлагают облачные сервисы, которые могут выполнять множество функций. Некоторые из наиболее распространенных включают:

  • ввод имени контакта из онлайн-сервисов в подсказку;
  • анализ вашей записи в различных онлайн-сервисах для обновления и, таким образом, персонализацию хранилища слов;
  • сохранение и синхронизацию вашей языковой модели.

Это позволяет функционалу использоваться на нескольких устройствах и не утрачиваться, если оно будет повреждено или украдено. Доступно сегодня и динамическое обновление вашей языковой модели на основе другой информации, получаемой из сайтов в реальном времени, например, Twitter.

Прогностическая клавиатура Google аналогична, за исключением того, что она использует набранное вами на устройстве Android, а также все, что вы вводите в своих учетных записях Google, истории веб-поиска, Google+ и т. д. Во всех случаях эти функции являются необязательными, их нужно выбирать и их можно легко исключить.

Predictive models

myTracker forecasts are based on several groups of predictive models:

  • First — models that show decent prediction just the day after users installed your app.
    These models predict on little data. The first group gives a more accurate forecast with some app history.
  • Second group — models that show good prediction only on a large amount of current data.
  • Third group — models that show an accurate forecast on a large amount of historical data.

Any prediction is a combination of three models group.
This mix-model gives prediction the next day after app installation,
can work on little data, and provide an accurate
forecast on 30 days of history.

Как получить максимум

  • Начните с вопроса с реальной значимостью для бизнеса: кто ваши «звезды», сколько стоит текучка кадров или любого другого.
  • Проанализуйте, достаточно ли у вас данных для ответа на вопрос, и если их нет, то начните их собирать.
  • Для начинающих и небольших команд могут подойти простые трекеры и таск-менеджеры. Благодаря им вы сможете собрать простые данные о времени или загрузке сотрудников. Это поможет оптимизировать процессы, а значит — сохранить ресурсы. Дальше — больше. Зрелые компании могут сосредоточиться на разработке собственных решений или покупке Enterprise-версий.
  • Не бойтесь экспериментировать с гипотезами, построением моделей и внедрением их в рабочие процессы. Такие эксперименты позволяют делать неожиданные открытия. Даже если эти открытия будут неприятными, лучше узнать о них на короткой дистанции, чем долгое время оставаться в неведении.
  • Постоянно анализируйте ваши процессы и устанавливайте те, по которым вы не собираете данные: они могут понадобиться — начинайте их обрабатывать.
  • Делайте свою работу технологичной. Все, что можно сделать с помощью компьютера, должно быть сделано. Это экономит время и позволяет сотрудникам, не участвующим напрямую в разработке, вникнуть в базовое программирование и его полезность, начать мыслить по-новому.
  • Сначала — люди. Не забывайте о живом общении — это главный источник гипотез, данных, новых идей.

ПОВЫШЕНИЕ« Предиктивное моделирование »

Быстрая миграция на цифровые продукты создала море данных, которое легко доступно и доступно для бизнеса. Большие данные используются компаниями для улучшения динамики взаимоотношений между клиентом и бизнесом. Это огромное количество данных в реальном времени поступает из таких источников, как социальные медиа, история интернет-поиска, данные сотового телефона и облачные вычислительные платформы. Анализируя исторические события, существует вероятность того, что бизнес сможет предсказать, что произойдет в будущем, и спланировать соответственно. Однако эти данные обычно неструктурированы и слишком сложны, чтобы люди могли анализировать за короткий промежуток времени. Из-за сложности, что огромные количества данных присутствуют, компании все чаще используют интеллектуальные аналитические инструменты для прогнозирования результатов события, которое может произойти в ближайшем будущем.

Прогностическая аналитика собирает и обрабатывает исторические данные в огромных количествах и использует мощные компьютеры для оценки того, что происходило в прошлом, а затем дает оценку того, что произойдет в будущем. Прогностическая аналитика использует предиктора или известные функции для создания прогнозирующих моделей, которые будут использоваться для получения результата. Прогностическая модель способна узнать, как разные точки данных соединяются друг с другом. Двумя наиболее широко используемыми методами прогнозирования являются регрессия и нейронные сети.

В области статистики регрессия относится к линейной зависимости между входными и выходными переменными. Прогностическая модель с линейной функцией требует одного предсказателя или функции, чтобы предсказать выход / результат. Например, банк, который надеется обнаружить отмывание денег на ранних стадиях, может включать в себя модель линейного прогнозирования. Банк конкретно хочет знать, кто из его клиентов, вероятно, будет заниматься деятельностью по отмыванию денег в определенный момент времени. Представлены все данные клиентов банка, а прогнозная модель построена на основе стоимости переводов, сделанных каждым клиентом в течение периода времени в долларах. Модель учит распознавать разницу между транзакцией отмывания денег и обычной транзакцией. Оптимальным результатом модели должна быть модель, которая сигнализирует, что клиент отмывал деньги, а какие нет. Если модель воспринимает, что модель мошенничества возникает для конкретного клиента, она создаст сигнал для действий, в котором будут участвовать аналитики мошенничества банка.

Предиктивные модели также используются в нейронных сетях, таких как машинное обучение и глубокое обучение, которые являются полями Искусственного интеллекта (AI). Нейронные сети вдохновлены человеческим мозгом и создаются сетью взаимосвязанных узлов на иерархических уровнях, которая представляет собой основу для ИИ. Сила нейронных сетей заключается в их способности обрабатывать нелинейные отношения данных. Они могут создавать отношения и шаблоны между переменными, которые оказались бы невозможными или слишком трудоемкими для человеческих аналитиков. Таким образом, хотя банк может вводить в свою модель известные переменные, такие как стоимость переводов, инициированных ее клиентами, чтобы получить желаемый результат того, кто может участвовать в отмывании денег, нейронная сеть может создать более мощный шаблон, если он сможет успешно создать взаимосвязь между входными переменными, такими как время входа в систему, географическое расположение пользователя, IP-адрес устройства пользователя, получателя или отправителя средств и любая другая функция, которая, вероятно, будет заниматься отмыванием денег.

Другие методы прогнозирования, используемые финансовыми компаниями, включают деревья принятия решений, интеллектуальный анализ временных рядов и байесовский анализ. Компании, которые используют большие данные с помощью прогнозирующих мер моделирования, лучше понимают, как их клиенты взаимодействуют со своими продуктами и могут определять потенциальные риски и возможности для компании.

3. Оптимизировать финансовые и временные ресурсы в медиапланировании

Предиктивный анализ позволяет понять, насколько будет успешна та или иная рекламная кампания, получить прогноз по количеству кликов, переходов, заявок, входящих или обратных звонков, а также затраченному бюджету. Полученные данные — это не предположение, а точный математический расчёт, выполненный с помощью алгоритма, который защищён от субъективной оценки человека. Он может значительно сократить время, которое необходимо для разработки и согласования медиаплана каждому маркетологу.

Используя предиктивный анализ, вы можете увидеть прогнозы кликов и лидов, а также конверсию по всем трём источникам. Отчёт демонстрирует: с контекстной рекламой вы получите 165 лидов, с партнёрского баннера — 30. По лидам из соцсетей ситуация не изменится: те же 30. Если количество лидов от рекламного баннера имеет тенденцию к сокращению уже не первый месяц, возможно, в данном случае стоит предложить клиенту своевременно перераспределить средства от его размещения в пользу контекста.

На рынке прогнозной аналитики представлено много решений — среди них IBM Watson, SAP HANA и NGData. В России также есть свои герои: один из них — сервис сквозной аналитики, коллтрекинга и управления рекламой Calltouch. Недавно в систему был внедрён предиктивный анализ рекламных объявлений. Реализованный в форме отчёта, он позволяет пользователю получить прогноз на один месяц вперёд. Благодаря комбинированному алгоритму прогнозирования временных рядов, погрешность предиктивного анализа составляет всего 8–10%. В Calltouch он доступен для всех, кто подключился к сервису не менее трёх месяцев назад — это время необходимо для накопления нужного объёма данных, которые будут использоваться для построения прогноза.

Мощности, необходимые для анализа больших данных, ранее были доступны только избранным, но ситуация уже изменилась. Предиктивный анализ маркетинга — это более полная реализация маркетинговой автоматизации, которая позволяет упростить не только механику маркетинга и анализ данных (как в случае со сквозной аналитикой), но и принятие решений.

2. Оптимизировать сегментирование клиентской базы и взаимодействие с ней

Использование предиктивного анализа позволило First Book — международному дистрибьютору книг для молодёжи из малоимущих семей — увеличить продажи на 331%, очистить, объединить и дополнить 11 миллиардов точек данных, а также получить прогноз по отдельным клиентам с точностью до 92,97%. Важнейшим каналом для них является рынок электронной коммерции, в рамках которого учителя или представители школьной администрации могут создавать учётные записи от имени учащихся и покупать книги по существенно сниженным ценам.

В то время, как количество зарегистрированных аккаунтов значительно выросло, First Book изо всех сил пытался увеличить повторные продажи. Своими силами компании не удалось выявить каких-либо работающих паттернов поведения или общего набора характеристик, идентифицирующих тех клиентов, которые могли бы совершить повторные покупки. 

Обращаясь к предиктивной аналитике, First Book поставил следующие цели: определить общие характеристики среди «лучших» и «худших» клиентов; предсказать, какие отдельные клиенты вероятнее всего совершат повторную покупку; очистить и объединить исторические записи из многочисленных разнородных баз данных.

Как увеличить Retention, LTV и лояльность клиентов с помощью предиктивных технологий

А теперь о самом главном: как использовать предиктивные технологии на практике? Мы хотим поделиться собственными разработками, успешно показавшими себя на российском рынке. Вы можете адаптировать их под свою компанию или брать как шаблон для создания собственных уникальных стратегий.

Персональные рекомендации в режиме real-time

Современные системы предиктивного маркетинга оценивают поведение пользователя, историю покупок и его интересы в режиме реального времени без непосредственного участия со стороны технических специалистов. Это открывает для ретейлеров широкий спектр возможностей персонализации сервиса.

Вы можете персонализировать обслуживание на любом этапе: начиная от сайта, заканчивая регулярными и триггерными рассылками. Чтобы убедиться в эффективности принятых решений, всегда проводите тщательное тестирование.

Для гипермаркета Hoff мы искали наилучшую конфигурацию блоков в карточке товара. Среди 4-х сегментов 2 показали почти нулевые приросты. В то же время выигравший сегмент дал значительный прирост среднего чека и входящего оборота на 5,8%:

Предиктивный маркетинг в триггерной коммуникации

Механизм предсказания следующей покупки состоит из нескольких этапов:

  • Анализ последовательностей покупок всех клиентов.
  • Выявление статистически значимых цепочек потребления.
  • Прогнозирование совершения покупки в следующем «звене» цепочки потребления после оформления заказа.

Цепочки строятся для всех товарных категорий. Например, вот реальная цепочка потребления одного из магазинов товаров для детей:

Пользователь может попадать сразу в несколько цепочек потребления, поэтому мы используем сложный механизм группировки предложений, выявляющий, что именно необходимо человеку. На основе этой информации можно составить несколько интересных кампаний. Например, персонализированная подборка в письме «Прогноз следующей наиболее вероятной покупки» (Next Best Offer) предлагает товары по интересам и предыдущим заказам:

Похожий прием используется в сценарии «Предложение товаров повторного спроса». Алгоритм учитывает срок потребления купленных товаров и, когда необходимо пополнить запасы, отправляет клиенту письмо:

Использование предпочтений в регулярных рассылках и автоматизация этого процесса

Чтобы акцентировать внимание на товаре, можно выделить подходящий размер. Также можно указать смежные размеры (на один больше и меньше):

Если у вас нет данных для персонализации, то указывайте размеры, которые есть в наличии. У большинства пользователей средние параметры, поэтому информация в письме будет с наибольшей вероятностью будет актуальна.

Критика

Когда дело доходит до способности компьютеров и алгоритмов предсказывать будущее, есть множество скептиков, включая Гэри Кинга , профессора Гарвардского университета и директора Института количественных социальных наук. Окружающая среда влияет на людей бесчисленным количеством способов. Чтобы точно предсказать, что люди будут делать дальше, необходимо, чтобы все влияющие переменные были известны и точно измерялись. «Окружающая среда людей меняется даже быстрее, чем они сами. Все, от погоды до их отношений с матерью, может изменить то, как люди думают и действуют. Все эти переменные непредсказуемы. Как они повлияют на человека, еще менее предсказуемо. если завтра оказаться в такой же ситуации, они могут принять совершенно другое решение. Это означает, что статистический прогноз действителен только в стерильных лабораторных условиях, что внезапно оказывается не таким полезным, как казалось раньше ».

В исследовании 1072 статей, опубликованных в журналах Information Systems Research и MIS Quarterly в период с 1990 по 2006 год, только 52 эмпирических статьи делали попытки прогнозирования утверждений, из которых только 7 выполняли правильное прогнозное моделирование или тестирование.

Приложения

Хотя прогнозную аналитику можно использовать во многих приложениях, мы приводим несколько примеров, когда прогнозная аналитика за последние годы показала положительное влияние.

Бизнес

Аналитическое управление взаимоотношениями с клиентами (CRM) — частое коммерческое применение прогнозного анализа. К данным о клиентах применяются методы прогнозного анализа для построения целостного представления о клиенте. CRM использует прогнозный анализ в приложениях для маркетинговых кампаний, продаж и обслуживания клиентов. Аналитический CRM может применяться на протяжении всего жизненного цикла клиентов ( приобретение , рост отношений , сохранение и обоюдного назад).

Часто корпоративные организации собирают и хранят обширные данные, такие как записи о клиентах или транзакциях продажи. В этих случаях прогнозная аналитика может помочь проанализировать расходы клиентов, их использование и другое поведение, что приведет к эффективным перекрестным продажам или продаже дополнительных продуктов текущим клиентам.

Правильное применение прогнозной аналитики может привести к более активным и эффективным стратегиям удержания. Путем частого изучения использования клиентом услуг в прошлом, эффективности обслуживания, расходов и других моделей поведения, прогнозные модели могут определить вероятность того, что клиент прекратит обслуживание в ближайшее время. Вмешательство с предложениями с высокой воспринимаемой ценностью может увеличить вероятность привлечения или удержания клиента. Прогнозная аналитика также может предсказать скрытое истощение, то есть поведение клиента, которое медленно, но неуклонно сокращает использование.

Защита детей

Некоторые агентства по защите детей начали использовать прогнозную аналитику для выявления случаев высокого риска. Например, в округе Хиллсборо, штат Флорида , использование агентством по охране детства инструмента прогнозного моделирования предотвратило связанную с жестоким обращением детскую смертность среди целевой группы населения.

Системы поддержки принятия клинических решений

Прогностический анализ нашел применение в здравоохранении, прежде всего, для определения пациентов, которым грозит риск развития таких состояний, как диабет, астма или сердечные заболевания. Кроме того, сложные системы поддержки клинических решений включают прогностическую аналитику для поддержки принятия медицинских решений.

Исследование нейродегенеративных расстройств, проведенное в 2016 году, представляет собой мощный пример платформы CDS для диагностики, отслеживания, прогнозирования и мониторинга прогрессирования болезни Паркинсона .

Прогнозирование результатов судебных решений

Прогнозирование исхода судебных решений может осуществляться программами искусственного интеллекта. Эти программы могут использоваться в качестве вспомогательных средств для специалистов в этой отрасли.

Прогноз на уровне портфеля, продукта или экономики

Часто в центре внимания анализа находится не потребитель, а продукт, портфель, фирма, отрасль или даже экономика. Например, розничный торговец может быть заинтересован в прогнозировании спроса на уровне магазина для целей управления запасами. Или Совет Федеральной резервной системы может быть заинтересован в прогнозировании уровня безработицы на следующий год. Эти типы проблем могут быть решены с помощью прогнозной аналитики с использованием методов временных рядов (см. Ниже). Их также можно решить с помощью подходов машинного обучения, которые преобразуют исходные временные ряды в пространство векторов признаков, где алгоритм обучения находит закономерности, обладающие предсказательной силой.

Андеррайтинг

Многие предприятия должны учитывать подверженность риску из-за различных услуг и определять затраты, необходимые для покрытия риска. Прогнозная аналитика может помочь подтвердить эти количества, предсказывая шансы болезни, дефолта , банкротства и т. Д. Прогнозная аналитика может упростить процесс привлечения клиентов, прогнозируя будущее рискованное поведение клиента с использованием данных уровня приложения. Прогнозная аналитика в форме кредитных рейтингов сократила время, необходимое для утверждения ссуд, особенно на ипотечном рынке. Правильная прогнозная аналитика может привести к правильным решениям о ценообразовании, которые могут помочь снизить риск дефолта в будущем.

Оцените статью
Рейтинг автора
5
Материал подготовил
Андрей Измаилов
Наш эксперт
Написано статей
116
Добавить комментарий