Video: #ixtisasaz Data analitika- Fuad Tağıyev (Kasım 2024)
Tahmine dayalı analitik Big Data ve iş zekası (BI) pratik sonucudur. İşiniz şaşırtıcı miktarda yeni veri topladığında ne yaparsınız? Günümüzün iş uygulamaları, yeni müşteri, pazar, sosyal dinleme ve gerçek zamanlı uygulama, bulut veya ürün performans verilerinin dağlarında toplanıyor. Tahmine dayalı analiz, bu bilgilerin tümünü kullanmanın, somut yeni görüşler edinmenin ve rekabetin önünde durmanın bir yoludur.
Kuruluşlar, öngörücü pazarlama ve veri madenciliğinden, makine öğrenimine uygulama (ML) ve yapay zeka (AI) algoritmalarından iş süreçlerini optimize etmek ve yeni istatistiksel kalıpları ortaya çıkarmak için çeşitli şekillerde kullanırlar. Temelde, belirli iş süreçlerinin daha iyi nasıl yapılacağı hakkındaki geçmiş davranışlardan öğrenen ve kuruluşunuzun gerçekte nasıl işlediğine dair yeni görüşler sunan bilgisayarlar. Ancak, işletmelerin ve teknoloji şirketlerinin zaman kazanmak, para kazanmak ve pazarın geri kalanında bir avantaj kazanmak için öngörücü analitik kullanmanın tüm büyüleyici yollarına girmeden önce, tam olarak öngörücü analitiklerin ne olduğu ve ne olmadığı hakkında konuşmak önemlidir. .
Tahmini Analitik Nedir?
Tahmine dayalı analitik, siyah-beyaz bir kavram veya modern veritabanı yöneticilerinin ayrık bir özelliği değildir. Bir başlık altında toplanan bir grup veri analizi teknolojisi ve istatistik tekniğidir. Çekirdek teknik, belirli bir varsayımı ispatlamaya veya onaylamamaya dayanan çoklu, ilişkili değişkenlerin ilişkili değerlerini öngören regresyon analizidir. Tahmine dayalı analiz, Forrester B2B Pazarlama Kıdemli Analisti Allison Snow'a göre, projedeki olasılığı yansıtmak için verilerdeki kalıpları tanımakla ilgilidir.
“Tahmini pazarlama alanını kapsayan Snow, “ Analitiklerin mutlaklarla değil, mutlaklıklarla ilgili olduğunu kabul etmenin anahtarıdır ”dedi. “Geleneksel analitiklerin tersine, öngörülü analitikler uygulanırken, hangi verilerin önceden önemli olduğu henüz bilinmez. Tahmine dayalı analitik, hangi verilerin önceden tahmin etmek istediğini belirlediğini belirler .”
Salesforce.com gibi bir müşteri ilişkileri yönetimi (CRM) platformunda lider profiline bakarak bir satış temsilcisini düşünün. Varsayım diyelim, müşteri ürününüzü satın alacaktır. Diğer varsayımlar, değişkenlerin ürün maliyeti, liderin bir işletmedeki rolü ve şirketin mevcut kârlılık oranı olduğu şeklindedir. Şimdi bu değişkenleri bir regresyon denklemi ve işte! Bir ürünü doğru ipuçlarına atma ve satma konusunda etkili bir stratejiyi tahmin etmek için öngörülü bir modeliniz var.
Regresyon analizinin (bu Harvard Business Review astarında bulabileceğiniz karmaşıklık ve alt kümeleri) yanı sıra, öngörücü analitikler de giderek daha fazla veri madenciliği ve ML kullanıyor. Veri madenciliği kulağa tam olarak benziyor: desenleri keşfetmek ve yeni bilgileri ortaya çıkarmak için büyük veri setlerini inceliyorsunuz. ML teknikleri, daha düzenli bir şekilde, altın veri külçelerini bulmak için eleme tavaları ve kazma haline geliyor. Yapay sinir ağları ve derin öğrenme algoritmaları gibi ML inovasyonları bu yapılandırılmamış veri setlerini geleneksel veri bilimcilerinden veya araştırmacılardan daha hızlı ve algoritmalar öğrendikçe ve geliştikçe daha büyük bir hassasiyetle işleyebilir. IBM Watson’ın çalışma şekli aynıdır ve Google’ın TensorFlow’ı ve Microsoft’un CNTK’sı gibi açık kaynaklı araç setleri aynı satırlarda ML işlevselliği sunar.
Tahmine dayalı analitik patlamasıyla beslenen büyük değişim sadece ML ve AI'nin ilerlemesi değil, aynı zamanda bu teknikleri kullanan sadece veri bilimcileri değildir. İş Zekası ve veri görselleştirme araçları, Apache Software Foundation gibi açık kaynaklı kuruluşlarla birlikte, Büyük Veri analizi araçlarını her zamankinden daha erişilebilir, daha verimli ve kullanımı daha kolay hale getiriyor. ML ve veri analizi araçları artık self-servis ve günlük iş kullanıcılarının ellerindedir; satış temsilcisi analizinden veya yönetim kurulu odasındaki piyasa trendlerini deşifre etmeye çalışan yöneticiden ortak müşteri acı noktalarını ve sosyal medyayı araştıran müşteri hizmetlerine kadar pazarlama yöneticisi, bir kampanyayla doğru hedef kitleye ulaşmak için takipçi demografisi ve sosyal eğilimleri ölçmektedir. Bu kullanım durumları, tahmin edicilerin analitik işlerin değişmesinin tüm yollarını keşfetme konusundaki buzdağının sadece görünen kısmı, çoğu aşağıya gireceğiz.
Bununla birlikte, tahmine dayalı analitik bir kristal top ya da Biff Tannen'ın Geleceğe Dönüş 2'deki spor almanakları gibi değildir. Algoritmalar ve modeller işinize bir sonraki ürünün milyar dolarlık bir kazanan olacağına dair bir şüphenin gölgesinde olduğunu söyleyemez. ya da piyasa tanklaşmak üzere. Veriler hala eğitimli bir tahmin yapmak için bir araçtır; biz eskiden olduğundan daha iyi eğitimliyiz.
Tahmini, Reçeteli ve Tanımlayıcı Analytics’in Yıkılması
'Tahmini Analitik' Başvurularınızı 'Haksız Bir Avantajla Etkileyebilir' başlıklı bir başka Forrester raporunda, “Baş Analist Mike Gualtieri, “ tahmine dayalı analitik ”içindeki“ analitik ”kelimesinin bir yanlış isim olduğuna işaret ediyor. Tahmine dayalı analitik, raporlama veya istatistiksel analiz gibi geleneksel analitiklerin bir dalı değildir. Gelecekteki iş sonuçlarını ve / veya müşteri davranışlarını tahmin etmek için firmaların kullanabileceği öngörücü modeller bulmakla ilgili. ”
Kısacası, Snow, “öngörücü” teriminin, doğası gereği kesinliğe olan olasılığını, analitik takım manzarasını ve kuralcı analitiklere nasıl etki ettiğini gösterir.
Snow, “Tanımlayıcı analitik, özellikle“ gelişmiş ”olmamakla birlikte, yalnızca olanları yakaladığını belirtti. "Tanımlayıcı ya da tarihsel analitik, bir algoritmanın geliştirilebileceği temeldir. Bunlar basit ölçümlerdir ancak çoğu zaman bir analitik aracı olmadan yönetilemeyecek kadar hacimlidirler.
“Genel olarak konuşmak gerekirse, panolar ve raporlama, günümüzde kuruluşlar içindeki öngörücü analitiklerin en yaygın kullanımıdır. Bu araçlar genellikle işletme kararları, süreç optimizasyonu, müşteri deneyimi veya başka herhangi bir işlemle bağlantısı yoktur. Onlarla ne yapılacağına dair talimatlar: Belirleyici analitik, iç görüntünün eylemle buluştuğu yerdir, “Şimdi bir sonucun benim için olumlu yönde etkilemek için ne yapılabileceğini, “ bunu önleyip engellememenin olasılığını biliyorum ” müşteri kaybı veya satışı daha muhtemel kılıyor. "
Tahmine dayalı analitik her yerde
BI manzarası geliştikçe, tahmine dayalı analitik giderek daha fazla iş kullanımı vakasına girmenin yolunu buluyor. Editörlerimizin Seçtikleri Tableau Masaüstü ve Microsoft Power BI spor araçlarının sezgisel tasarımı ve kullanılabilirliği gibi araçlar ve Amazon Elastic MapReduce (EMR) gibi kaynaklardan ithal edilen büyük veri işletmeleri anlamında büyük veri bağlayıcıları ve görselleştirme koleksiyonları BigQuery ve Hadoop, Cloudera, Hortonworks ve MapR gibi oyuncuların dağıtımlarını yapıyor. Bu self servis araçların henüz en gelişmiş tahmine dayalı analitik özellikleri olması gerekmez, ancak Büyük Veriyi analiz etmek ve anlamak için çok daha küçük ve daha kolay hale getirirler.
Snow, bugün iş dünyasında tahmine dayalı analitik için, satış noktası (POS) dolandırıcılığını tespit etmekten, kullanıcı içeriğine göre dijital içeriği otomatik olarak ayarlamaktan, dönüştürmeleri yönlendirmeye veya risk altında proaktif müşteri hizmeti başlatmaya kadar geniş bir kullanım vakası olduğunu söyledi gelir kaynakları. B2B pazarlamasında, Snow, işletmelerin ve KOBİ'lerin her türlü strateji, taktik ya da teknolojiyi kullandıkları nedenlerle öngörülen pazarlamayı kullandıklarını söyledi: müşterilere, sahip olmadıklarından daha iyi kazanmak, elde tutmak ve hizmet vermek.
Daha derinlere inen Snow, erken tahmine dayalı başarıya hükmedildiği ve tahmine dayalı pazarlama analitiklerinin daha karmaşık kullanımı için temel oluşturduğunu söylediği üç B2B pazarlama kullanımı vakasını tanımladı.
1. Tahminli Puanlama: Harekete geçme olasılıklarına göre bilinen potansiyel müşterileri, müşterileri ve hesapları önceliklendirmek.
Snow, “B2B pazarlamacılarının öngörülü pazarlamaya en yaygın giriş noktası olan öngörücü puanlama, ölçüt ve ağırlıkların türetilmesi için spekülasyon, deney ve yinelemeye dayanan geleneksel önceliklendirmeye bilimsel, matematiksel bir boyut katmaktadır” dedi. "Bu kullanım durumu, satışların ve pazarlamacıların üretken hesapları daha hızlı tanımlamasına, dönüşüm sağlama olasılığı daha düşük olan hesaplarda daha az zaman harcamasına ve hedeflenen çapraz satış veya satış kampanyaları başlatmasına yardımcı oluyor."
2. Tanımlama Modelleri: Mevcut müşterilere benzer özelliklere sahip potansiyelleri tespit etmek ve elde etmek.
Snow, "Bu kullanım durumunda, istenen davranışı sergileyen (bir satın alma işlemi yapılmış, bir sözleşmeyi yenileyen veya ek ürün ve hizmetleri satın alan) hesaplar bir tanımlama modelinin temelini oluşturmaktadır." Dedi. "Bu kullanım durumu, satışların ve pazarlamacıların satış döngüsünün başında değerli potansiyel müşterileri bulmasına, yeni pazarlamacıları ortaya çıkarmasına, mevcut hesap genişletmelerine öncelik vermesine ve makul düzeyde olması beklenen yüzey hesaplarına getirerek güç hesaplarına dayalı pazarlama (ABM) girişimlerine yardımcı olmalarına yardımcı oluyor "satış ve pazarlama mesajlarına daha açık."
3. Otomatik Segmentasyon: Segment kişiselleştirilmiş mesajlaşma için yönlendirir.
Snow, “B2B pazarlamacıları geleneksel olarak yalnızca sanayi gibi genel özelliklere göre segmentlere ayırmayı başardılar ve böylece kişiselleştirmenin yalnızca yüksek öncelikli kampanyalara uygulandığı manüel bir çabayla, ” dedi. "Şimdi, öngörülü algoritmaları beslemek için kullanılan öznitelikler şimdi hem karmaşık hem de otomatik bölümlendirmeyi desteklemek için hesap kayıtlarına eklenebilir. Bu kullanım durumu, satış ve pazarlamacıların alakalı mesajlarla giden iletişimleri yönlendirmesine, satışlar ve potansiyel müşteriler arasında önemli konuşmalar yapmasına ve içerik stratejisini bilgilendirmesine yardımcı olur daha akıllıca. "
BI araçları ve Hadoop gibi açık kaynaklı çerçeveler verileri bir bütün olarak demokratikleştiriyor, ancak B2B pazarlamasının yanı sıra, tahmine dayalı analitik de bir çok sektörde giderek daha fazla bulut tabanlı yazılım platformlarına dönüştürülüyor. Çevrimiçi işe alım şirketi eHarmony'nin Elevated Careers web sitesini ve "işe alma için tahmine dayalı analitik" alandaki diğer satıcılardan birkaçı. Bu platformlar ilk günlerinde hala oldukça fazladır, ancak hangi iş arayanların belirli işlere en uygun olduğunu tahmin etmek için veri kullanma fikri ve şirketler, insan kaynakları (İK) yöneticilerinin yeteneklerini nasıl işe aldıklarını yeniden oluşturma potansiyeline sahiptir.
Zendesk gibi yardım masası sağlayıcıları, masa yazılımına yardımcı olmak için tahmine dayalı analitik yetenekleri eklemeye başlamıştır. Şirket, müşteri hizmetlerinin Memnuniyet Tahmini olarak adlandırılan veri odaklı bir erken uyarı sistemi ile tespit ettiği sorunlu alanları tespit etmesine yardımcı olmak için platformunu öngörücü güçlerle donattı. Bu özellik, memnuniyet anketi sonuçlarını işlemek için bir ML algoritması, bir biletin çözülmesi için zaman, müşteri hizmetleri yanıt gecikmesi ve müşterinin öngörülen memnuniyet derecesini hesaplamak için bir regresyon algoritmasına belirli ifadeler içeren değişkenler atmak için değişkenler kullanır.
Tahmine dayalı analitiklerin, endüstriyel ölçekte ve Nesnelerin İnterneti'nde (IoT) en alt satırda büyük bir etki yarattığını görüyoruz. Google, veri merkezlerinde, Google Cloud Platform (GCP) genel bulut altyapısına güç veren sunucu çiftliklerinde öngörücü bakım yapmak için ML algoritmaları kullanır. Algoritmalar, veri merkezi soğutma pompalarını önleyici olarak ayarlamak ve güç tüketimini önemli ölçüde azaltmak için hava durumu, yük ve diğer değişkenler hakkındaki verileri kullanır.
Bu tür bir öngörücü bakım fabrikalarda da yaygın bir hal almaktadır. SAP gibi kurumsal teknoloji şirketleri, bir makinenin mekanik problemler veya arızalar açısından risk altında olduğunu tahmin etmek için bağlı IoT üretim cihazlarından gelen sensör verilerini kullanarak öngörücü bakım ve servis platformları sunar. Microsoft gibi teknoloji şirketleri de Cortana'yı uçak motorları ve bileşenlerinden gelen sensör verilerini analiz etmeye çalıştıracak şekilde havacılık uygulamaları için öngörülen bakımı araştırıyor.
Potansiyel iş uygulamalarının listesi, prediktif analitiklerin perakende endüstrisini nasıl değiştirdiğine, sahtekarlık analizi ve finansal işlem riskine ilişkin öngörülü modellemeyi kullanarak fintech girişimlerine kadar devam ediyor. Hem farklı endüstrilerin bu tür bir veri analizini bütünleştirebildiği şekillerde, hem de tahmine dayalı analitik araç ve tekniklerin AI'nın evrimi ile nasıl uyum içinde olduğumuzu yeniden tanımlayacağı derinliklerde sadece yüzeyi çizdik. Yapay bir beyni gerçekten haritalandırmaya daha da yaklaştığımız için, olasılıklar sonsuzdur.
