Основы предиктивной аналитики для менеджеров
Компаниям, добывающим драгоценные камни бизнес-инсайтов из больших данных, просто необходимы исследователи данных и аналитики, но также необходимы и менеджеры, хорошо разбирающиеся в предиктивной аналитике.
- Аналитика бизнеса
- Статьи
- Основы предиктивной аналитики для менеджеров
Оглавление
Предиктивная аналитика
Компаниям, добывающим драгоценные камни бизнес-инсайтов из больших данных, просто необходимы исследователи данных и аналитики, но также необходимы и менеджеры, хорошо разбирающиеся в предиктивной аналитике.
Многие менеджеры неохотно погружаются в мир предиктивной аналитики из-за того, что воспринимают ее как «колдовство» в котором приходится пробираться через огромные объемы данных, чтобы предсказать клиентское поведение, изменения на рынке или другие факторы.
Но многие менеджеры уже погружены в некоторые формы предиктивной аналитики, не осознавая этого, отмечает Том Дэвенпорт в последней статье в Harvard Business Review. Дэвенпорт является профессором в Бэбсон Колледж и научным сотрудником Центра цифрового бизнеса Массачусетского Технологического Института.
Например, компании, которые исследуют жизненный цикл клиента, используют предиктивную аналитику для определения того, насколько много клиент может купить в будущем, отмечает он.
Кроме того, делая «следующее лучшее предложение» клиенту или используя электронные модели, чтобы определить, где разместить рекламу, менеджеры также пользуются формами предиктивной аналитики.
Так что же им нужно сделать, чтобы использовать предиктивную аналитику для принятия решений? Согласно Дэвенпорту, менеджерам необходимо понимание основ в трех областях: данные, статистика и предположения.
Недостаток хороших данных является самой основной проблемой для организаций, пытающихся применять предиктивную аналитику. Фирмам нужны данные о том, что покупают клиенты, что они уже купили, детали об этих продуктах и демографические данные клиентов.
«Если у вас есть несколько каналов или точек контакта с клиентами, вам необходимо быть уверенным, что они получают данные по клиентским покупкам тем же способом что и ваши предыдущие каналы», пишет Дэвенпорт.
Далее, менеджерам необходимо понимать статистику, используемую в предиктивной аналитике.
Регрессионный анализ – самый основной инструмент, используемый в предиктивной аналитике. Аналитик берет ряд переменных, таких как пол, доход, количество посещений веб-сайта, и т.д. и анализирует их корреляции.
Когда аналитик успешно находит переменные, которые объясняют продажи продукта, эта информация может быть использована для вычисления балла вероятности покупки.
«У вас имеется построенная предиктивная модель для других клиентов, которых не было в образце», отмечает Дэвенпорт. «Все, что вам нужно сделать, это вычислить их балл и предложить им продукт, если их балл соответствует определенному уровню. Вполне вероятно, что клиенты с высоким баллом захотят купить продукт, при условии, что аналитик хорошо провел статистическую работу и что данные были хорошего качества».
Наконец, менеджерам необходимо понимать роль предположений в предиктивной аналитике, пишет Дэвенпорт. Самое большое предположение в предиктивной аналитике – это предположение, что будущее продолжит быть таким же, как и прошлое. Однако это предположение может оказаться недействительным.
«Если ваша модель была создана несколько лет назад, она может уже неточно предсказывать текущее поведение. Чем больше прошло времени, тем больше вероятности, что поведение покупателей изменилось».
После того, как менеджеры усвоят основы предиктивной аналитики, есть несколько вопросов, которые можно задать аналитикам, чтобы расширить свои знания:
- Что такое источник данных в аналитике?
- Есть ли выбросы в распределении данных? Как эти параметры влияют на результаты?
- На каких предположениях основан анализ, и есть ли условия, которые могут сделать эти предположения недействительными?
Примеры линейной регрессии
Если вы считаете регрессионное моделирование недоступным для понимания, или если у вас были проблемы с …
Почитать еще
Скользкий склон безудержной семантики
Недавняя статья под названием «Спящее будущее визуализации данных? Фотография »расширяет определение визуализации данных до нового предела.
Data mining средства обнаружения данных могут создавать ценность для бизнеса?
Мы живем во время, когда данные вокруг нас. В эпоху цифровых технологий те, кто может выжать
Визуализация данных и виртуальная реальность
Время от времени кто-то заявляет, что визуализация данных может быть улучшена при просмотре в виртуальной
Информационный шум
Чтобы тщательно, точно и четко информировать, мы должны определить предполагаемый сигнал, а затем усилить его,
Аналитическая зрелость
В течение последних двадцати лет ментальная модель зрелости аналитики соответствовала схеме, представленной ниже, начиная с
Машинное обучение
Глубокое обучение – это продвинутая форма машинного обучения. Глубокое обучение относится к способности компьютерных систем, известных
ETL или подготовки данных
Технологии извлечения, преобразования и загрузки (ETL), которыми управляют исключительно ИТ, до недавнего времени были основным
Как начать карьеру в области науки о данных
Каждая область имеет уровень сложности, который человек должен оценить, прежде чем посвящать ему свое время
Как самостоятельно изучить искусственный интеллект и машинное обучение
В наши дни, в эпоху демократизации знаний, стало очень легко глубоко изучить любую дисциплину. Это