Ennakoiva analytiikka

Mitä on ennakoiva analytiikka?

Ennustava analytiikka on osa neljän tyyppistä data-analytiikkaa. Ennustava analytiikka on tiedonlouhinnan osa-alue, joka liittyy tulevien todennäköisyyksien ja suuntausten yleiseen ennustamiseen. Siinä käytetään historiatietoja, koneoppimista ja tekoälyä ennustamaan, mitä tulevaisuudessa tapahtuu. Business Intelligence -teknologiatyökalu tuottaa ennakoivan pistemäärän, joka antaa tietoa toimista, joihin asiakkaiden tulisi ryhtyä. Historialliset tiedot syötetään matemaattiselle algoritmille, joka etsii tiedoista trendejä ja malleja ja luo niistä mallin. Mallia sovelletaan sitten nykyisiin tietoihin, jotta voidaan ennustaa, mitä seuraavaksi tapahtuu.

Ennustava analytiikka vastaa pohjimmiltaan kysymykseen: "Mitä todennäköisesti tapahtuu nykyisten tietojeni perusteella ja mitä voin tehdä muuttaakseni lopputulosta?". Esimerkiksi vakuutusyhtiö ottaa todennäköisesti huomioon mahdolliset ajoturvallisuustekijät, kuten iän, sukupuolen ja ajotiedot, kun se jakaa autovakuutuksia. Ennustava analytiikka voi auttaa organisaatioita tunnistamaan tehokkaimmat markkinointikampanjat ja verkkosivuston käyttäytymisen asiakkaiden vastausten, konversioiden ja klikkausten lisäämiseksi sekä keskeytysten vähentämiseksi.

Mihin ennakoivaa analytiikkaa käytetään?

Ennustava analytiikka voi antaa loppukäyttäjille näkemyksiä ja ehdottaa toimia, jotka vaikuttavat suoraan toimintaan, tuloihin ja riskien arviointiin. Sitä sovelletaan liiketoimintasovelluksiin monenlaisissa käyttötapauksissa eri toimialoilla. Joitakin skenaarioita ovat mm:

• Asiakkaiden vaihtuvuuden vähentäminen: Myyntisovellus, jossa on ennakoivaa analytiikkaa, voisi analysoida asiakkaiden säännöllistä käyttäytymistä ja varoittaa myyntiammattilaista, kun asiakas todennäköisesti poistuu. Kohdennettuja kampanjoita voidaan sitten käyttää tehokkaasti.
• Petosten havaitseminen: Rahoitusalalla ennakoiva analytiikka auttaa tunnistamaan mahdollisen petollisen käyttäytymisen ennen kuin se tapahtuu. Pankit voivat ennustaa lainojen maksuhäiriöitä, hyväksyä luottoja tai havaita epäilyttävää toimintaa.
• Koneen seisokkiajan vähentäminen: Ennustava analytiikka voi parantaa tuotantokapasiteettia ja vähentää seisokkiaikoja analysoimalla tuotantolinjojen historiatietoja ja online-tietoja.
• Riskipotilaiden merkitseminen terveydenhuollossa: Sairaalat ja lääkärit voivat tunnistaa riskipotilaat, jotka voidaan priorisoida seulontaan ja suositella ennaltaehkäiseviä hoitoja. Tämä vähentää myös sairaalahoitoon takaisinottoja.

Miten päästä alkuun ennakoivassa analytiikassa?

Monille sovellustiimeille ennakoiva analytiikka saattaa olla aluksi yksittäinen esimerkki, jolla pyritään osoittamaan, että se voi tuoda lisäarvoa sovellukseen, lisätä käyttäjätyytyväisyyttä ja todistaa investoinnin kannattavuus yritykselle. Syistä riippumatta vaiheet ovat pohjimmiltaan samat.

1. Tunnista ratkaistava ongelma:

Jokaisen ennakoivan analytiikan kysymyksen tulisi tarjota mitattavissa olevaa ja selkeää arvoa. PADS-kehys voi auttaa sinua tunnistamaan kysymyksen, joka ratkaisee kriittisiä liiketoiminnan tarpeita. PADS tarkoittaa: Preventing Problems, Assisting Humans, Detecting Problems, and Streamlining Services.

2. Valitse ja valmistele tiedot:

Ennustavan analytiikan mallien käyttämiseen tarvitaan tietokokonaisuus, joka voi tuottaa oivalluksia. Useimmissa tapauksissa käytät sekä historiatietoja, joiden avulla ennustava algoritmi koulutetaan ennustamaan lopputulos, että uusia tietoja, joiden avulla tehdään tulevia ennusteita. Useimmat sovellustiimit tallentavat historialliset ja uudet tiedot erillisiin tietokantoihin. Mutta jos sinulla on yksi tietokanta kaikkia tietokantojasi varten, voit käyttää aikasuodatinta (esimerkiksi kuusi kuukautta) historiatietoihin ja viimeisen päivän tai viimeisen viikon suodatinta uusien tietojen ennustamiseen.

3. Ota muut mukaan:

Aloita organisaatiosi sidosryhmistä, mukaan lukien johtajat ja tiiminvetäjät, joiden on hyväksyttävä projekti. Kun sidosryhmistä tulee puolestapuhujia, he voivat auttaa edistämään aloitetta muille, varmistaa, että saat tarvitsemasi monialaiset tiedot ja antaa hankkeelle edellytykset pitkän aikavälin menestykseen.

4. Valitse ennakoivan analyysin mallit:

Valitsemasi ennakoivan analytiikan malli riippuu siitä, mitä kysymystä esität. Useimmissa ennakoivan analytiikan kysymyksissä käytetään jotakin näistä viidestä yleisestä mallista:

• Luokitusmalli: Luokitteluennustemalli vastaa kyllä/ei-kysymykseen. Esimerkiksi: Onko tämä asiakas lähdössä pois? Hyväksytäänkö tämä laina? Onko kyseessä vilpillinen tapahtuma?
• Klusterointimalli: Tämä on hyödyllinen lajitellessa datapisteitä ryhmiin. Voit esimerkiksi haluta löytää tietokannastasi asiakasryhmän, joka on todennäköisimmin tyytymätön. Voit joutua lajittelemaan heidät edelleen luokkiin sen perusteella, millaisia ongelmia heillä todennäköisesti on. Klusterointimalli voi lajitella nämä henkilöt nopeasti ja suurella tarkkuudella.
• Ennustemalli: Tämä malli ennustaa lukuja - esimerkiksi kuinka monta asiakasta todennäköisesti muuttuu tietyn viikon aikana, kuinka monta tukipuhelua puhelinkeskuksesi saa tunnissa ja kuinka paljon varastoa sinun pitäisi pitää käsillä.
• Outliers-malli: Tämä malli korostaa poikkeamia tiedoissasi. Se voi esimerkiksi kirjata piikin tukipuheluissa, mikä voi viitata tuotevirheeseen, joka saattaa johtaa takaisinvetoon. Se voi löytää poikkeavia tietoja vakuutushakemuksesta ja löytää esimerkin petoksesta. Se voi jopa löytää epätavallisia tietoja NetOps-lokeistasi ja huomata merkkejä lähestyvästä suunnittelemattomasta käyttökatkoksesta.
• Aikasarjamalli: Aikasarja on aikajärjestyksessä tallennettujen datapisteiden sarja. Esimerkiksi viimeisten kolmen kuukauden aikana päivittäin vastaanotettujen puhelujen määrä, myynti viimeisten 20 vuosineljänneksen ajalta ja sairaalassa viimeisten kuuden viikon aikana käyneiden potilaiden määrä. Aikasarja on tehokas tapa ymmärtää, miten jokin mittari kehittyy ajan myötä, ja se on usein tarkempi kuin muut mallit, joissa aikaa ei oteta huomioon mittarina.

5. Kuroa umpeen näkemysten ja toimien välinen kuilu:

Monet ennakoivan analytiikan ratkaisut eivät anna loppukäyttäjille mahdollisuuksia. Ne tuottavat tietoa, mutta eivät kerro käyttäjille, mitä he voivat tehdä tiedoilla - saati sitten antaa heidän ryhtyä toimiin poistumatta sovelluksesta. Tämä yhteyden katkeaminen tuhlaa aikaa ja häiritsee käyttäjien työnkulkuja. Ennustavan analytiikan projektissa on pohdittava tarkkaan, miten käyttäjien on paitsi toimitettava tietoa myös annettava heille mahdollisuus toimia sen perusteella. Miten voit tehdä tiedosta hyödyllistä? Ensin se on saatava oikeille ihmisille. Sen jälkeen on ehdotettava tietojen perusteella seuraavia vaiheita ja mieluiten annettava käyttäjien toimia poistumatta sovelluksesta.

6. Prototyyppien rakentaminen:

Aloita jostain yksinkertaisesta ja anna se loppukäyttäjien ja sidosryhmien testattavaksi. He ovat tuotteesi ensimmäisiä käyttäjiä, ja heidän palautteensa muokkaa ennakoivan analytiikkaratkaisusi suuntaa.

7. Toista säännöllisesti:

Kun projekti kehittyy, ole jatkuvasti yhteydessä testausryhmään, jotta voit tarkastella edistymistä ja ottaa huomioon uutta palautetta.