Prediktiv Analytics låser store data op
Prediktive Analytics er "Open Sesame" for verden af Big Data. Det er den prædiktive teknologi, der gør det muligt for computere at lære at forudsige individers fremtidige adfærd. I virksomheden kan denne evne til at forudsige - som er baseret på overfladebehandlingsmønstre, der findes i data - hjælper virksomheder med at træffe velinformerede beslutninger og identificere risici og muligheder.
Det er videnskaben, der frigør kraften i Big Data. Og resultaterne påvirker alle.
Men det kan virke ukontrollabelt. Eric Siegel, en tidligere Columbia University professor og grundlægger af Predictive Analytics World løfter sløret på denne ofte arcane verden i sin nye bog "Prediktiv Analytics: Kraften til at forudsige, hvem der vil klikke, Køb Lie eller Die" (Wiley, 2013). I denne primer tilbyder han 147 eksempler på, hvordan prædiktiv analyse anvendes i forskellige aspekter af liv og forretning, alt fra hvorfor tidlig pensionering reducerer forventet levealder til, hvordan virksomheder finder utrolige private sandheder - hvordan Target figurerer, at du er gravid, og hvordan Hewlett- Packard tager udgangspunkt i at afslutte dit job.
Siegel delte for nylig sine tanker om, hvordan denne nye teknologi påvirker måden vi lever og arbejder på, og nogle forsigtige råd om, hvordan vi holder genien fra at køre amok.
MobbyBusiness: Hvad er Predictive Analytics?
Eric Siegel: Den korteste definition er min bogs undertekst: Kraften til at forudsige, hvem der vil klikke, købe, lyve eller dø. Prediktiv analyse er den teknologi, der lærer fra data til at forudsige, hvad hver enkelt person vil gøre - fra blomstrende og donere til at stjæle og styrte din bil. Ved at gøre det øger organisationer succesen med markedsføring, revision, lovhåndhævelse, medicinsk behandling, uddannelse og endda at køre en politisk kampagne til præsident.
MB: Hvad er målene for Predictive Analytics?
ES: Prediction er nøglen til at køre forbedrede beslutninger, der styrer millioner af handlinger pr. Person. For sundhedspleje sparer dette liv. Til retshåndhævelse bekæmper det kriminalitet. For erhvervslivet mindsker det risikoen, sænker omkostningerne, forbedrer kundeservice og reducerer uønsket post og spam. Det var en medvirkende faktor til genvalg af den amerikanske præsident.
MB: Hvad var de største forhindringer i udviklingen af Predictive Analytics?
MB: Hvornår blev Predictive Analytics først realistisk? Var der nogen tippunkt? E.S .:: Med den underliggende teknologi, der var fast etableret i forskningslaboratoriet, var den store udfordring for at anvende predictive analytics en slags nødvendig kulturskifte. Ud over den tekniske indsats for at opbygge en prædiktiv model fra data skal de individuelle forudsigelser, som den genererer derefter, bruges af organisationen, der handles for at drive operationelle aktiviteter. At integrere prædiktiv analyse på denne måde og dermed ændre (og forbedre) "business as usual" indebærer en organisationsændring, der ikke sker med fingers klik.
ES: Selv om vi lige har nået en tipping peger så vidt som den kritiske masse af udbredt brug og generel bevidsthed, indtil nu er det slags krypt op på verden. Der var nicher, hvor det blev almindeligt, som f.eks. Målretning af massive direct mail marketingkampagner, forudsigelse af, hvilke mobiltelefonkunder der er i fare for at overlade til en anden trådløs operatør og bestemme risikoen for en kreditkortansøger. Disse har været fast på plads i mindst et par årtier. Den bredere brug for markedsføring, svindelopdagelse, aflysning af kunder i andre virksomheder, onlineannonceringsmålretning og meget mere er derefter vokset organisk fra den succes.
MB: Hvor vigtigt var det for Predictive Analytics at udvikle værktøjer og metoder, der beskæftiger sig med ustrukturerede data som tekst og andet subjektivt materiale?
E.S.: I nogle projekter er ustrukturerede data kritiske for prædiktiv præcision. For eksempel er det for nogle organisationer, der behandler kundeserviceagenternes typede noter centralt for at opdage kunder, der er mere udsatte for aflysning. I andre tilfælde er der ikke nogen relevante ustrukturerede data til rådighed.
MB: Hvad differentierer dette fra data mining og business intelligence?
ES: Prediktiv analyse passer helt inden for den brede "data-drevne "Arena henvises af udtryk som stor data, data mining, business intelligence og analytics (uden" predictive "). Spændingen omkring, hvor meget data der er, og dets potentiale stiller spørgsmålet, hvad skal vi gøre med det, hvad er den specifikke værdi? Svaret på dette spørgsmål er at lære af det, hvordan man kan forudsige. Det, der gør en direkte forskel for, hvordan organisationer opererer, er forudsigelse.
MB: Gælder Prediktiv Analytics primært med korrelation eller med årsag?
E.S .:: Korrelation. Årsag er en undvigende ting at etablere, og du behøver ikke nødvendigvis det for at kunne forudsige det godt. Hvis vi ser sammenhængen mellem, at førtidspensionister har højere sundhedsrisici, vil vi gerne vide hvorfor - men vi behøver faktisk ikke at vide hvorfor for at gøre brug af disse oplysninger. I stedet bliver tidlig pensionering en faktor, der skal overvejes, når man bestemmer, om man skal prioritere en patient for yderligere screening eller andre forebyggelsesorienterede aktiviteter.
MB: Er Predictive Analytics noget, der kan implementeres af små virksomheder såvel som store? ES:
Ja, og det er ofte. Så længe der er en lang nok kunde liste, hvorfra man kan lære, er der potentiale. For eksempel udfører mange små virksomheder direkte mail (eller onlineaktiviteter) på tværs af et stort antal kunder. MB: Jeg har et lille, forbrugerorienteret firma med flere databaser med kundeoplysninger, konkurrencedygtig intelligens mv. Hvor begynder jeg ?
ES:
Det første, der skal afgøres, er, hvilken kundeadfærd der skal forudsiges, og hvordan forudsigelserne vil give værdi, dvs. hvilke handlinger der vil blive tweaked med de individuelle forudsigelser. For eksempel forudsige, hvilken kunde vil købe, hvis der sendes en brochure for at afgøre, hvem der er værd at investere $ 2 for at sende brochuren til. MB: Hvorfor er vi så datafobiske?
ES:
Jeg tror vi bliver meget mindre datafobisk ekstremt hurtigt på dette tidspunkt. Personer, der aldrig har følt sig trygge eller komfortable med matematik, kan i første omgang genere sig fra kvantitativt orienterede begreber og antage, at de er sarte og vanskelige at forstå. Men ideen om at bestemme "ja mod nej" for hver enkelt person om, hvorvidt man skal maile, godkende, undersøge, fange eller sætte op på en dato - baseret på en forudsagt adfærd for de enkelte - er ikke så undvigende, som folk hurtigt opdager. Og den grundlæggende ide om, hvordan man danner en forudsigelse for individet baseret på alle de kendte faktorer, viser sig også at være let for alle at forstå, selv uden at komme ind i matematikken. MB: Du skriver dataene er verdens mest blomstrende unaturlig ressource. Forklar venligst.
E.S .::
Det er mig sødt og humoristisk. Data er bestemt en blomstrende ressource. "Unaturlig ressource" er et spil på den velkendte sætning "naturressource", fordi informationen på en diskdrev (eller millioner af diskdrev, for den sags skyld!) Sandsynligvis vil blive betragtet som kunstig snarere end en del af natur. Hmm, det er ikke så sjovt, når du skal forklare det. MB: Vil der være noget som Moores lov, der beskriver væksten af Prediktiv Analytics?
ES:
Prediktiv analyse fortsætter med at vokse hurtigt som alle nye bedste praksis, der ikke kun er en gevinst at ansætte, men en konkurrencedygtig nødvendighed. Moores lov kommer ind, fordi det fortæller os, hvor hurtigt data vil fortsætte med at vokse, og jo flere data, hvorfra man kan lære, jo bedre man kan forudsige, og flere typer adfærd, der kan forudsiges. MB: Du er glad at citere fra "Spiderman" - "Med stor magt kommer det store ansvar." Hvad mener du?
E.S.:
Med fremkomsten af prædiktiv analyse opnår organisationer magt ved at forudsige kraftige, men i nogle tilfælde følsomme indsigter om enkeltpersoner. Faktum er, forudsigende teknologi afslører en fremtid, der ofte betragtes som privat. Disse forudsigelser er afledt af eksisterende data, næsten som om at skabe ny information ud af tynd luft. Eksempler er, at Hewlett-Packard udløser en medarbejders hensigt om at træde tilbage, detailhandleren Target divergerer en kundes graviditet og retshåndhævelse i Oregon og Pennsylvania forud for en dømmes fremtidige gentagelsesforbrydelse. MB: Er der en mørk side til Predictive Analytics? Hvordan kan vi kontrollere det?
E.S.:
Som med enhver markedsføring, retshåndhævelse eller andre aktiviteter skal individets behov og rettigheder være en del af ligningen. Med aktiviteter, der opererer meget over mange mennesker, er der altid risiko for at miste enkeltpersoners websted. Det er afgørende at øge den offentlige forståelse af, hvad prædiktiv analyse er, hvordan den bruges, og en følelse af, hvordan det virker for at informere diskussioner, debatter og lovgivningsaktiviteter. MB: Prediktive Analytics's algoritmer får i stigende grad bedre at finde ud af, hvad vi kan lide. Vil dette dræbe kreativitet og serendipity? Kan Predictive Analytics nogensinde producere en iPod?
E.S .::
Jeg tror stærkt på, at dette kraftfulde værktøj hjælper verden og hæver menneskelig aktivitet. Prediktiv analyse hjælper med at tilpasse eksisterende operationer - det er et paradigmeskifte, men det skaber ikke nye paradigmeskift som iPod. At køre ting mere intelligent og gøre operationer mere effektive og effektive (fx faldende junk mail og spam) åbner kun ekstra ressourcer og muligheder, som igen fremmer fortsat menneskelig kreativitet. Der er intet der for at desinficere menneskelig kreativitet, og jeg kan ikke se iværksættere og forskere, der planlægger at bremse enhver tid snart. Følg os
@MBarticles , Facebook eller Google + . Følg os @MBarticles , Facebook eller Google + .
7 Typer af små virksomheder: hvilken er du?
Ikke alle har det, der kræves for at være iværksætter. Ny forskning fra marketing tjenester og forretningsprodukter leverandør Deluxe Corporation har fundet ud af, at små virksomhedsejere deler flere forskellige træk, som adskiller dem fra andre - herunder evnen til at påvirke og lede andre. Specielt er de mere end dobbelt så sandsynligt, at de bliver bedt om deres meninger om, hvad de skal købe, steder at besøge eller restauranter at prøve og er også mere tilbøjelige til at overbevise andre om at prøve nye produkter.
3 Måder, som din lille virksomhed kan forberede på feriesalg nu
En del af at blive forberedt betyder at vide, hvordan forbrugerne planlægger at bruge deres dollars i feriesæsonen. CPC-strategien offentliggjorde for nylig sin 2017 amerikanske Holiday Shopping Forecast, der skuller nyt lys over, hvordan forbrugerne sandsynligvis vil nærme sig deres feriehandelsliste i fjerde kvartal.
Populære Indlæg