Предиктивная аналитика

Содержание
  1. Предиктивная аналитика на пальцах — Сервисы на vc.ru
  2. Внутренние данные
  3. Внешние данные
  4. Как получить внешние данные?
  5. Как проверить точность модели?
  6. MVP и промышленное решение
  7. Предиктивная аналитика: что получаем на выходе
  8. Сферы применения предиктивной аналитики
  9. Из чего состоит предиктивная аналитика?
  10. Сбор данных
  11. Исследовательский анализ данных
  12. Предикативное моделирование
  13. Роль предиктивной аналитики в бизнесе
  14. Оптимизация производства
  15. Выявление фактов мошенничества
  16. Управление рисками
  17. Клиентский и маркетинговый анализ
  18. Продажи
  19. Работа с персоналом
  20. Предиктивная аналитика: 7 примеров использования в бизнесе
  21. 1. Walmart: оптимизация системы снабжения
  22. 2. Зоопарк Point Defiance: рост малого бизнеса
  23. 3. Hopper: прогнозирование ценовых тенденций
  24. 4. IBM: сохранение персонала
  25. 5. Under Armour: увеличение охвата аудитории
  26. 6. Сбербанк: Big Five и риск-менеджмент
  27. 7. Ingate: технологический сервис для удержания клиентов
  28. Какая бывает аналитика: предиктивная, описательная и еще 2 вида аналитики больших данных
  29. 4 вида аналитики данных для эффективного управления на практическомIIoT-примере
  30. Где еще используются системы аналитикиBigData и как их внедрить
  31. Простым языком о предсказательной аналитике
  32. Что такое предиктивный анализ
  33. Насколько точен прогноз
  34. Зачем предиктивный анализ маркетологам, агентствам и клиентам
  35. Какое развитие получит предиктивный анализ в будущем

Предиктивная аналитика на пальцах — Сервисы на vc.ru

Предиктивная аналитика

Я занимаюсь Data Science и Machine Learning в компании Redmadrobot. Нас знают в основном как разработчика мобильных приложений, но практика DS и ML в роботах тоже развита.

Например, мы делаем предиктивную аналитику: это такой класс методов Data Science, с помощью которого можно предсказать какие-то важные для клиента показатели в будущем. В этой статье я на пальцах объясню, как работает предиктивная аналитика и как именно она помогает, например, просчитать выручку и сэкономить деньги.

К нам приходит, скажем, владелец большой розничной сети с вполне конкретным запросом: хочу знать, где открыть новую точку и сколько выручки я с нее получу. Реально ли это? Вполне.

Сначала мы смотрим, какие данные уже есть у заказчика. Их еще называют внутренними данными.

Внутренние данные

У магазина обычно уже есть какие-то данные по существующим точкам: ассортимент, товарооборот, площадь торгового зала и так далее.

Используя только эти данные, мы можем обучить модель и попытаться предсказать, например, выручку для каждой точки: для этого мы делим существующие данные в пропорции 70/30, обучаем модель на 70% данных, а на оставшихся 30% проверяем, насколько точно наша модель научилась предсказывать выручку для точки.

Проблема в том, что точность такой модели может быть невысокой: ей просто не хватает данных для обучения. Другими словами, если у нас есть только внутренние данные от магазинов, этого может быть недостаточно, чтобы с приличной точностью предсказать, сколько магазин будет выручать за месяц.

Что делать в этом случае? Обогащать данные, то есть дополнять то, что уже есть у клиента, внешними данными.

Внешние данные

Внешних данных бывает огромное множество.

Погода, курсы валют, график запуска ракет SpaceX — все это внешние данные по отношению к нашему клиенту.

Понятно, что не все внешние данные нам нужны, и не все из них мы можем достать. На этом этапе к нам подключается аналитик: он хорошо разбирается в типах и источниках внешних данных, и может дать экспертную оценку, какие из них будут релевантны. Перед разработкой модели проводится исследование, которое помогает понять, какие данные нам будут полезны, а какие нет.

В случае с магазином нам могут быть полезны, например, такие данные, как проходимость конкретной точки, какие конкуренты стоят рядом, сколько денег выручают торговые точки в этом районе.

На основе этих гипотез мы можем подтянуть внешние данные и обучить модель, уже используя их. Предсказательная сила в этом случае обычно улучшается. Мы можем обучать модель несколько раз, добавляя и убирая какие-то наборы данных, добиваясь все большей точности.

Как получить внешние данные?

Некоторые сервисы-агрегаторы данных отдают их свободно, иногда даже в удобном формате xml или json — как, например, сервис OpenStreetMap, где можно получить географические данные об объекте.

Бывают публичные базы данных, например от Google — это уже собранные большие наборы данных по различным тематикам, которые можно найти в открытом доступе и свободно использовать для обучения своей модели.

Некоторые данные находятся в открытом доступе, но их неудобно использовать. Тогда приходится парсить сайты, то есть вытаскивать данные в автоматическом режиме (до тех пор, пока это законно, конечно — но в большинстве случаев это законно).

А некоторые данные приходится покупать или договариваться об их использовании — например, если работать с операторами фискальных данных, которые могут разрешить использовать некоторую информацию о чеках.

В каждом случае мы решаем, насколько нам нужны эти данные, насколько они повысят точность модели и насколько это важно для заказчика. Предположим, какой-то набор данных позволит нам сделать модель на 10% точнее.

Насколько это хорошо для заказчика? Сколько денег он сэкономит или получит, если предсказания нашей модели будут на 10% точнее? Стоит ли это того, чтобы покупать этот набор данных? Чтобы понимать это, нам нужно действительно много знать про клиента — поэтому на этапе понимания задачи мы задаем много вопросов про его бизнес, источники прибыли и особенности работы.

Как проверить точность модели?

Как проверить (и доказать клиенту), что наша модель действительно имеет смысл? Что она предсказывает результат с нужной нам вероятностью?

Делим все данные, которые у нас есть, случайным образом в пропорции 80/20. С 80% мы будем работать и обучать на них модель, это наша тренировочная выборка. 20% пока отложим — они нам понадобятся позже, чтобы проверить на них модель и убедиться, что все работает. Это валидационная выборка.

Тренировочную выборку делим на обучающую и тестовую выборки (70/30). На 70% обучаем модель. На 30% проверяем. Когда точность нас устраивает — проверяем модель теперь уже окончательно, на валидационной выборке, то есть на тех данных, которые модель никогда не видела. Это позволяет нам убедиться, что модель действительно предсказывает с заданной точностью.

Как правило, точность модели на тестовой и валидационной выборке почти совпадает. Если они сильно отличаются — скорее всего, дело в данных: возможно, они были поделены на обучающую и валидационную выборки не случайным образом, либо данные неоднородны.

MVP и промышленное решение

Когда мы обсуждаем с клиентом задачу, мы среди прочего определяем с ним критерии успешности проекта. Как понять, что мы выполнили задачу? Какая точность должна быть у получившейся модели и почему именно такая?

Проект мы всегда начинаем с MVP — это относительно дешевая проверка наших гипотез, это модель, которая уже может приносить ценность. Пробуем обучать модель на имеющихся данных и находим некий baseline — минимальную точность модели (например, 75%). Эту точность мы будем все время стараться повышать — до тех пор, пока это рентабельно и имеет смысл.

Когда точность модели нас наконец устраивает, мы упаковываем получившуюся модель в веб-сервис или мобильное приложение с удобным интерфейсом.

В нашем примере с открытием магазина и прогнозированием его выручки веб-сервис мог бы выглядеть как интерактивная карта, где разные районы подсвечивались бы разными цветами в зависимости от перспективности открытия магазина здесь, а для каждой выбранной точки отрисовывалась бы плашка с прогнозом выручки магазина, поставленного в этой точке.

Отличие MVP от промышленного решения в том, что модель MVP не может дообучаться. А точность любой модели со временем деградирует, и ее надо дообучать.

Поэтому для промышленного решения мы реализуем один из двух вариантов поддержки: либо мы поддерживаем ее самостоятельно, постоянно дообучая модель (и увеличивая ее точность), либо реализуем цикл переобучения модели непосредственно внутри самого софта.

Поддержка со стороны живой команды, конечно, дороже. Но минус автоматического переобучения в том, что оно не может учесть внезапных изменений характера данных.

Оно не учтет, например, что в результате каких-нибудь санкций магазин перестал продавать определенные типы товаров и его выручка снизилась.

Тогда точность модели сильно упадет, и ее надо будет переобучать вручную, добавляя недостающие данные.

Предиктивная аналитика: что получаем на выходе

1. Веб-сервис или мобильное приложение с удобным интерфейсом, которое наглядно показывает клиенту ответ на его вопрос (например, где открывать магазин и сколько у него будет выручки).

2. Под капотом — модель, которая с заданной (и оговоренной) точностью выдает предсказания на основе имеющихся данных — внутренних данных клиента и внешних данных, которые мы приняли решение собирать и использовать в этой модели.

3. Поддержку модели, реализованную либо как постоянные доработки модели со стороны живой DS-команды, либо как встроенная функция периодического переобучения внутри самой программы. Модель поддержки выбирается в зависимости от характера данных и бизнес-задач, которую решает модель.

4. Наглядное подтверждение тому, что Data Science и Machine Learning — не просто модные технологии, а инструменты, которые помогают быстро и точно решать реальные задачи бизнеса.

#datascience #machinelearning #искусственный_интеллект #redmadrobot

Источник: https://vc.ru/services/65236-prediktivnaya-analitika-na-palcah

Сферы применения предиктивной аналитики

Предиктивная аналитика

Предиктивная аналитика – интеллектуальная обработка данных, позволяющая улучшить показатели крупного и мелкого бизнеса, а также сформировать прогнозы на будущее. По этой причине предиктивный метод часто называют предсказательным.

Из чего состоит предиктивная аналитика?
Сбор данных
Исследовательский анализ данных
Предикативное моделирование
Роль предиктивной аналитики в бизнесе
Оптимизация производства
Выявление фактов мошенничества
Управление рисками
Клиентский и маркетинговый анализ
Продажи
Работа с персоналом

Предиктивная аналитика – интеллектуальная обработка данных, позволяющая улучшить показатели крупного и мелкого бизнеса, а также сформировать прогнозы на будущее. По этой причине предиктивный метод часто называют предсказательным. С его помощью можно изучить исторический опыт компании, провести статистическое моделирование и на основании полученной модели спланировать результаты.

Из чего состоит предиктивная аналитика?

Каждый предприниматель в предиктивном анализе должен опираться на данные. В противном случае, это превращается в гадание на кофейной гуще. Основой успешного бизнеса является система, построенная на достоверной и тщательно проанализированной информации.

Предиктивная аналитика строится на трех китах – сборе данных, их исследовательском анализе и моделировании. Рассмотрим каждый из этих параметров по отдельности.

Сбор данных

При прогнозировании в разных сферах бизнеса используются разные данные. Чаще всего аналитики учитывают следующие показатели:

  • экономические (доходы, расходы, процент прибыли, политика ценообразования и пр.);
  • количественные (количество привлеченных клиентов, количество отправленных писем, объем производимой продукции и пр.);
  • внутренние HR факторы (степень нагрузки сотрудников, уровень их квалификации и пр.);
  • внешние факторы (политическая и экономическая ситуация в стране, стратегия конкурентных компаний, уровень конкуренции и пр.);
  • конверсионные (количество клиентов, перешедших на следующий уровень воронки продаж и т.д.);
  • клиентские (методы привлечения, мотивация и поведение клиентов, а также их возраст, пол, уровень достатка и пр.);
  • временные (частота оформления сделок, скорость оформления сделок и пр.).

Чем больше у аналитиков источников данных, тем точнее будут результаты прогнозного метода. В этом плане проще компаниям, давно прошедших автоматизацию бизнес-процессов. Они могут анализировать данные информационных систем, социальных сетей, crm-систем и т.д.

Например, в сборе и анализе данных из социальных сетей высокую эффективность показывает «Система мониторинга и анализа контента социальных сетей» от ГК РАМАКС.

Система автоматически находит в открытых источниках упоминания о вашей компании, а также сохраняет их сразу по разным категориям в зависимости от эмоционального окраса высказывания.

Исследовательский анализ данных

На следующем этапе аналитик обрабатывает собранные данные. Задача специалиста заключается в поиске ранее неизвестных, непонятных сведений, которые можно интерпретировать и использовать в принятии обоснованных решений. Причем объективность выводов напрямую зависит от количества обработанных данных.

С помощью исследовательского метода можно:

  • классифицировать данные по определенным критериям;
  • понять, насколько исходные данные влияют на результат;
  • определить закономерности для разных событий;
  • составить последовательные ассоциации;
  • проанализировать отклонения и т.д.

Предикативное моделирование

Последний и самый важный этап предиктивной аналитики позволяет на основании исторических данных составить высокоточные прогнозы. Здесь специалисту нужно интерпретировать весь объем полученных сведений.

Помочь в этом может четкая формулировка задачи – для чего и на какой период составляется прогноз.

Предиктивное моделирование определяет, какую прибыль компания получит за год, сколько времени еще проработает определенное оборудование, на сколько повысится спрос на продукцию в декабре и т.д.

Сформулировав задачу, аналитику нужно определиться со статистической или математической моделью. Она заключается в учете множества факторов, влияющих на прогноз, распределении удельного веса этих фактором и внесении исходных данных.

Роль предиктивной аналитики в бизнесе

Большинство бизнесменов принимает важное решение, опираясь на собственный опыт, советы маркетологов, партнеров, друзей или родственников. И даже если принятое решение оказывается удачным, это можно назвать случайностью.

Использование же предиктивной аналитики является конкурентным преимуществом. Она дает уверенность в завтрашнем дне и позволяет принимать эффективные (не случайные) решения в экстренных ситуациях.

Благодаря неограниченным возможностям предиктивный метод можно применять в разных сферах бизнеса. Ниже мы рассмотрим некоторые из них.

Оптимизация производства

Регулярное изучение параметров, от которых зависит производительность оборудования на предприятии, способствует предотвращению его поломок и более эффективному обслуживанию.

С помощью предиктивного анализа можно поддерживать производственный цикл, улучшить логистику и товарооборот.

Аналитику проще спрогнозировать срок эксплуатации используемого или недавно купленного оборудования, чем рассчитывать на то, что в ближайшем будущем оно не подведет.

Рассмотрим пример. Несколько лет назад предприятие оборудовало один из своих цехов конвейерной линией. За это время при повышении температуры воздуха она несколько раз ломалась. Путем изучения прогноза погода на ближайшие недели или месяцы аналитик может заранее подготовиться к повышению температуры, составить график работы конвейерной линии и помочь предприятию избежать простоев.

Выявление фактов мошенничества

В каждой компании должна вестись статистика недобросовестных клиентов. При этом нужно учитывать их возраст, пол, сферу занятости и прочие признаки. Упростить задачу поможет анкетирование.

С помощью предиктивной аналитики можно понять, какая категория клиентов плохо платит по счетам, недобросовестно подходит к оформлению документации, задерживает поставки и т.д.

Дополнительный модуль «Безопасность», предусмотренный в решении от ГК РАМАКС автоматически составляет психологический портрет сотрудника или соискателя и анализирует, каков риск его недобросовестного поведения по отношению к компании.

Рассмотрим пример. Организация на протяжении 10 лет оказывает банковские услуги разным категориям клиентов.

За это время в компании накопилась информация, которая позволяет сделать вывод, что клиенты в возрасте 18-21 года и клиенты с судимостью, как правило, недобросовестно погашают задолженность по кредитам.

Основываясь на этом, можно прекратить выдачу займов данной категории клиентов или ужесточить условия их кредитования.

Управление рисками

Деятельность достаточно большого количества предприятий связана с рисками. Предиктивный анализ позволяет обработать прошлые негативные события, чтобы предотвратить риск их возникновения в будущем или составить эффективный план по выходу из ситуации.

Рассмотрим пример. Деятельность компании связана со страхованием здоровья.

Большая часть страховых выплат приходится на специалистов промышленных профессий, которые в отличие от тех же менеджеров гораздо чаще получают производственные травмы.

Аналитик может предложить увеличить размер страховой суммы при страховании специалистов промышленных профессий и расширить пакет услуг для менеджеров. Это позволит компенсировать риски.

Клиентский и маркетинговый анализ

В идеале, каждая компания должна осуществлять сбор данных о клиентах, их количестве, поведении, покупательской способности. Это поможет в моделировании их поведения в будущем.

С помощью предиктивной аналитики также можно лучше понимать своего клиента, постоянно улучшать качество обслуживания и технической поддержки.

А решение от ГК РАМАКС Customer Care помогает в выстраивании коммуникации с клиентами для повышения их лояльности и способствует улучшению репутации компании в сети.

Рассмотрим пример. Компания, владеющая сетью кинотеатров, решила оборудовать их системой видеонаблюдения. Аналитика дала руководству возможность отследить путь среднестатистического зрителя.

С коммерческой точки зрения, участки маршрута, где он приобретает билет, покупает попкорн, ждет начало сеанса, могут стать местами размещения рекламной информации.

С точки зрения налаживания контакта с аудиторией, их можно использовать для размещения диванов, терминалов, санитайзеров, вендинговых автоматов – всего того, что сделает пребывание зрителя в кинотеатре более комфортным.

Продажи

Предиктивный метод в розничных и оптовых продажах позволяет определить прямое и косвенное влияние показателей на прибыль компании. Соответственно, увеличивая или минимизируя это влияние, можно увеличивать и выручку.

Рассмотрим пример. Компания на протяжении 5 лет занимается продажей продукции собственного производства через интернет-магазин.

Задача аналитика – изучить статистику за прошедшие года и определить, какое количество людей перешло на следующий этап воронки продаж, то есть переквалифицировалось из посетителей интернет-магазина непосредственно в покупатели.

Предиктивный анализ помогает понять, что повлияло на переход (рекламная компания, программа лояльности или прочие донаты), как преумножить эти показатели, составить план маркетинговой компании, расширить каналы дистрибуции

Работа с персоналом

Текучка кадров – явление, характерное для многих предприятий. Задача руководителя понять, на каком сроке и по какой причине происходят добровольные увольнения, сотрудники какой квалификации чаще всего покидают компанию. С помощью предиктивного анализа можно сделать прогноз на будущие годы, повысить эффективность управления персоналом, подготовиться к их увольнению.

Рассмотрим пример. Руководитель крупной компании, давно существующей на рынке, заметил, что многие сотрудники, проработавшие на него более 2 лет, добровольно увольняются.

Аналитик выяснил, что причиной увольнение чаще всего служит отсутствие интереса к работе. Чтобы прекратить текучку кадров, руководитель начинает регулярно устраивать тимбилдинги, направлять сотрудников на курсы повышения квалификации.

Параллельно он составляет план, который позволит быстро найти замену ушедшему работнику.

Источник: https://www.ramax.ru/press-center/articles/prediktivnaya-analitika/

Предиктивная аналитика: 7 примеров использования в бизнесе

Предиктивная аналитика

Для анализа больших объёмов информации, улучшения показателей и формирования прогнозов крупные и малые бизнесы используют предиктивную (она же — предсказательная) аналитику. Это интеллектуальный анализ данных, который включает статистическое моделирование, изучение исторического опыта и планирование результатов на основе полученных моделей.

Чтобы все эти операции выполнялись за считанные секунды, многие компании используют в предиктивной аналитике технологии искусственного интеллекта. Посмотрим, как именно это происходит на практике.

1. Walmart: оптимизация системы снабжения

Начнём с примера, который один может вдохновить всю розничную торговлю. Компания Walmart, крупнейшая в мире сеть оптовой и розничной торговли, адаптируется к эпохе цифровых технологий, связывая онлайн- и офлайн-данные. Система запрашивает информацию у кассовых терминалов и даёт прогноз, какие товары будут пользоваться спросом, а какие — нет.

Информацией управляют с помощью облака Data Cafe Walmart, которое обслуживается командой Walmart Labs в Силиконовой долине. Эта операция нужна для расчёта ожидаемых показателей. Благодаря инструментам предиктивной аналитики и искусственному интеллекту компания оптимизировала цепочку поставки товара и добилась соблюдения сроков доставки.

Стоит отметить, что такая технология может использоваться не только гигантами, как Walmart. Любой менеджер менее крупной компании с помощью доступных технологий от Google и Adobe может правильно организовать поставки товаров и минимизировать риски дорогостоящих корректировок, если спрос превышает предложение или наоборот.

2. Зоопарк Point Defiance: рост малого бизнеса

Опрос SAP показал, что более 70 % руководителей малого бизнеса также начинают использовать в работе аналитические данные. Приведём пример.

Посещаемость зоопарка Point Defiance (Такома, штат Вашингтон) то непредсказуемо росла, то падала. В случае небольшого числа людей расходы на персонал оказывались слишком большими. Чтобы выявить факторы, влияющие на посещаемость, руководство зоопарка начало сотрудничать с национальной метеорологической службой.

Объединение данных национальной метеорологической службы с управляемой искусственным интеллектом платформой Watson IBM позволило с точностью до 95 % определять, при каких погодных условиях люди посещают зоопарк, и обеспечивать его нужным количеством персонала.

Конечно, практическое применение этого метода гораздо шире, чем просто анализ числа посещений. В Point Defiance изучают, как посетители ведут себя в зоопарке, где проводят больше времени, какие маршруты выбирают.

Анализ этой информации позволяет улучшить качество обслуживания.

В планах также использование искусственного интеллекта для контроля данных о здоровье, диагностики проблем животных парка и проведения необходимого лечения.

3. Hopper: прогнозирование ценовых тенденций

Индустрия туризма печально известна высокой конкуренцией, недолговечными пиками, спадами спроса и низкорентабельными направлениями. Из-за этого многие путешественники сомневаются в правильном выборе времени для бронирования билетов: сделать заказ за несколько месяцев или за два дня до даты отправления.

Решить эту проблему помогают приложения для путешествий, использующие предиктивную аналитику на основе технологий искусственного интеллекта. Отличный пример в данном случае — Hopper.

Приложение использует статические модели и ежедневно сканирует миллиард цен и данных по каждому маршруту. Это позволяет прогнозировать модели ценообразования и оповещать путешественников о возможности купить самые дешёвые билеты на желаемое направление.

Конечно, это не единственная компания, предоставляющая такую услугу. В России широко известны AviaSales, Skyscanner, TripAdvisor и др.

4. IBM: сохранение персонала

Плюс предиктивной аналитики — возможность получить долгосрочные результаты, работающие на цели компании. Чаще всего это получение прибыли. Однако предиктивная аналитика и искусственный интеллект могут помочь не только в этом. С их помощью можно выявить проблемы текучки кадров и предложить пути их решения.

Так, суперкомпьютер Watson IBM оценивает общие факторы, влияющие на уход персонала. По структурированным данным (как на скриншоте ниже) он определяет показатели качества для каждого сотрудника и просчитывает вероятность его увольнения.

Владелец бизнеса или менеджер может использовать эти показатели, чтобы выявить причины возможного ухода сотрудников из компании и предотвратить это. Предиктивная аналитика также позволяет учитывать затраты на привлечение новых кадров и сохранение имеющихся специалистов. Благодаря этому появляется возможность снизить операционные расходы.

5. Under Armour: увеличение охвата аудитории

Компания Under Armour, производитель спортивного инвентаря, использует искусственный интеллект и предиктивную аналитику для анализа тональности публикаций и общественного мнения.

Они хотят понять отношение потребителя к бренду, найти свободные ниши на рынке и расширить аудиторию.

Для этого компания должна чётко знать, кто её потенциальный клиент, и взаимодействовать с ним посредством персонализированных сообщений.

Кроме того, сейчас компания производит не только спортивные товары, но и приложения и устройства, предназначенные для учёта отдельных характеристик организма пользователя (фитнес-трекеры, умные часы и пр.).

Чем больше людей используют эту продукцию, тем больше информации поступает в Under Armour. Так, в год компания получает данные от более чем 200 миллионов зарегистрированных пользователей.

Это позволяет не только связать офлайн- и онлайн-миры, но и даёт понимание, как именно улучшить продукцию.

6. Сбербанк: Big Five и риск-менеджмент

Для банка оценка рисков крайне важна, ведь любой риск — это возможность недополучить доход. Выдавая кредит или совершая другую операцию, банк должен быть уверен, что перед ним платежеспособный человек, не принимающий необдуманных решений. Сейчас для этого совсем не обязательно задавать миллион вопросов. Достаточно проанализировать поведение человека в социальных сетях.

Такую методологию искусственного интеллекта Сбербанк внедрил в свой риск-менеджмент. Она называется Big Five.

Технология позволяет составить психологический портрет личности и оценить его благонадёжность для банка на основе пяти черт характера: добросовестность, открытость, общительность, законопослушность и эмоциональная неустойчивость. Применяя эту методологию, Сбербанк получил $50 млн чистой прибыли.

Герман Греф

глава Сбербанка

Новая нейронная сеть, которую мы запустили, даёт значительно более высокий результат, коэффициент примерно на 8 процентных пунктов выше — это гигантское отличие от того, что было раньше. Это говорит о том, что мы сможем выдавать кредиты значительно быстрее большему количеству предпринимателей. И ставка будет падать.

Сегодня нет ни одной сферы деятельности, где бы компания ни пыталась применить искусственный интеллект: открытие счетов с помощью программного робота, одобрение кредитов без участия человека, оценка работы сотрудников и т. д. В планах у Сбербанка оптимизировать с помощью искусственного интеллекта до 80 % операций.

7. Ingate: технологический сервис для удержания клиентов

Клиент — это доход. Поэтому компания должна учитывать пожелания каждого из них.

А что делать, если у компании десятки, сотни или даже тысячи клиентов? Отследить их настрой на продолжение сотрудничества достаточно сложно, и без предиктивной аналитики и искусственного интеллекта уже не обойтись.

Мы тоже не остались на обочине прогресса и разработали сервис, который позволяет отслеживать готовность клиента к продолжению сотрудничества.

Олег Сахно

руководитель направления исследований Ingate

Для оценки мы учитываем более 100 факторов: как давно клиент заходил в аккаунт, менял в нём информацию, запрашивал отчёты, проверял статистику и т. д. После анализа аккаунт-менеджер получает список клиентов, где в процентах указана вероятность отказа от услуг компании, и связывается с ними для выявления проблем. Останется клиент или уйдет, уже зависит от работы менеджера.

Вот только малая часть примеров использования предиктивной аналитики на основе технологий искусственного интеллекта. Если у вас есть необходимые аналитические данные и люди, которые смогут грамотно их интерпретировать и сформировать прогнозы, не упускайте возможность зарабатывать больше.

*За основу мы взяли статью«5 businesses using AI to predict the future and profit».

Источник: https://blog.ingate.ru/detail/7-primerov-ispolzovaniya-prediktivnoy-analitiki-v-biznese/

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

Предиктивная аналитика

В этой статье мы разберем одно из ключевых понятий цифровизации: что такое предиктивная аналитика и чем она отличается от дескриптивной.

Также рассмотрим на практических примерах, какие виды аналитики больших данных (Big Data) еще бывают и где они используются.

Читайте в нашем сегодняшнем материале, как машинное обучение (Machine Learning) и другая аналитика Big Data помогают руководителям получать целостную картинку всех аспектов бизнеса и принимать эффективные управленческие решения.

4 вида аналитики данных для эффективного управления на практическом IIoT-примере

Начнем с практического определения: аналитика данных – это процесс поиска системных закономерностей в массивах информации и интерпретации найденных фактов с целью получения важных для бизнеса сведений (инсайтов, insights), которые позволят оптимизировать деятельность: увеличить доход, сократить затраты или достичь других важных результатов [1].

Принято выделять 4 вида аналитики данных, отличающихся уровнем сложности работы с информацией и степенью человеческого участия [2]:

  • Описательная (дескриптивная), которая отвечает на вопрос «Что случилось?», создавая сводку исторических данных для их дальнейшего анализа. Например, непрерывный сбор информации с производственного оборудования с помощью smart-датчиков и других IoT/IIoT-устройств позволит точно идентифицировать момент сбоя в технологическом процессе.
  • Диагностическая, которая анализирует информацию, чтобы ответить на вопрос «Почему это случилось?». Здесь используются статистические методы анализа данных с целью их кластеризации, классификации, детализации и обнаружения корреляции, чтобы выявить основные факторы влияния на результаты. В рассмотренном выше примере с промышленным интернетом вещей (Industrial Internet of Things, IIoT) диагностическая аналитика покажет, что авария случилась по причине выхода из строя модуля приемки сырья.
  • Предиктивная (прогнозная, предсказательная), которая прогнозирует неизвестные события в будущем, отвечая на вопрос «Что может случиться?» на основе анализа накопленной информации. Здесь используется множество методов: математическая статистика, моделирование, машинное обучение и другие области Data Science, а также интеллектуальный анализ данных (Data Mining). К примеру, предиктивная аналитика текущих и прошлых показателей работы производственного оборудования заблаговременно определит время его профилактического ремонта, чтобы избежать поломки дорогостоящей техники. Как это работает на практике в нефтегазовой отрасли, мы рассказывали в этой статье.
  • Предписывающая (предписательная), которая отвечает на, пожалуй, главный управленческий вопрос «Что делать?». Здесь машинное обучение и другие методы искусственного интеллекта анализируют все накопленные и обработанные данные, чтобы найти наилучшие решения для конкретной ситуации. В рассматриваемом примере модуль предписывающей аналитики подскажет, какая именно деталь производственного оборудования больше всего износилась и как это исправить наиболее оптимальным с точки зрения экономики образом: заменить на новую или отремонтировать.

Аналитическая пирамида: от описательной к предписывающей аналитики данных

Где еще используются системы аналитики Big Data и как их внедрить

Отметим области деятельности с наиболее высоким спросом на аналитику данных, как дескриптивную, так и предписывающую [3]:

  • медицина – постановка диагноза на основании симптомов болезни, выявление факторов, провоцирующих заболевание, определение склонности к заболеванию в будущем, формирование рекомендаций и выписка лекарств для лечения и профилактики болезней. Впрочем, некорректная настройка модуля Machine Learning в этом случае может привести к трагическим последствиям, о чем мы рассказывали здесь.
  • реклама и маркетинг – определение эффективности промо кампаний, выявление наиболее результативных каналов и форм подачи информации (персонализированный таргетинг), построение рекомендательных систем, формирование спроса на основе интересов пользователя и его поведения в сети, прогнозирование и предупреждение оттока клиентов (Churn Rate), оптимизация ценообразования.
  • страхование и кредитование – точное определение суммы возмещения или кредита, скоринговая оценка клиента. Например, сегодня это уже реализовано в совместном проекте российских банков с компанией Яндекс, когда банки оценивают платежеспособность потенциального заемщика по истории его запросов в поисковой системе. Подробнее об этом мы писали здесь.
  • промышленность – выявление ключевых факторов, влияющих на качество продукции и выполнение производственных процессов, предсказание отказов оборудования, составление графика профилактических проверок и ремонта техники, прогнозирование спроса на продукцию, оптимизация загрузки производственных мощностей и предупреждения о будущих внештатных ситуациях. Реальные примеры промышленного использования Big Data систем предиктивной и предписывающей аналитики на базе IoT/IIoT и Machine Learning читайте тут.
  • финансы и безопасность – выявление и предупреждение случаев мошеннических операций (антифрод-системы), распознавание вредоносных программ и случаев утечки данных, о чем мы рассказывали здесь.
  • управление человеческими ресурсами (HR) – выявление ключевых факторов, влияющих на компетентность сотрудников, составление модели профессиональных компетенций, прогнозирование увольнений, предупреждение профессионального выгорания и рабочих конфликтов [4]. Подробнее об этом мы расскажем в следующей статье.

Внедрение аналитических Big Data систем – это комплексный поэтапный проект, который часто выполняется в рамках цифровизации бизнеса. Предписывающая аналитика находится на вершине пирамиды и опирается на предыдущие уровни: предиктивную, диагностическую и описательную [2].

Поэтому для формирования оптимальных управленческих решений на основе данных необходимо, прежде всего, накопить релевантный объем этой информации, достаточный для корректного обучения алгоритмов Machine Learning.

Некоторые аналитические задачи решаются с помощью современных BI-инструментов, например, коммерческих платформ типа Oracle Data Mining, SAP BusinessObjects Predictive Analysis, SAP Predictive Maintenance and Service, IBM Predictive Insights или open-source решений (KNIME, Orange, RapidMiner) [3].

На практике многие предприятия, вступившие на путь цифровой трансформации, создают собственные системы аналитики больших данных. При этом используются разнообразные технологии Big Data, например, Apache Hadoop – для хранения информации (в HDFS или HBase), Kafka – для сбора данных из различных источников, а Spark или Storm – для быстрой аналитической обработки потоковой информации.

В частности, именно так реализована рекомендательная система стримингового сервиса Spotify, о которой мы рассказывали здесь. Таким образом, организация предиктивной и, тем более, предписывающей аналитики данных – это одна из ключевых задач цифровизации бизнеса.

Виды аналитики данных и вопросы, на которые они отвечают

Как внедрить систему аналитики больших данных и запустить цифровую трансформацию своего предприятия, вы узнаете, пройдя обучение на наших образовательных курсах в лицензированном учебном центре обучения и повышения квалификации руководителей и ИТ-специалистов (менеджеров, архитекторов, инженеров, администраторов, Data Scientist’ов и аналитиков Big Data) в Москве:

  • Аналитика больших данных для руководителей

Источники

Источник: https://www.bigdataschool.ru/blog/types-of-data-analytics.html

Простым языком о предсказательной аналитике

Предиктивная аналитика

Предиктивный анализ – эта технология позволяет провести достаточно точное медиапланирование на основе накопленных данных.

Федор Иванов, старший продакт-менеджер Calltouch, рассказал Adindex, что это такое и чем вам поможет предсказание вашего маркетингового будущего.

Что такое предиктивный анализ

Дословно предиктивный анализ — это предсказательная аналитика, которая использует исторические данные, накопленные по некоторой величине, для прогнозирования поведения этой величины в будущем.

По сути, прогноз строится на основе алгоритмов анализа временных рядов. Возьмем любой показатель, который как-то меняется со временем. Предиктивный анализ анализирует известный отрезок времени, по которому уже накоплены данные, выявляет закономерности и на их основе строит прогноз на будущий период.

Насколько точен прогноз

Эффективность расчета зависит от типа данных для анализа. Если прослеживается явная периодичность изменений, точность прогноза достигает 85%.

Зачем предиктивный анализ маркетологам, агентствам и клиентам

Можно ли использовать прогнозную аналитику для карьерного роста?

Смоделируем такую ситуацию: маркетолог, увидев, что прогноз обещает «не лучшие» времена для компании на ближайшее полугодие, решает уйти в другую фирму. Может он руководствоваться прогнозом?

Предсказательная аналитика показывает возможное будущее с точностью 80–85% при условии, что все останется без изменений (не изменяются субъективные факторы). «Не лучшие» времена наступили не в один момент. Скорей всего, ухудшения нарастали постепенно, и негативная тенденция отразилась в прогнозе. В нашем примере это «звоночек» — пора что-то менять.

Предиктивный анализ в маркетинге и вообще в бизнес-сфере лучше использовать как инструмент медиапланирования. Предположим, клиент хочет знать количество лидов в следующем месяце. С помощью алгоритма легко спрогнозировать это значение.

Можно ли по результатам предиктивного анализа ставить KPI?

Все зависит от типа данных на входе. Когда периодичность изменений четко прослеживается, как в нишах B2B, то — да. Мы видим, что и как было в прошлых периодах. Будущее более-менее известно. В этом случае можно встроить прогноз в KPI, но с запасом на погрешность метода.

Другой пример — когда для анализа берутся редкие данные. Скажем, у клиента было в прошлом месяце 3 лида. Прогноз выдает прибавку в 2 лида. Однако любое случайное изменение может легко исказить предсказание. В таких случаях прогнозные данные нельзя применять для построения KPI.

В целом предсказательную аналитику рекомендуется использовать как инструмент медиапланирования. Например, спрогнозировали 1500 лидов в месяц. Маркетологи ударно поработали и получили результат в 2 раза лучше. Соответственно, значение 1500 лидов можно взять как нижнюю планку для KPI.

Зачем прогнозирование агентствам и клиентам?

Агентствам, как инструмент медиапланирования. Клиентам, скорей всего тоже для этих целей. Скажем, понять, какая на данный момент тенденция в бизнесе — негативная или позитивная, чего ждать в будущем.

Если видится спад, то, возможно, имеет смысл перераспределить бюджеты на другие рекламные каналы или сделать что-то еще.

Всегда лучше понимать, что творится с твоим бизнесом, и строить планы на будущее на основе объективных данных.

Могут ли клиенты использовать данные прогноза, чтобы проверить работу агентства?

Смоделируем такую ситуацию: клиенту обещают 50 лидов в месяц. Агентство уверяет, что это самый потолок их KPI и вообще в нише клиента никто больше 50 лидов не приводит. Клиент заходит в личный кабинет, и предиктивный прогноз выдает ему результат: 150 лидов на ближайший месяц. Может клиент «вскрыть» обман агентства?

Клиент, помимо предиктивного прогноза, получает ежемесячные отчеты агентства по ключевым метрикам. Если он видит, что лидов в прошлом месяце и ранее было в среднем 150, то планируемый показатель в 50 лидов как минимум некорректен. Предиктивный анализ не используют для выявления «плохишей» в агентстве. Это — инструмент медиапланирования.

Ключевой момент, чтобы понимать суть алгоритма.

Предсказательная аналитика строит прогноз на будущее при условии, что никакие «внешние» данные не будут меняться.

Все, что использует алгоритм для расчета, — это значение конкретной метрики на определенный период времени. Больше ничего не известно. Как получили это значение: переработали рекламную кампанию, влили бюджеты, подключили акции и прочее — этого алгоритм не может знать.

Соответственно, точность прогноза будет снижаться, если что-то менять. Подключили новые каналы рекламы, исправили объявления, сделали еще что-то для улучшения ситуации. В итоге добились не прогнозного спада, а реального подъема продаж.

Методика расчета заключается в следующем. Для анализа берутся данные за определенный временной период — это должна быть известная статистика.

Из этого опорного периода искусственно выбирается та часть временного периода, за которую мы располагаем данными. Другую часть, неизвестную машине, но известную людям, используют для теста.

Соответственно, на выходе мы можем оценить точность машинного прогноза, так как нам уже известны результаты второй части данных.

Формула расчета

Прогнозирование временных рядов строится на двух алгоритмах, которые переключаются динамически в зависимости от типа данных:

  1. Метод тройного экспоненциального сглаживания, или алгоритм Хольта-Винтерса. Он хорошо работает, когда в структуре данных прослеживается явная периодичность/сезонность. Например, в B2B-нишах в выходные дни фиксируется спад активности клиентов, а в будни — подъем. Наблюдаем в бизнесе типичный волнообразный цикл. Можно довольно точно спрогнозировать количество лидов, сессий или посчитать другие метрики на будущий период.
  2. Авторегрессия скользящего среднего (ARMA). Второй алгоритм больше подходит для анализа каких-то редких метрик и данных с плохо прослеживаемой взаимосвязью. Словом, там, где трудно установить периодичность/сезонность или постоянные изменения ломают тренды. Вспомним пример про 3 лида в месяц.

В работе этих алгоритмов есть нюанс. Прежде чем строить прогноз, машина изучает входные данные. Обычно берется краткосрочный диапазон дат — неделя, а весь исследуемый временной отрезок дробится на 7-дневные циклы.

Полученные сегменты сравниваются между собой. Неделя к неделе. Вычисляется коэффициент корреляции (взаимная связь). Если он высокий и прослеживается явная периодичность, то применяется метод Хольта-Винтерса.

Когда данные не схожи между собой, подключается алгоритм ARMA.

Какое развитие получит предиктивный анализ в будущем

Можно ли в скором будущем добиться 100% точности прогноза?

100% точности предсказания в принципе невозможно достичь, потому что всегда будут мешать внешние факторы. Может быть, в каких-то идеальных условиях или применяя сверхмощный искусственный интеллект, — это возможно. Правда, ни того, ни другого пока не видно на горизонте.

Представьте: мы хотим со 100% точностью узнать, сколько времени нам понадобится на то, чтобы покрасить стены дома.

У нас есть четыре месяца данных по среднему времени окрашивания аналогичного по параметрам дома для анализа: май, июнь, июль, август, причем данные месяцы были солнечными. Требуется спрогнозировать длительность работы в сентябре.

Машина выдала некоторый результат, но сентябрь выдался дождливым. Понятно, что полученный прогноз не будет отражать объективную реальность.

Поэтому 100% точность — это фантастика. Можно добиться увеличения точности на 5–7 процентных пунктов. Сложно, долго и дорого. Сейчас, при 85%, мы имеем недостаточно быстрый расчет. А при повышении точности и глубины анализа есть опасения не увидеть прогноз никогда.

Новый мир, где все предсказуемо, пока откладывается?

Видимо, да. Это и хорошо. С непредсказуемостью в анализе можно ужиться, если понимать последствия ошибок.

Простой пример. Для бизнеса прогноз выдал 100 лидов на будущий месяц, а по факту вышло 110 или 95. Ничего страшного с компанией не произойдет. А вот что будет, если предсказали падение доллара на 20 копеек, а по факту случился подъем на 50 копеек? Для финансовых организаций и биржевых спекулянтов — это катастрофическая ошибка.

Предиктивный анализ — это не волшебный инструмент для предсказаний всего и везде. Но если прогнозную аналитику использовать для медиапланирования в маркетинге, можно добиться 85% точности прогноза. А это уже серьезно повышает управляемость бизнеса.

Узнать подробнее

Подробнее: https://adindex.ru/publication/opinion/marketing/2019/09/25/275740.phtml?

Источник: https://blog.calltouch.ru/prostym-yazykom-o-predskazatelnoj-analitike/

Ваша работа
Добавить комментарий

;-) :| :x :twisted: :smile: :shock: :sad: :roll: :razz: :oops: :o :mrgreen: :lol: :idea: :grin: :evil: :cry: :cool: :arrow: :???: :?: :!: