Dasar-dasar Tren Teknologi Utama dalam Analisis Prediktif Analytics - dummies

Teknik analisis prediktif tradisional hanya dapat memberikan wawasan berdasarkan data historis. Data Anda - baik yang lalu maupun yang masuk - dapat memberi Anda prediktor yang andal yang dapat membantu Anda membuat keputusan yang lebih baik untuk mencapai sasaran bisnis Anda. Alat untuk mencapai tujuan itu adalah analisis prediktif.

Bagaimana cara mengeksplorasi analisis prediktif sebagai layanan

Karena penggunaan analisis prediktif telah menjadi lebih umum dan meluas, tren yang muncul adalah (dapat dimengerti) terhadap kemudahan penggunaan yang lebih besar. Diperdebatkan cara termudah untuk menggunakan analisis prediktif adalah sebagai perangkat lunak - entah sebagai produk mandiri atau sebagai layanan berbasis awan yang disediakan oleh perusahaan yang bisnisnya menyediakan solusi analisis prediktif untuk perusahaan lain.

Jika bisnis perusahaan Anda menawarkan analisis prediktif, Anda dapat memberikan kemampuan itu dalam dua cara utama:

Sebagai aplikasi perangkat lunak mandiri dengan antarmuka pengguna grafis yang mudah digunakan: > Pelanggan membeli produk analisis prediktif dan menggunakannya untuk membangun model prediktif yang disesuaikan. Sebagai perangkat lunak berbasis cloud yang membantu pengguna memilih model prediktif untuk digunakan:
Pelanggan menerapkan alat untuk memenuhi persyaratan dan spesifikasi proyek yang ada, dan jenis data yang model akan diterapkan Alat tersebut dapat menawarkan prediksi dengan cepat, tanpa melibatkan klien dalam cara kerja algoritma yang digunakan atau pengelolaan data yang terlibat.

Contoh sederhana bisa sama mudahnya dengan ketiga langkah berikut:

Klien mengunggah data ke server Anda, atau memilih data yang sudah ada di awan.

Pelanggan menerapkan beberapa model prediksi yang tersedia ke data tersebut.
Ulasan pelanggan memvisualisasikan wawasan dan prediksi dari hasil analisis atau layanan.
Bagaimana menggabungkan data terdistribusi untuk analisis

Tren yang berkembang adalah menerapkan analisis prediktif terhadap data yang dikumpulkan dari beragam sumber. Menyebarkan solusi analisis prediktif yang khas di lingkungan terdistribusi memerlukan pengumpulan data - terkadang data besar - dari sumber yang berbeda; sebuah pendekatan yang harus mengandalkan kemampuan pengelolaan data. Data yang perlu dikumpulkan, diproses sebelumnya, dan dikelola sebelum dapat dianggap bermanfaat untuk menghasilkan prediksi yang dapat ditindaklanjuti. Arsitek solusi analisis prediktif harus selalu menghadapi masalah bagaimana mengumpulkan dan mengolah data dari berbagai sumber data.Pertimbangkan, misalnya, perusahaan yang ingin memprediksi keberhasilan keputusan bisnis yang mempengaruhi salah satu produknya dengan mengevaluasi salah satu opsi berikut:

Untuk memasukkan sumber daya perusahaan ke dalam meningkatkan volume penjualan

Untuk menghentikan pembuatan produk
Untuk mengubah strategi penjualan saat ini untuk produk
Arsitek analisis prediktif harus merancang model yang membantu perusahaan membuat keputusan ini, dengan menggunakan data tentang produk dari berbagai departemen:

Data teknis

: Departemen teknik memiliki data tentang spesifikasi produk, siklus hidup, dan sumber daya dan waktu yang dibutuhkan untuk memproduksinya. Data penjualan
: Bagian penjualan memiliki informasi tentang volume penjualan produk, jumlah penjualan per wilayah, dan keuntungan yang dihasilkan oleh penjualan tersebut. Data pelanggan dari survei, ulasan, dan pos
: Perusahaan mungkin tidak memiliki departemen khusus yang menganalisis bagaimana perasaan pelanggan terhadap produk. Alat ada, bagaimanapun, yang dapat secara otomatis menganalisis data yang diposkan secara online dan mengekstrak sikap penulis, pembicara, atau pelanggan terhadap suatu topik, fenomena, atau (dalam hal ini) suatu produk. Misalnya, jika pengguna mengeposkan ulasan tentang Produk X yang mengatakan, "Saya sangat menyukai Produk X dan saya senang dengan harganya," sebuah

sentimen extractor secara otomatis memberi label komentar ini sebagai positif. Alat semacam itu dapat mengklasifikasikan tanggapan sebagai "bahagia," "sedih," "marah," dan seterusnya, yang mendasarkan klasifikasi pada kata-kata yang penulis gunakan dalam teks yang diposkan secara online. Dalam kasus Product X, solusi analisis prediktif perlu menggabungkan ulasan pelanggan dari sumber eksternal.

Contohnya adalah kumpulan data dari berbagai sumber, baik internal maupun eksternal - dari divisi teknik dan penjualan (internal), dan dari tinjauan pelanggan yang diperoleh dari jaringan sosial (eksternal) - yang juga merupakan contoh penggunaan data besar dalam analisis prediktif

Dasar-dasar analisis data-driven real-time

Menyampaikan wawasan saat peristiwa baru terjadi secara real time adalah tugas yang menantang karena begitu banyak yang terjadi begitu cepat. Pengolahan berkecepatan tinggi modern telah mengalihkan pencarian wawasan bisnis dari pergudangan data tradisional dan pemrosesan real-time.

Tetapi volume data juga tinggi - sejumlah besar data bervariasi, dari berbagai sumber, dihasilkan terus-menerus dan pada kecepatan yang berbeda. Perusahaan sangat menginginkan solusi analisis prediktif terukur yang dapat memperoleh wawasan real-time dari banjir data yang tampaknya membawa "dunia dan semua isinya. "

Permintaan meningkat untuk menganalisis data secara real time

dan menghasilkan prediksi dengan cepat. Pertimbangkan contoh kehidupan nyata untuk menemukan penempatan iklan online yang sesuai dengan pembelian yang telah Anda buat. Perusahaan tertarik pada solusi analisis prediktif yang dapat memberikan kemampuan seperti itu sebagai berikut: Prediksikan - secara real time - iklan spesifik yang kemungkinan besar akan ditampilkan pengunjung (pendekatan yang disebut penempatan iklan real-time >).

Tentukan secara akurat tentang pelanggan mana yang akan keluar dari layanan atau produk untuk menargetkan pelanggan tersebut dengan kampanye retensi ( retensi pelanggan dan pemodelan churn ).
Identifikasi pemilih yang dapat dipengaruhi melalui strategi komunikasi yang spesifik seperti kunjungan ke rumah, iklan TV, telepon, atau e-mail. (Anda bisa membayangkan dampaknya pada kampanye politik.) Selain mendorong pembelian dan pemungutan suara sesuai dengan garis yang diinginkan, analisis prediktif real-time dapat menjadi alat penting untuk mendeteksi secara otomatis serangan cyber.