Bagaimana Mengenalkan Klasifikasi Data Prediktif Analytics untuk Bisnis Anda - dummies

Jika bisnis Anda belum menggunakan klasifikasi data yang digunakan dalam Analisis prediktif, mungkin sudah saatnya mengenalkannya sebagai cara untuk membuat keputusan manajemen atau operasi yang lebih baik. Proses ini dimulai dengan langkah investigasi: Mengidentifikasi area masalah dalam bisnis di mana data yang tersedia tersedia namun saat ini tidak digunakan untuk mendorong keputusan bisnis.

Salah satu cara untuk mengidentifikasi area masalah semacam itu adalah mengadakan pertemuan dengan analis, manajer, dan pembuat keputusan Anda untuk bertanya kepada mereka apa keputusan berisiko atau sulit yang mereka lakukan berulang kali - dan jenis data yang mereka butuhkan untuk mendukung keputusan mereka.. Jika Anda memiliki data yang mencerminkan hasil keputusan masa lalu, bersiaplah untuk menggambar di atasnya. Proses identifikasi masalah ini disebut fase penemuan .

Setelah tahap penemuan, Anda ingin menindaklanjuti kuesioner individual yang ditujukan kepada pemangku kepentingan bisnis. Pertimbangkan untuk menanyakan jenis pertanyaan berikut:

• Apa yang ingin Anda ketahui dari datanya?

• Tindakan apa yang akan Anda ambil saat mendapatkan jawaban Anda?

• Bagaimana Anda mengukur hasil dari tindakan yang dilakukan?

Jika hasil model analitik prediktif menghasilkan wawasan yang berarti, maka seseorang harus melakukan sesuatu dengannya - lakukan tindakan. Jelas, Anda ingin melihat apakah hasil tindakan itu menambahkan nilai bisnis ke organisasi. Jadi, Anda harus menemukan metode untuk mengukur nilai tersebut - baik dari segi penghematan dari biaya operasional, peningkatan penjualan, atau retensi pelanggan yang lebih baik.

Saat Anda melakukan wawancara ini, mintalah untuk memahami mengapa tugas tertentu dilakukan dan bagaimana penggunaannya dalam proses bisnis. Meminta mengapa hal-hal seperti itu mungkin membantu Anda menemukan realisasi tak terduga. Tidak ada gunanya mengumpulkan dan menganalisis data hanya demi menciptakan lebih banyak data. Anda ingin menggunakan data tersebut untuk menjawab kebutuhan bisnis yang spesifik.

Bagi ilmuwan data atau pemodel, latihan ini mendefinisikan jenis data apa yang harus diklasifikasikan dan dianalisis - sebuah langkah penting untuk mengembangkan model klasifikasi data. Perbedaan mendasar untuk memulai adalah apakah data yang akan Anda gunakan untuk melatih model adalah internal atau eksternal:

• Data internal khusus untuk perusahaan Anda, biasanya diambil dari sumber data perusahaan Anda, dan dapat mencakup banyak tipe data - seperti terstruktur, semi terstruktur, atau tidak terstruktur.

• Data eksternal berasal dari luar perusahaan, sering kali data dibeli dari perusahaan lain.

Terlepas dari apakah data yang Anda gunakan untuk model Anda bersifat internal atau eksternal, Anda harus mengevaluasinya terlebih dahulu. Beberapa pertanyaan cenderung muncul dalam evaluasi itu:

• Seberapa penting dan akuratnya data yang dipermasalahkan? Jika terlalu sensitif, itu mungkin tidak sesuai dengan tujuan Anda.

• Seberapa akurat data yang dimaksud dan jika ketepatannya dipertanyakan, maka kegunaannya terbatas.

• Bagaimana kebijakan perusahaan dan hukum yang berlaku memungkinkan data digunakan dan diproses? Anda mungkin ingin menghapus penggunaan data dengan departemen hukum Anda untuk masalah hukum apa pun yang mungkin timbul. (Lihat sidebar yang menyertainya untuk contoh terbaru yang terkenal.).

Bila Anda telah mengidentifikasi data yang sesuai untuk digunakan dalam pembuatan model Anda, langkah selanjutnya adalah mengklasifikasikannya - untuk membuat dan menerapkan label yang berguna ke elemen data Anda. Misalnya, jika Anda mengerjakan data tentang perilaku pembelian pelanggan, label dapat menentukan kategori data sesuai dengan beberapa kelompok pelanggan yang membeli, sepanjang baris ini:

• Pelanggan musiman dapat menjadi orang yang berbelanja secara teratur atau semi rutin

• Pelanggan berorientasi diskon adalah orang-orang yang cenderung berbelanja hanya jika ada diskon besar yang ditawarkan.

• Pelanggan setia adalah mereka yang telah membeli banyak produk Anda dari waktu ke waktu.

Memprediksi kategori bahwa pelanggan baru akan sesuai bisa sangat bermanfaat bagi tim pemasaran. Idenya adalah meluangkan waktu dan uang secara efisien untuk mengidentifikasi pelanggan mana yang akan diiklankan, menentukan produk mana yang akan direkomendasikan kepada mereka, dan memilih waktu terbaik untuk melakukannya.

Banyak waktu dan uang dapat terbuang jika Anda menargetkan pelanggan yang salah, mungkin membuat mereka cenderung tidak membeli daripada jika Anda tidak memasarkannya terlebih dahulu. Menggunakan analisis prediktif untuk pemasaran yang ditargetkan seharusnya tidak hanya bertujuan pada kampanye yang lebih berhasil, tetapi juga untuk menghindari perangkap dan konsekuensi yang tidak diinginkan.