Analisi predittiva, big data e come farli funzionare per te

L'analisi predittiva è il risultato pratico dei Big Data e della business intelligence (BI). Cosa fai quando la tua azienda raccoglie volumi sconcertanti di nuovi dati? Le applicazioni aziendali odierne si stanno diffondendo in montagne di nuovi dati sui clienti, sul mercato, sull'ascolto sociale e su app in tempo reale, cloud o prestazioni dei prodotti. L'analisi predittiva è un modo per sfruttare tutte queste informazioni, ottenere nuove intuizioni tangibili e stare al passo con la concorrenza.

Le organizzazioni utilizzano l'analisi predittiva in una varietà di modi diversi, dal marketing predittivo e dal data mining all'applicazione di algoritmi di machine learning (ML) e intelligenza artificiale (AI) per ottimizzare i processi aziendali e scoprire nuovi modelli statistici. Fondamentalmente, i computer imparano dai comportamenti del passato su come migliorare alcuni processi aziendali e fornire nuove informazioni su come funziona davvero la tua organizzazione. Ma prima di entrare in tutti gli affascinanti modi in cui le aziende e le società tecnologiche utilizzano l'analisi predittiva per risparmiare tempo, risparmiare denaro e guadagnare un vantaggio rispetto al resto del mercato, è importante parlare esattamente di cosa sia l'analisi predittiva e cosa no.

Che cos'è l'analitica predittiva?

L'analisi predittiva non è un concetto in bianco e nero o una funzione discreta dei moderni gestori di database. È un insieme di tecnologie di analisi dei dati e tecniche statistiche raggruppate sotto un unico banner. La tecnica di base è l'analisi di regressione, che prevede i valori correlati di più variabili correlate sulla base di dimostrare o smentire un particolare assunto. L'analisi predittiva riguarda il riconoscimento di modelli nei dati per la probabilità del progetto, secondo Allison Snow, Senior Analyst of B2B Marketing presso Forrester.

"È fondamentale riconoscere che le analisi riguardano le probabilità, non le assolute", ha spiegato Snow, che copre lo spazio di marketing predittivo. "A differenza dell'analisi tradizionale, quando si applica l'analisi predittiva, non si sa in anticipo quali dati siano importanti. L'analisi predittiva determina quali dati sono predittivi del risultato che si desidera prevedere."

Pensa a un rappresentante di vendita che guarda un profilo principale in una piattaforma di gestione delle relazioni con i clienti (CRM) come Salesforce.com. Supponiamo che il presupposto comprerà il tuo prodotto. Altre ipotesi sono che le variabili sono il costo del prodotto, il ruolo del lead all'interno di un'azienda e l'attuale rapporto di redditività dell'azienda. Ora plopate quelle variabili in un'equazione di regressione e voilà! Hai un modello predittivo da cui estrapolare una strategia efficace per lanciare e vendere un prodotto ai giusti contatti.

A parte l'analisi di regressione (le complessità e i sottoinsiemi di cui è possibile parlare in questo primer di Harvard Business Review ), l'analisi predittiva utilizza anche progressivamente più data mining e ML. Il data mining è esattamente quello che sembra: si esaminano set di dati di grandi dimensioni per scoprire modelli e scoprire nuove informazioni. Le tecniche ML sono, con maggiore regolarità, diventando setacci e picconi per la ricerca delle pepite di dati d'oro. Le innovazioni ML come le reti neurali e gli algoritmi di apprendimento profondo possono elaborare questi insiemi di dati non strutturati più velocemente di uno scienziato o ricercatore di dati tradizionale e con una precisione sempre maggiore man mano che gli algoritmi apprendono e migliorano. È lo stesso modo in cui funziona IBM Watson e toolkit open source come TensorFlow di Google e CNTK di Microsoft offrono funzionalità ML sulla stessa linea.

Il grande cambiamento che alimenta il boom dell'analisi predittiva non è solo il progresso di ML e AI, ma che non sono più solo i data scientist a utilizzare queste tecniche. Gli strumenti di visualizzazione dei dati e BI, insieme ad organizzazioni open source come Apache Software Foundation, stanno rendendo gli strumenti di analisi dei Big Data più accessibili, più efficienti e più facili da usare che mai. Gli strumenti di analisi dei dati e ML sono ora self-service e nelle mani degli utenti aziendali di tutti i giorni: dal nostro venditore che analizza i dati dei lead o dall'esecutivo che cerca di decifrare le tendenze del mercato nella sala del consiglio al rappresentante del servizio clienti alla ricerca di punti critici comuni dei clienti e dei social media il responsabile del marketing misura i dati demografici dei follower e le tendenze sociali per raggiungere il giusto pubblico target con una campagna. Questi casi d'uso sono solo la punta dell'iceberg nell'esplorazione di tutti i modi in cui l'analisi predittiva sta cambiando il business, molti altri dei quali esamineremo di seguito.

Detto questo, l'analisi predittiva non è come una sfera di cristallo o l'almanacco sportivo di Biff Tannen di Back to the Future 2. Gli algoritmi e i modelli non possono dire alla tua azienda oltre l'ombra del dubbio che il suo prossimo prodotto sarà un vincitore di miliardi di dollari o che il mercato sta per espandersi. I dati sono ancora un mezzo per fare un'ipotesi istruita; siamo semplicemente molto più istruiti di prima.

Analisi analitica predittiva, prescrittiva e descrittiva

In un altro rapporto Forrester intitolato "L'analisi predittiva può infondere le tue applicazioni con un" vantaggio sleale ", " l'analista principale Mike Gualtieri sottolinea che "la parola" analisi "in" analisi predittiva "è un termine improprio. L'analisi predittiva non è una branca dell'analisi tradizionale come il reporting o l'analisi statistica. Si tratta di trovare modelli predittivi che le aziende possono utilizzare per prevedere i risultati di business futuri e / o il comportamento dei clienti."

In breve, Snow ha spiegato che il termine "predittivo" indica intrinsecamente la probabilità rispetto alla certezza, abbattendo il panorama degli strumenti di analisi e in che modo si trasforma in analisi prescrittiva.

"L'analisi descrittiva, sebbene non particolarmente" avanzata ", cattura semplicemente le cose che sono successe", ha affermato Snow. "L'analisi descrittiva o storica è il fondamento su cui potrebbe essere sviluppato un algoritmo. Si tratta di metriche semplici ma spesso troppo voluminose per essere gestite senza uno strumento di analisi.

"In generale, dashboard e reportistica sono oggi l'uso più comune per le analisi predittive all'interno delle organizzazioni. Questi strumenti spesso non hanno il collegamento con decisioni aziendali, ottimizzazione dei processi, esperienza del cliente o qualsiasi altra azione. In altre parole, i modelli producono approfondimenti ma non espliciti istruzioni su cosa farne. L'analisi prescrittiva è il punto in cui l'intuizione incontra l'azione. Rispondono alla domanda: "Ora conosco la probabilità di un risultato che cosa si può fare per influenzarlo nella direzione che è positiva per me", sia che si tratti di prevenire clienti che cambiano o fanno una vendita più probabile."

L'analisi predittiva è ovunque

Con l'evoluzione del panorama BI, l'analisi predittiva si sta facendo strada in sempre più casi d'uso aziendali. Strumenti come Scelte dei redattori Tableau Desktop e Microsoft Power BI offrono design e usabilità intuitivi e grandi raccolte di connettori e visualizzazioni di dati per dare un senso ai grandi volumi di dati che le aziende importano da fonti come Amazon Elastic MapReduce (EMR), Google Distribuzioni di BigQuery e Hadoop da giocatori come Cloudera, Hortonworks e MapR. Questi strumenti self-service non dispongono necessariamente delle più avanzate funzionalità di analisi predittiva, ma rendono i Big Data molto più piccoli e più facili da analizzare e comprendere.

Snow ha dichiarato che esiste oggi una vasta serie di casi d'uso per l'analisi predittiva negli affari, dal rilevamento di frodi nei punti vendita (POS), all'adeguamento automatico dei contenuti digitali in base al contesto dell'utente per favorire le conversioni o all'avvio di un servizio clienti proattivo a rischio fonti di entrate. Nel marketing B2B, Snow ha affermato che le imprese e le PMI usano il marketing predittivo per le stesse ragioni per cui usano qualsiasi strategia, tattica o tecnologia: per vincere, fidelizzare e servire i clienti meglio di quelli che non lo fanno.

Analizzando più a fondo, Snow ha identificato tre categorie di casi d'uso del marketing B2B che ha affermato dominano il successo predittivo iniziale e gettano le basi per un uso più complesso dell'analisi predittiva del marketing.

1. Punteggio predittivo: dare la priorità alle prospettive, ai lead e ai conti noti in base alla loro probabilità di agire.

"Il punto di accesso più comune per i marketer B2B nel marketing predittivo, il punteggio predittivo aggiunge una dimensione scientifica e matematica alla prioritizzazione convenzionale che si basa su speculazione, sperimentazione e iterazione per derivare criteri e ponderazioni", ha affermato Snow. "Questo caso d'uso aiuta le vendite e gli esperti di marketing a identificare più rapidamente gli account produttivi, a dedicare meno tempo agli account con meno probabilità di conversione e ad avviare campagne mirate di cross-sell o upsell".

2. Modelli di identificazione: identificazione e acquisizione di prospettive con attributi simili ai clienti esistenti.

"In questo caso d'uso, gli account che hanno mostrato il comportamento desiderato (fatto un acquisto, rinnovato un contratto o acquistato prodotti e servizi aggiuntivi) servono come base per un modello di identificazione", ha affermato Snow. "Questo caso d'uso aiuta le vendite e gli esperti di marketing a trovare preziose prospettive all'inizio del ciclo di vendita, scoprire nuovi operatori di mercato, dare priorità ai conti esistenti per l'espansione e potenziare le iniziative di marketing basate su account (ABM) portando in superficie conti che si può ragionevolmente prevedere che più ricettivo ai messaggi di vendita e marketing ".

3. Segmentazione automatica: i segmenti portano alla messaggistica personalizzata.

"Tradizionalmente i marketer B2B sono stati in grado di segmentare solo per attributi generici, come l'industria, e lo hanno fatto con uno sforzo manuale tale che la personalizzazione si applicava solo a campagne altamente prioritarie", ha affermato Snow. "Ora, gli attributi utilizzati per alimentare gli algoritmi predittivi possono ora essere aggiunti ai record degli account per supportare sia la segmentazione complessa che automatizzata. Questo caso d'uso aiuta le vendite e gli esperti di marketing a guidare le comunicazioni in uscita con messaggi pertinenti, consentire conversazioni sostanziali tra vendite e potenziali clienti e informare la strategia dei contenuti più intelligentemente ".

Gli strumenti di BI e i framework open source come Hadoop stanno democratizzando i dati nel loro insieme ma, a parte il marketing B2B, l'analisi predittiva viene anche inserita in piattaforme software sempre più basate su cloud in una serie di settori. Prendi il sito Web della società di appuntamenti online eHarmony Elevated Careers e la manciata di altri fornitori nello spazio "analisi predittiva per l'assunzione". Queste piattaforme sono ancora agli inizi, ma l'idea di utilizzare i dati per prevedere quali persone in cerca di lavoro sono le più adatte a lavori specifici e le aziende hanno il potenziale per reinventare il modo in cui i manager delle risorse umane (risorse umane) reclutano talenti.

I fornitori di help desk come Zendesk hanno anche iniziato ad aggiungere funzionalità di analisi predittiva al software di help desk. La società ha impregnato la propria piattaforma di poteri predittivi per aiutare i rappresentanti del servizio clienti a individuare le aree problematiche con un sistema di allarme rapido basato sui dati chiamato Satisfaction Prediction. La funzione utilizza un algoritmo ML per elaborare i risultati del sondaggio sulla soddisfazione, gettando variabili tra cui il tempo per risolvere un ticket, la latenza di risposta del servizio clienti e la formulazione specifica del ticket in un algoritmo di regressione per calcolare la valutazione di soddisfazione prevista del cliente.

Stiamo inoltre assistendo a un'analisi predittiva di grande impatto sui profitti su scala industriale e con l'Internet of Things (IoT). Google utilizza algoritmi ML nei suoi data center per eseguire la manutenzione predittiva sulle server farm che alimentano la sua infrastruttura cloud pubblica Google Cloud Platform (GCP). Gli algoritmi utilizzano dati su tempo, carico e altre variabili per regolare preventivamente le pompe di raffreddamento del data center e ridurre significativamente il consumo di energia.

Questo tipo di manutenzione predittiva sta diventando comune anche nelle fabbriche. Le aziende tecnologiche aziendali come SAP offrono piattaforme di manutenzione e assistenza predittive che utilizzano i dati dei sensori dei dispositivi di produzione IoT collegati per prevedere quando una macchina è a rischio di problemi meccanici o guasti. Anche aziende tecnologiche come Microsoft stanno esplorando la manutenzione predittiva delle app aerospaziali, mettendo Cortana a lavorare sull'analisi dei dati dei sensori dei motori e dei componenti degli aeromobili.

L'elenco delle potenziali app aziendali potrebbe continuare all'infinito, da come l'analisi predittiva sta cambiando il settore della vendita al dettaglio a start-up fintech utilizzando la modellazione predittiva sull'analisi delle frodi e il rischio delle transazioni finanziarie. Abbiamo solo graffiato la superficie, sia nei modi in cui diverse industrie potrebbero integrare questo tipo di analisi dei dati, sia nelle profondità in cui gli strumenti e le tecniche di analisi predittiva ridefiniranno il modo in cui facciamo affari in accordo con l'evoluzione dell'IA. Mentre ci avviciniamo alla mappatura reale di un cervello artificiale, le possibilità sono infinite.