Как заложить фундамент предиктивной аналитики в своей компании?
Любой бизнес работает в условиях неопределенности. Нет уверенности в действиях поставщиков и конкурентов. А принимать решения необходимо уже сейчас. Что, если бы был способ предсказать некоторые события и уменьшить эти мучительные сомнения о грядущем?
ЧТО ТАКОЕ ПРЕДИКТИВНАЯ АНАЛИТИКА?
Предиктивная аналитика - это всеобъемлющее понятие для определения моделей анализа данных и машинного обучения, которые фокусируются на прогнозировании грядущих событий на основе текущих и исторических данных.
Во-первых, нельзя забывать, что данные на выходе предиктивных моделей обычно задаются критериями вероятности. Даже вероятность в 99% не означает, что событие гарантированно произойдет. Несмотря на то, что точность не абсолютная, знание о вероятности события, безусловно, не будет лишним. Если есть вероятность дождя, зонт явно пригодится.
Предиктивная аналитика - это всеобъемлющее понятие для определения моделей анализа данных и машинного обучения, которые фокусируются на прогнозировании грядущих событий на основе текущих и исторических данных.
Во-первых, нельзя забывать, что данные на выходе предиктивных моделей обычно задаются критериями вероятности. Даже вероятность в 99% не означает, что событие гарантированно произойдет. Несмотря на то, что точность не абсолютная, знание о вероятности события, безусловно, не будет лишним. Если есть вероятность дождя, зонт явно пригодится.
ЗАЧЕМ ЭТО НУЖНО КОМПАНИЯМ?
Любая организация может извлечь выгоду из применения предиктивной аналитики. Кстати говоря, вы, вероятно, уже ей пользуетесь, не осознавая того. Например, данные о продажах за предыдущие годы помогают предсказать сезонные колебания спроса - вам не нужны сложные модели машинного обучения, чтобы понимать, что летом мороженое продается гораздо лучше. Но в связи с тем, что это знают все, в этом знании нет конкурентного преимущества. Определение сложных, нелинейных и зачастую неожиданных взаимосвязей между различными бизнес-переменными — именно эти знания гарантируют наибольшую ценность.
НАЧНИТЕ С ДАННЫХ?
Необходимо определить источник поступающих к вам данных, который будет иметь основополагающее значение для предиктивной аналитики. Необходимо понять, каким образом вы собираетесь создавать свой собственный датасет или где вы можете его получить. После чего вы можете решить, какие алгоритмы вы планируете использовать для обработки данных и построения стратегии.
Качество данных имеет первостепенное значение. Помните: если мусор на входе, то мусор и на выходе. Поэтому здесь важна уверенность в источнике данных и доверие к нему. Если данные собираются вручную, то необходимо четкое понимание, откуда они взялись. Если ваши данные пришли от людей, которых вы мотивировали искусственно (например, стимулировали финансовыми вознаграждениями), то, очень важно определить контрольные точки для проверки этих данных. К примеру, пользователи получают очки за правильные прогнозы и теряют очки за неправильные, что гарантирует, что они не просто угадывают их случайным образом.
Серьезно относитесь к конфиденциальности и владению данными.
Скандал вокруг Cambridge Analytica и Facebook не был единственным явлением в своем роде, и все больше подобных историй, вероятно, всплывут уже в ближайшее время. Один и единственно верный способ сбора данных - делать это чисто (открыто/легально).
Всегда объясняйте людям, какие данные вы собираете и для каких конкретных целей. Будьте честны и уважайте своих поставщиков данных: не используйте крошечный шрифт в соглашении для упоминания, что вы ведете сбор данных пользователей.
ПЛАНИРУЙТЕ СВОИ РАСХОДЫ
Данные зачастую являются самым дорогостоящим элементом любой стратегии предиктивной аналитики. Получение, сбор и обработка данных могут требовать немалых средств.
Если вы пытаетесь сразу же приобрести несколько датасетов, помните, что вы конкурируете с очень тяжеловесными кошельками. Хедж-фонды и маркетологи с очень высокой маржой, как правило, яростно жаждут данных.
Начните с собственных данных — это ваше истинное конкурентное преимущество. Даже если вы можете инвестировать большие средства в существующие датасеты, это означает лишь одно - кто-то еще может приобрести то же самое. Вот почему запустить процессы сбора данных внутри вашей организации – лучшее решение.
Один из немногих способов добиться этого - создать пользовательские сети и оптимизировать их так, чтобы пользователи были заинтересованы в предоставлении вам своих данных.
Ваши существующие клиенты, партнеры и сотрудники уже являются частью вашей сети. Задавая им вопросы в открытом и прозрачном формате, вы можете начать создавать свой уникальный датасет, который поможет вам улучшить свой бизнес. Ваши клиенты могут получить лучшее обслуживание, а сотрудники и партнеры могут извлечь выгоду из более жизнеспособной (перспективной) компании.
Как вы уже поняли, мы даже не обсуждали модели машинного обучения. Потому что это последнее в цепи предиктивной аналитики. Вам следует всегда начинать с данных и вопросов, на которые хотите ответить.
Самый эффективный способ построить предиктивную аналитику (и добиться успеха относительно быстро) - использовать гибридный метод: объединение коллективной мудрости с искусственным интеллектом.
Искусственный интеллект может повысить ценность больших объемов данных, предоставляемых пользователями, и позволит вам создать модель предиктивной аналитики, которая отвечает вашей стратегии.
Оригинал: Forbes
Любая организация может извлечь выгоду из применения предиктивной аналитики. Кстати говоря, вы, вероятно, уже ей пользуетесь, не осознавая того. Например, данные о продажах за предыдущие годы помогают предсказать сезонные колебания спроса - вам не нужны сложные модели машинного обучения, чтобы понимать, что летом мороженое продается гораздо лучше. Но в связи с тем, что это знают все, в этом знании нет конкурентного преимущества. Определение сложных, нелинейных и зачастую неожиданных взаимосвязей между различными бизнес-переменными — именно эти знания гарантируют наибольшую ценность.
НАЧНИТЕ С ДАННЫХ?
Необходимо определить источник поступающих к вам данных, который будет иметь основополагающее значение для предиктивной аналитики. Необходимо понять, каким образом вы собираетесь создавать свой собственный датасет или где вы можете его получить. После чего вы можете решить, какие алгоритмы вы планируете использовать для обработки данных и построения стратегии.
Качество данных имеет первостепенное значение. Помните: если мусор на входе, то мусор и на выходе. Поэтому здесь важна уверенность в источнике данных и доверие к нему. Если данные собираются вручную, то необходимо четкое понимание, откуда они взялись. Если ваши данные пришли от людей, которых вы мотивировали искусственно (например, стимулировали финансовыми вознаграждениями), то, очень важно определить контрольные точки для проверки этих данных. К примеру, пользователи получают очки за правильные прогнозы и теряют очки за неправильные, что гарантирует, что они не просто угадывают их случайным образом.
Серьезно относитесь к конфиденциальности и владению данными.
Скандал вокруг Cambridge Analytica и Facebook не был единственным явлением в своем роде, и все больше подобных историй, вероятно, всплывут уже в ближайшее время. Один и единственно верный способ сбора данных - делать это чисто (открыто/легально).
Всегда объясняйте людям, какие данные вы собираете и для каких конкретных целей. Будьте честны и уважайте своих поставщиков данных: не используйте крошечный шрифт в соглашении для упоминания, что вы ведете сбор данных пользователей.
ПЛАНИРУЙТЕ СВОИ РАСХОДЫ
Данные зачастую являются самым дорогостоящим элементом любой стратегии предиктивной аналитики. Получение, сбор и обработка данных могут требовать немалых средств.
Если вы пытаетесь сразу же приобрести несколько датасетов, помните, что вы конкурируете с очень тяжеловесными кошельками. Хедж-фонды и маркетологи с очень высокой маржой, как правило, яростно жаждут данных.
Начните с собственных данных — это ваше истинное конкурентное преимущество. Даже если вы можете инвестировать большие средства в существующие датасеты, это означает лишь одно - кто-то еще может приобрести то же самое. Вот почему запустить процессы сбора данных внутри вашей организации – лучшее решение.
Один из немногих способов добиться этого - создать пользовательские сети и оптимизировать их так, чтобы пользователи были заинтересованы в предоставлении вам своих данных.
Ваши существующие клиенты, партнеры и сотрудники уже являются частью вашей сети. Задавая им вопросы в открытом и прозрачном формате, вы можете начать создавать свой уникальный датасет, который поможет вам улучшить свой бизнес. Ваши клиенты могут получить лучшее обслуживание, а сотрудники и партнеры могут извлечь выгоду из более жизнеспособной (перспективной) компании.
Как вы уже поняли, мы даже не обсуждали модели машинного обучения. Потому что это последнее в цепи предиктивной аналитики. Вам следует всегда начинать с данных и вопросов, на которые хотите ответить.
Самый эффективный способ построить предиктивную аналитику (и добиться успеха относительно быстро) - использовать гибридный метод: объединение коллективной мудрости с искусственным интеллектом.
Искусственный интеллект может повысить ценность больших объемов данных, предоставляемых пользователями, и позволит вам создать модель предиктивной аналитики, которая отвечает вашей стратегии.
Оригинал: Forbes
