Top Predictive Analytics Examples: Analytics for Business Success

Analityka predykcyjna to próba przewidywania nieznanych przyszłych zdarzeń lub działań w oparciu o eksplorację danych, statystykę, modelowanie, głębokie uczenie i sztuczną inteligencję oraz uczenie maszynowe. Modele predykcyjne są stosowane w działalności biznesowej, aby lepiej zrozumieć klientów, w celu przewidywania wzorców zakupów, potencjalnych zagrożeń i prawdopodobnych możliwości.

Wśród wszystkich form analityki, być może żadna nie jest bardziej ryzykowna niż analityka predykcyjna, ponieważ jest to w zasadzie wróżenie z fusów, choć w bardzo wyrafinowanej wersji. Business Intelligence, jej poprzedniczka w analityce, to spojrzenie wstecz. Kim byli nasi najlepsi klienci? Jakie były dni wolnej sprzedaży? Jednak w dobie chmury obliczeniowej takie spojrzenie wstecz już nie wystarcza – stąd zapotrzebowanie rynku na narzędzia do analityki predykcyjnej.

Analityka predykcyjna znajduje odzwierciedlenie w dzisiejszych trendach Big Data, a jej narzędzia to w istocie Big Data Technologies. Zapotrzebowanie rynku na oprogramowanie do analityki predykcyjnej odpowiada ściśle powiązanemu zestawowi narzędzi, Big Data Analytics Tools.

Wspólne zastosowania analityki predykcyjnej obejmują, ale nie ograniczają się do:

• Optymalizacja kampanii marketingowych w celu określenia reakcji klientów na kampanie marketingowe lub wzorce zakupów.

• Usprawnianie operacji w celu lepszego zarządzania zapasami i innymi zasobami lub ustalania cen usług na podstawie takich czynników, jak sezonowość.

• Wykrywanie oszustw. Analityka może monitorować aktywność i zauważać lub wychwytywać nietypowe lub odbiegające od normy działania klientów, często w czasie rzeczywistym.

• Zmniejszenie ryzyka. Handlowcy, tacy jak dealerzy samochodowi, używają więcej niż tylko punktacji kredytowej, aby określić, czy zatwierdzić pożyczkę. Patrzą również na takie rzeczy jak roszczenia ubezpieczeniowe i rejestry jazdy, aby określić, czy kupujący stanowi ryzyko.

Przykłady analityki predykcyjnej

Każda branża i sektor wykorzystuje analitykę predykcyjną na różne sposoby. Podzieliliśmy je według branż i przypadków użycia.

Handel detaliczny

Prawdopodobnie największy sektor wykorzystujący analitykę predykcyjną, handel detaliczny zawsze dąży do poprawy swojej pozycji w sprzedaży i nawiązania lepszych relacji z klientami. Jednym z najbardziej wszechobecnych przykładów są rekomendacje Amazona. Kiedy dokonujesz zakupu, Amazon wyświetla listę innych podobnych produktów, które kupili inni nabywcy.

Większość z tych działań ma miejsce przed sprzedażą – z takimi rzeczami, jak prognozowanie sprzedaży i analiza rynku, segmentacja klientów, zmiany w modelach biznesowych, dostosowanie IT do jednostek biznesowych, zarządzanie zapasami w celu uwzględnienia sezonowości i znalezienie najlepszych lokalizacji detalicznych. Ale działa również po sprzedaży, działając w celu zmniejszenia zwrotów, nakłaniając klienta do powrotu i przedłużając sprzedaż gwarancyjną.

Zdrowie

Jedną z wczesnych prób w tym zakresie było Google Flu Trends (GFT). Monitorując zachowania milionów użytkowników śledzących stan zdrowia online i porównując je z historycznym poziomem bazowym aktywności grypy w danym regionie, Google miało nadzieję przewidzieć wzorce grypy. Ale jego liczby okazały się być znacznie zawyżone, dzięki mniej niż idealne informacje od użytkowników.

Ale istnieją inne zastosowania, takie jak przewidywanie epidemii lub problemów zdrowia publicznego w oparciu o prawdopodobieństwo osoby cierpiącej na tę samą dolegliwość ponownie. Lub przewidywanie szans na to, że osoba ze znaną chorobą wyląduje na intensywnej terapii z powodu zmian w warunkach środowiskowych. Może również przewidzieć, kiedy i dlaczego pacjenci są ponownie przyjmowani do szpitala oraz kiedy pacjent potrzebuje opieki behawioralnej.

Sport

Najbardziej znanym przykładem jest Bing Predicts, system przewidywania przez wyszukiwarkę Bing firmy Microsoft. Ma wyniki w 80 percentylu dla konkursów śpiewu, takich jak American Idol, wysoki procent 90s w wyścigach amerykańskiej Izby i Senatu, i poszedł 15 na 15 w 2014 World Cup. Wykorzystuje statystyki i nastroje w mediach społecznościowych, aby dokonać oceny.

Innym przykładem jest to, co jest znane jako „Moneyball”, w oparciu o książkę o tym, jak Oakland Athletics baseball zespół użył analityki i danych opartych na dowodach, aby zmontować konkurencyjną drużynę. Zrezygnowano ze starych wskaźników sukcesu, takich jak liczba uderzeń na bramkę, na rzecz tych pomijanych, takich jak liczba uderzeń na bazę. To doprowadziło Athletics do dwóch kolejnych playoffów.

Pogoda

Prognozowanie pogody poprawiło się skokowo dzięki modelom analityki predykcyjnej. Dzisiejsza pięciodniowa prognoza jest tak dokładna jak jednodniowa prognoza z lat 80-tych. Prognozy tak długie jak dziewięć do dziesięciu dni są teraz możliwe, a co ważniejsze, 72-godzinne prognozy tras huraganów są dokładniejsze niż 24-godzinne prognozy sprzed 40 lat.

Ekstremalny wir polarny, który obniżył temperatury w Wisconsin i Minnesocie do -50 stopni Fahrenheita, został przewidziany kilka dni wcześniej. Wszystko to dzieje się dzięki satelitom monitorującym ląd i atmosferę. Dostarczają one te dane do modeli, które lepiej reprezentują nasze systemy atmosferyczne i fizyczne.

Ubezpieczenia/Ocena ryzyka

Mimo kilku strasznych katastrof w 2017 roku, firmy ubezpieczeniowe zmniejszyły straty w ramach tolerancji ryzyka, dzięki analityce predykcyjnej. Pomogło im to ustalić konkurencyjne ceny w underwritingu, przeanalizować i oszacować przyszłe straty, wychwycić nieuczciwe roszczenia, zaplanować kampanie marketingowe i zapewnić lepszy wgląd w selekcję ryzyka.

Modelowanie finansowe

Modelowanie predykcyjne dla usług finansowych pomaga zoptymalizować ogólną strategię biznesową, generowanie przychodów, optymalizację zasobów i generowanie sprzedaży. Zautomatyzowana analityka finansowa może pozwolić firmom na jednoczesne uruchamianie tysięcy modeli i dostarczanie szybszych wyników niż w przypadku modelowania tradycyjnego.

Osiąga się to poprzez analizowanie strategicznych inwestycji biznesowych, usprawnianie codziennych operacji, zwiększanie produktywności i przewidywanie zmian na obecnym i przyszłym rynku. Bardziej powszechną formą analityki predykcyjnej w usługach finansowych jest system oceny zdolności kredytowej wykorzystywany do zatwierdzania lub odmawiania pożyczek, często w ciągu kilku minut.

Energia

Analityka w elektrowniach może zmniejszyć liczbę niespodziewanych awarii sprzętu poprzez przewidywanie, kiedy komponent może ulec awarii, co pomaga zmniejszyć koszty konserwacji i poprawić dostępność energii.

Usługi komunalne mogą również przewidywać, kiedy klienci mogą otrzymać wysoki rachunek i wysyłać ostrzeżenia dla klientów, aby ostrzec ich, że w danym miesiącu otrzymają wysoki rachunek. Inteligentne liczniki pozwoliły przedsiębiorstwom na ostrzeganie klientów przed skokami napięcia w określonych porach dnia, pomagając im wiedzieć, kiedy ograniczyć zużycie energii.

Analiza mediów społecznościowych

Media społecznościowe online to fundamentalna zmiana w sposobie wytwarzania informacji, zwłaszcza w odniesieniu do przedsiębiorstw. Śledzenie komentarzy użytkowników w mediach społecznościowych umożliwia firmom uzyskanie natychmiastowej informacji zwrotnej i szansy na szybką reakcję.

Nic nie sprawia, że lokalny biznes podskakuje jak zła recenzja na Yelp, ani że sprzedawca reaguje jak zła recenzja na Amazon. Oznacza to zbieranie i sortowanie ogromnych ilości danych z mediów społecznościowych oraz tworzenie odpowiednich modeli, aby wydobyć przydatne dane.

Alertowanie i monitorowanie

To obejmuje szeroki zakres. Tylko w transporcie, nowoczesne samochody mają ponad 100 czujników, a niektóre z nich szybko zbliżają się do 200 czujników. Daje to znacznie dokładniejszy raport niż stara kontrolka Check Engine.

Nowoczesne samoloty mają blisko 6000 czujników generujących ponad 2TB danych dziennie, których człowiek nie jest w stanie szybko przeanalizować. Uczenie maszynowe pozwalające na rozpoznawanie normalnych zachowań, jak również oznak prowadzących do awarii, może pomóc przewidzieć awarię na długo przed jej wystąpieniem.

Internet rzeczy

IDC szacuje, że mniej niż 1 procent danych generowanych obecnie jest analizowanych, a liczba ta będzie rosnąć wraz z pojawianiem się w sieci kolejnych urządzeń IoT, takich jak inteligentne samochody.

Analityka predykcyjna jest potrzebna, aby pomóc w sortowaniu napływających danych, aby wyeliminować bezużyteczne dane i znaleźć te, które są potrzebne do podjęcia inteligentnych działań. W jednym z przykładów firmy Cisco i Rockwell Automation pomogły japońskiemu producentowi sprzętu do automatyzacji skrócić czas przestoju robotów produkcyjnych niemal do zera dzięki zastosowaniu analityki predykcyjnej do danych operacyjnych.