bts防弹少年团演唱会

bts防弹少年团演唱会

2019年的预测分析:什么是可能的,谁在做,以及如何做

《2019年的预测分析:什么是可能的,谁在做,以及如何做》

2009年,Netflix向任何能够将推荐引擎质量提高10%的人提供100万美元。 花了两年时间,但一支球队终于赢了。 Netflix支付了赏金 – 然后忽略了代码。

%E4%BA%8B%E5%AE%9E%E8%AF%81%E6%98%8E“>

获胜的预测引擎不仅无法经济地扩展,它还解决了一个过时的问题:在同样的两年窗口中从邮件到流的转变为Netflix提供了开发更新,更好的算法所需的所有数据。

换句话说,预测分析并不是灵丹妙药。 在此后的十年中,它也没有成为一体。 但是,在2019年,增量收益不再花费100万美元:

  • 你有更多的数据;
  • 存储便宜; 和
  • 云计算几乎可以无限扩展。

这篇文章详细介绍了这些变化,并展示了几家企业 – 而不仅仅是庞然大物 – 如何培养预测分析领域。

过去十年发生了什么变化?

1.更多数据,更多存储,更强大的计算能力

基于云的大规模客户交互存储库(通常称为数据湖)是预测分析应用程序的原始资源。

《2019年的预测分析:什么是可能的,谁在做,以及如何做》
正如G2 Crowd解释的那样,数据湖“允许数据以其最新形式存在,而无需首先进行转换和分析。”( %E5%9B%BE%E5%83%8F%E6%BA%90“>

许多公司已经利用廉价的云存储来存储数据多年 – %E7%94%9A%E8%87%B3%E6%B2%A1%E6%9C%89%E8%80%83%E8%99%91%E5%85%B6%E6%BD%9C%E5%9C%A8%E7%94%A8%E9%80%94” analytics>

收集的数据规模和可访问性的双重增长解决了预测分析实施的两个主要挑战

从历史上看,原始计算能力是另一方面。 Intelligencia%E7%9A%84” andrew pearson>

Pearson继续说道,这也改变了:“ 基于云的分析系统增加了大量的计算机能力。 “越来越强大的系统破解了实时预测分析的大门。

2.一个实时预测的世界

对于一些人来说,“实时”预测分析的时代就在这里。 犹大菲利普斯,总裁,首席技术官兼联合创始人Squark%E5%92%8C%E5%88%9B%E5%A7%8B%E4%BA%BA

我们已经生活在一个“实时”预测分析世界中。 一个简单的预测分析是您在Waze的到达时间。 在匹配某些类型的数字广告时,每毫秒在全球范围内发生数十亿次更复杂的实时预测。

此外,像Mintigo%E5%92%8C

特别是在中端市场,收集数据以转变为预测建模 – CRM系统,社交媒体聚合器,物流和采购系统的工具 – 通常没有友好的API或其他简单的机制来快速收集和解释数据。

这种脱节仍然阻碍了实时预测分析的最基本商业案例。 FanThreeSixty%E7%9A%84%E9%A6%96%E5%B8%AD%E6%95%B0%E6%8D%AE%E7%A7%91%E5%AD%A6%E5%AE%B6David” longstreet>

例如,在我们的体育和娱乐世界中,大多数运动队都不知道体育场内有多少人参加比赛。 团队知道分发了多少张门票; 然而,他们并不是“实时”知道在活动期间有多少人在场地或体育场。

这种知识差距阻碍了工作人员的努力并适当地存放了体育场。 这也是为什么对预测分析的兴趣几乎是普遍的,即使它大大超过了采用率。

3.采用缓慢但兴趣飙升

那么有多少企业正在积极使用预测分析? 根据%E5%BE%B7%E7%B4%AF%E6%96%AF%E9%A1%BF%E5%92%A8%E8%AF%A2%E6%9C%8D%E5%8A%A1%E5%85%AC%E5%8F%B8%E7%9A%84%E7%A0%94%E7%A9%B6“>这一数字与去年基本持平。

《2019年的预测分析:什么是可能的,谁在做,以及如何做》
不到四分之一的企业正在使用预测分析 – 尽管几乎所有企业都希望这样做。 ( %E5%9B%BE%E7%89%87%E6%9D%A5%E6%BA%90“>

然而,兴趣超出了实施范围。 同样的研究表明,90%的企业“至少对高级和预测性分析至关重要”。

那么有23%的人回答预测分析? 让我们来看看。

营销人员可以通过预测分析回答哪些问题?

“他们想要预测一切,”安德伍德说。 谁不想通过月,日和小时知道确切的脚(或网络)流量来简化人员配置(或分配服务器资源)?

但是,安德伍德继续说道,他试图让客户专注于“如果我们能为你预测它,那将会彻底改变你的业务。”

在数字营销方面,菲利普斯概述了无数用于预测分析的用例,包括预测能力:

  • 哪种广告最有效 – 但是你定义有效。
  • 哪些营销活动,渠道,触摸,行为和人口统计特征对业务成果有贡献,这是一种“基于机器学习的归因”。
  • 用户最有可能响应的细分,测试或个性化。
  • 用户点击广告,下载白皮书,回复电子邮件,回复优惠以及您定义的其他客户响应的概率。
  • 哪些线索将转换 – 但您定义转换。
  • 哪些客户会购买一种或多种产品进行交叉销售或追加销售。
  • 将来会发生的购买或收入的数量。
  • 哪些客户将具有高/中/低终身价值。
  • 客户流失。

预测分析的新的机会,那么,是不是可以预测什么 ,但事实上,你可以预测。 您当前分析的历史数据可能会成为预测。

只要确保你有数据。

您需要什么才能开始使用预测分析?

数据,数据和数据。 “优先级1A和1B是数据源,”Underwood说。 无论您是计划许可软件还是雇用外部组织,都是如此。 (两个选项稍后详述。)

所有用途都需要培训数据。 反过来,该训练数据用于构建应用于当前数据的预测模型。 “我们遇到的唯一限制,”菲利普斯指出,“是公司可用于培训的数据。”

多少数据就足够了? 根据菲利普斯的说法:

数千条记录具有足够的正面和负面结果,足以用于营销,销售和产品预测。

并非所有数据都是平等创建(或存储)的

“你必须明白 – 我从小就是在撕票。”

FanThreeSixty的Longstreet听到了场地经理的相同解释,他们在比赛结束后花费了无数个小时来计算存根。 这就是为什么重要数据源可能无法轻易访问或根本无法访问的原因。

Longstreet解释说,在体育场馆中,销售点机器和票证扫描仪仅用于一个目的 – 快速完成交易并保持线路移动。 这些系统不能有效地存储数据以进行提取,也不能处理不间断的服务器请求(除非饥饿的粉丝不介意等待)。

对于安德伍德来说,客户往往属于两个桶中的一个,每个桶中有一半:

  • “理想的客户端有一个内部数据库,可以随时使用。 我们提取数据,构建模型,然后关闭并运行。“
  • 另一半有混合的数据源,其中不可避免地包括由外部供应商管理的离岸SQL数据库(或十个),没有人可以追踪。

将数据源拼接在一起是一个主要的开发项目 ,可能需要创建自定义连接器,设置第三方FTP丢弃,以及其他复杂但不讨好的任务。 然而,这项工作是必要的:模型及其预测只能与它们所构建的数据一样准确。

不要忘记外部数据源

并非所有数据都来自内部资源。 外部数据源(如天气报告)通常是数据湖的重要补充,特别是对于小型企业。 正如安德伍德解释:

餐馆可以使用分析来触发电子邮件发送; 例如,我们可以设置电子邮件平台与国家气象局数据同步,以便在给定都市区域的温度高于90度时发送有关冰茶的电子邮件。

同样,如果系统检测到40 + MPH的阵风,我们可以触发电子邮件发送给特定城市的客户。 这两个用例都在需要的关键时刻吸引消费者,否定下游广告支出并击败竞争对手。

所以你有一个庞大,组织良好的数据集。 你用它做什么?

你如何将数据转化为预测?

虽然数据不足的限制已经消退,但%E5%8F%A6%E4%B8%80%E4%B8%AA%E4%BB%8D%E7%84%B6%E5%AD%98%E5%9C%A8“>

公司需要一个专门的数据科学家团队来解析这些集合,或者需要一个足够强大的软件套件来快速完成。 对于大多数中小型企业而言,这通常意味着解决subpar软件或完全放弃它。

对于各种规模的企业,解决方案分为两个选项:

  1. 购买软件并在内部创建预测。
  2. 支付外部供应商为您开发模型和可视化。

1.预测分析软件

预测分析软件的市场已经膨胀: G2Crowd%E5%9C%A8%E8%AF%A5%E7%B1%BB%E5%88%AB%E4%B8%AD

G2Crowd将IBM%E7%9A%84SPSS” statistics>和SAS%E7%9A%84Advanced” analytics>列为企业级市场领导者。 与RStudio%E4%B8%80%E8%B5%B7“>

然而,从历史上看,即使是行业领先的预测分析软件也不是一种简单的,正确的跳跃体验。 从IBM的SPSS Statistics和RapidMiner%E4%B8%AD%E8%8E%B7%E5%8F%96%E8%BF%99%E4%B8%A4%E4%B8%AA%E7%A4%BA%E4%BE%8B%EF%BC%9A”>

《2019年的预测分析:什么是可能的,谁在做,以及如何做》

《2019年的预测分析:什么是可能的,谁在做,以及如何做》

虽然这些平台功能强大,但用户必须格式化数据文件,链接节点和开发可视化。 学习如何做到这一点 – 并有时间去做 – 是一项专业的全职工作。 (另外要相信是期望Microsoft Word许可证能够写出你的伟大美国小说。)

毫不奇怪,市场正在发生变化。 RapidMiner已经推出了一个SaaS测试版,通过一些手动调整,将Excel表格中的工作数据翻译成对员工保留率的预测:

《2019年的预测分析:什么是可能的,谁在做,以及如何做》
Excel中的数据集 – 大多数营销人员已经习惯的起点。
《2019年的预测分析:什么是可能的,谁在做,以及如何做》
RapidMiner在处理数字之前解析Excel文件。
《2019年的预测分析:什么是可能的,谁在做,以及如何做》
生成的可视化显示工具的预测性能以及数据集和保留之间的相关性。

一些公司,如Squark的Phillips,将用户友好的SaaS模型视为未来:

我们正在使数据科学民主化,以便具有有限或无数据科学或工程技能的人可以预测。 您只需上传数据并单击下一步。 我们做了所有繁重的工作。

我们的智能决定了您的依赖变量和自变量以及要运行的分析类型。 您可以选择我们的选项或覆盖它们 – 从回归,我们可以进行预测和优化,到二进制和多类分类,我们可以预测结果的概率。

《2019年的预测分析:什么是可能的,谁在做,以及如何做》
用户友好的SaaS模型使营销团队无需数据科学家就能更容易地访问预测分析。

像Squark一样, %E9%BA%BB%E7%9C%81%E7%90%86%E5%B7%A5%E5%AD%A6%E9%99%A2%E7%9A%84Endor%E8%BF%BD%E6%B1%82%E8%BF%99%E6%9D%A1%E9%81%93%E8%B7%AF%E3%80%82″>

对于人类观察者来说,包含不考虑或可行性的切向数据集是预测分析的一个重复优势。 恩多的创作者提供了一个例子:

一家银行的营销部门问:“谁将在未来六个月内获得抵押贷款?”机器学习引擎可能会检测出拥有银行信用卡和高信用评分的5000名客户,以及结婚 – 其中许多可能是误报。

Endor会检测更多特定群集,例如即将结婚或正在离婚的夫妇,最近将创业公司出售给Facebook的创始人,或最近从当地房地产课程毕业的客户。

当然,如果您想完全外包流程,外部供应商可以为您组织数据,构建模型和可视化预测。

2.外部供应商

提供定制解决方案的代理商

对于大多数客户而言,Futurety首先要确定关键业务问题 – 而不是特定的指标或可视化。 客户可能会进行一次性项目,每年重新运行数据或正在进行的工作。

“最终的结果并不总是很清楚,”安德伍德解释道。 “当我们向接近结果的人提供服务时,就像营销经理一样,他们通常对模型,发现和背后的数学感到满意。”

“最终结果”可能是几件事:

  • 与第三方平台(如电子邮件客户端)集成,以自动执行预测性消息传递。
  • 纯文本预测答案指导从业者。
  • 强大的可视化,以展示C-Suite的流程和价值。

在每次合作结束时,Futurety将模型交付给客户进行管理和维护。

工作中的预测分析
  • Futurety拥有一个小型企业客户,帮助有抱负的表演艺术专业学生进入他们梦想的大学。 但很少有高中生对优秀课程有广泛的了解。 他们通常只知道一个名字:Julliard。
  • Futurety在三年的贴装数据上培训了其模型。 然后,使用输入公共门户的新学生数据,预测学生将被接受并在学业上取得成功。
  • Futurety每年更新的预测分析模型根据成绩和不同音乐或艺术风格的因素,为学生提供一个简单的推荐学校列表。
  • 该模型考虑了过去的展示位置是否毕业或获奖。

一体化利基供应商

FanThreeSixty服务于狭窄的市场:体育场馆。 因为他们使用相对一致的数据集季票,特许权和纪念品销售 – 他们知道商业问题,数据结果和相关可视化的范围。

这种一致性激励了像FanThreeSixty这样的小众供应商开发专有仪表板,以推广给所有客户。

《2019年的预测分析:什么是可能的,谁在做,以及如何做》
FanThreeSixty编译风扇数据以部署预测消息。

界面允许Longstreet的团队将数据科学保留在后台:“机器学习的秘诀在于你在幕后被提示。”

完全蒸馏,FanThreeSixty的目标(以及Longstreet对他在晚宴上扮演的角色的解释)是“帮助团队销售更多门票和热狗”。

工作中的预测分析
  • FanThreeSixty挖掘历史数据,了解哪些特许经营最常见于大联盟足球场的热狗购买。
  • 如果客户购买热狗,则会提示特许工作人员询问客户是否想要添加最受欢迎的伴奏。 该建议 – 对风扇欲望的预测 – 基于其他变量而变化。
  • 预测考虑了20多个数据集 – 从季票持有者的家庭位置到天气 – 在比赛之前,期间和之后定制消息。
  • 例如,在寒冷天气的游戏中,FanThreeSixty可以使用量身定制的优惠券自动推送推送通知,例如为四口之家购买三送一热巧克力。

无论解决方案是内部管理还是外部管理,它们在企业业务中一直很常见。

预测分析在企业级使用案例

大型组织的营销部门多年来一直使用%E9%A2%84%E6%B5%8B%E5%88%86%E6%9E%90“>

  • AutoTrader。 AutoTrader使用其每月4000万访问者的数据来更好地了解有时漫长的客户旅程。 他们根据搜索行为建立了倾向模型,并创造了高价值的相似观众。
  • Editialis。 法国出版商在其电子邮件活动中使用预测分析来“预测个人层面的参与度。”结果,他们看到点击率大幅上升。

预测分析还可以协调离线和在线交互,为公司拥有实体产品或店面的营销人员提供%E4%B8%A4%E4%B8%AA%E6%98%8E%E7%A1%AE%E7%9A%84%E7%94%A8%E4%BE%8B“>

  1. 改善定价。 智能手机数据记录店内浏览习惯,以改善在线或离线营销目标,近似于电子商务公司所享有的优势。
  2. 库存管理。 完整的仓库需要花钱; 空架子花钱。 将在线数据(例如搜索模式)折叠到销售数据中可以更好地管理库存,尤其是在区域和本地层面。

除了外部营销活动, 预测分析还支持内部项目管理。 大型营销广告系列包含许多活动部分 – 新的广告系列需要新的广告素材,新的文案,新的目标网页等。

协调这些团队的参与并准确估计发射时间是复杂的。 许多人未能做到正确,有时费用很高。

《2019年的预测分析:什么是可能的,谁在做,以及如何做》
除了外部活动之外,营销人员和软件企业可以使用预测分析进行内部项目管理。

%E6%AD%A3%E5%A6%82%E9%BA%A6%E8%82%AF%E9%94%A1%E6%8C%87%E5%87%BA%E7%9A%84%E9%82%A3%E6%A0%B7“>

虽然每个开发项目都是独一无二的,但项目中潜在的复杂性驱动因素是相似的,可以量化。 如果公司了解新项目涉及的复杂性,他们可以估算完成项目所需的工作量和资源。

预测分析模型“不仅考虑了项目的复杂性(功能和实施方面),还考虑了团队环境的复杂性。”

工作中的预测分析:

麦肯锡提供的更准确的内部项目管理可能会产生重大影响:

  • 一家公司最初计划进行产品更新,大约需要300个人一周的工作量,这是根据当前产品和新设计之间有限的变化数量进行的估算。
  • 但是,该估计未能考虑到计划更新会影响许多不同团队的事实。 预测分析模型确实将其考虑在内,并估计该项目需要三到四倍的时间。
  • 因此,公司将工作限制在原始产品团队,使他们能够按时交付更新。

除了帮助企业解决内部和外部挑战,预测分析也是一些企业的基础。

建立预测分析业务

招聘平台Scout” exchange>首席执行官Ken Lazarus有一个优势 – 该公司已经存在了五年。

这意味着该公司的数据源已经准备好进入其预测模型,将公司与合适的招聘人员配对。

《2019年的预测分析:什么是可能的,谁在做,以及如何做》
Scout Exchange的预测将公司与合适的招聘人员配对。

Lazarus和他的团队发现,就业安置的唯一最佳预测因素是招聘人员的记录。 相比之下,将正确的职务描述与正确的简历配对仍然非常困难。

“工作规格很可怕,”他感叹道。 “数据不在纸上。 简历也非常糟糕。“(数据增加,例如技能测试和视频采访解码,Lazarus指出,提供了潜在的改进。)

尽管如此,仍有漏洞。 候选人永远不会在他们的简历中披露负面信息,重要信息可能永远保持“非数据”,例如候选人是否是一个良好的“文化适应”。

缩放数据收集

Scout Exchange通过专注于企业客户来磨练其预测 – 其算法充分利用了财富 500强客户的数百或数千个空缺。

因此,该平台每月需要大约100万个数据点,每个新的工作岗位都会产生额外的50个数据点。

《2019年的预测分析:什么是可能的,谁在做,以及如何做》
更高的雇主评级表明雇主比他或她的同龄人更敏感。 同样,更高的招聘人员评级表明招聘人员比他或她的同龄人更有可能成功提交可接受的候选人。

尽管如此,招聘人员及其客户的人工评估仍然是必要的。 拉撒路画了一个平行的话:“你能让机器学习挑选你的妻子吗? 不,但是你会让它选择合适的媒人来帮助你找到一个配偶吗? 是。”

那些试图解决最复杂的人类问题的人甚至不在商业世界中。

具有生死攸关的后果的预测分析

预测分析面临的最大挑战是那些处理复杂,个性化的人类行为的挑战,例如患者或危机线路的短信可能会自杀。

由于成功或失败是以人的生命来衡量的,因此这些挑战也是最紧迫的。 虽然这些项目超出了营销和业务的范围,但它们表明了预测分析在发展过程中的潜力。

“REACH VET并不是试图找到那个坐在停车场的老兵,他的膝盖上有一把枪,”退伍军人事务部创新副主任Aaron Eagan %E5%9C%A8%E5%8D%8E%E7%9B%9B%E9%A1%BF%E4%BC%9A%E8%AE%AE%E4%B8%8A%E8%AF%B4“>

“我们发现,”伊根继续说道,“那些自杀风险最高的退伍军人[也有]显着提高了全因死亡率,事故道德,过量,暴力,[和]阿片类药物的比率。”主动警报触发医生检查-ins改善了初级保健预约出勤率,减少了心理健康问题的住院率。

《2019年的预测分析:什么是可能的,谁在做,以及如何做》

该项目类似于Periscope” data text line>的%E5%90%88%E4%BD%9C%EF%BC%8CCrisis” text line>是一个基于文本的自杀热线。

该计划依靠自然语言处理和预测分析,分析了对话,预测趋势,并培训了超过13,000名志愿者。 结果?

  • 等待时间减少到不到5分钟,这是一个操作目标。
  • 高峰时段的容量增加了10%。
  • 根据机器识别的紧急程度确定响应的优先级。

Endor的技术也%E9%9D%A2%E4%B8%B4%E7%9D%80%E7%B1%BB%E4%BC%BC%E7%9A%84

在与美国国防高级研究计划局的合作项目中,该平台还分析了移动数据,以确定预测未来骚乱的模式。

结论

预测分析并不能免受批评:GDPR拒绝了一些使数据湖膨胀的收集方法。 并非所有预测,即使是最准确的预测,也都很受欢迎。 (众所周知, Target%E6%A0%B9%E6%8D%AE%E7%9C%8B%E4%BC%BC%E8%89%AF%E6%80%A7%E7%9A%84%E8%B4%AD%E7%89%A9%E4%B9%A0%E6%83%AF

预测分析专家指出,他们的算法在值之间搜索模式,而不是值本身。 无论如何,数据不足不会阻碍行业的扩张 – 物联网,可穿戴设备和其他数据采集器已经补充了传统的网络和应用分析。

用户友好的SaaS平台仍然是一个新兴的机会。 对于大多数企业而言,从历史数据创建模型和预测仍然需要专门的员工来导航复杂的软件解决方案或将该工作外包给供应商。

对于那些推迟预测分析项目,直到SaaS选项更加成熟,您最好继续填充数据湖。

相关文章

点赞

发表评论

电子邮件地址不会被公开。 必填项已用*标注