Aplicații ale analiticii predictive

Deși analitica predictivă poate fi folosită în multe aplicații, prezentăm câteva exemple în care analitica predictivă a demonstrat un impact pozitiv în ultimii ani.

Management analitic al relațiilor cu clienții (CRM)

Managementul analitic al relațiilor cu clienții (CRM) este o aplicație comercială frecventă a analiticii predictive. Metodele de analitică predictivă sunt aplicate datelor despre clienți pentru a urmări obiectivele CRM, care implică construirea unei viziuni holistice asupra clientului, indiferent unde se află informațiile acestora în companie sau departamentul implicat. CRM folosește analitica predictivă în aplicații pentru campanii de marketing, vânzări și servicii pentru clienți, pentru a numi câteva. Aceste instrumente sunt necesare pentru ca o companie să își poată poziționa și să își concentreze eforturile în mod eficient pe întreaga bază de clienți. Acestea trebuie să analizeze și să înțeleagă produsele solicitate sau să aibă potențialul de cerere mare, să prezică obiceiurile de cumpărare ale clienților pentru a promova produse relevante în mai multe puncte de contact și să identifice și să atenueze în mod proactiv problemele care au potențialul de a pierde clienți sau de a reduce capacitatea de a dobândi alții noi. Managementul analitic al relațiilor cu clienții poate fi aplicat pe tot parcursul ciclului de viață al clienților (achiziție, creșterea relației, reținere și câștigare înapoi). Câteva dintre domeniile de aplicare descrise mai jos (marketing direct, vânzare încrucișată, reținerea clienților) fac parte din managementul relațiilor cu clienții.

Protecția copilului

În ultimii 5 ani, unele agenții de protecție a copilului au început să utilizeze analitica predictivă pentru a semnala cazurile cu risc ridicat. Abordarea a fost numită „inovatoare” de către Comisia pentru Eliminarea Abuzului și Neglijării Copilului (CECANF), iar în comitatul Hillsborough, Florida, unde agenția principală pentru protecția copilului folosește un instrument de modelare predictivă, nu au mai existat decese de copii legate de abuz. în populația țintă până la momentul scrierii acestui articol.

Sisteme de sprijin pentru decizii clinice

Experții folosesc analitica predictivă în îngrijirea sănătății în primul rând pentru a determina ce pacienți sunt expuși riscului de a dezvolta anumite afecțiuni, cum ar fi diabetul, astmul, bolile de inimă și alte boli de-a lungul vieții. În plus, sistemele sofisticate de asistență pentru deciziile clinice încorporează analitica predictivă pentru a sprijini luarea deciziilor medicale la punctul de îngrijire. O definiție de lucru a fost propusă de Jerome A. Osheroff și colegii: ”Suportul pentru deciziile clinice (CDS) oferă clinicienilor, personalului, pacienților sau altor persoane cunoștințe și informații specifice persoanei, filtrate inteligent sau prezentate la momentele adecvate, pentru a îmbunătăți sănătatea și îngrijirea sănătății. Acesta cuprinde o varietate de instrumente și intervenții, cum ar fi alerte și memento-uri computerizate, ghiduri clinice, seturi de comenzi, rapoarte și tablouri de bord cu date despre pacienți, șabloane de documentație, asistență pentru diagnosticare și instrumente pentru fluxul de lucru clinic.”

Un studiu din 2016 al tulburărilor neurodegenerative oferă un exemplu puternic de platformă CDS pentru a diagnostica, urmări, prezice și monitoriza progresia bolii Parkinson. Folosind imagini mari și cu mai multe surse, genetică, date clinice și demografice, acești investigatori au dezvoltat un sistem de sprijin pentru luarea deciziilor care poate prezice starea bolii cu acuratețe, consistență și precizie ridicate. Ei au folosit metode clasice bazate pe modele și învățare automată fără modele pentru a discrimina între diferitele grupuri de pacienți și de control. Abordări similare pot fi utilizate pentru diagnosticul predictiv și prognoza progresiei bolii în multe tulburări neurodegenerative, cum ar fi alzheimer, huntington, scleroza laterală amiotrofică, precum și pentru alte aplicații clinice și biomedicale în care megadatele sunt disponibile.

Analitica colectării

Multe portofolii au un set de clienți delincvenți care nu își fac plățile la timp. Instituția financiară trebuie să întreprindă activități de colectare pe acești clienți pentru a recupera sumele datorate. O mulțime de resurse de colectare sunt irosite pentru clienții care sunt greu sau imposibil de recuperat. Analitica predictivă poate ajuta la optimizarea alocării resurselor de colectare prin identificarea celor mai eficiente agenții de colectare, strategii de contact, acțiuni legale și alte strategii pentru fiecare client, crescând astfel în mod semnificativ recuperarea, reducând în același timp costurile de colectare.

Vânzare încrucișată

Adesea, organizațiile corporative colectează și mențin date abundente (de exemplu, înregistrările clienților, tranzacțiile de vânzare), deoarece exploatarea relațiilor ascunse în date poate oferi un avantaj competitiv. Pentru o organizație care oferă mai multe produse, analitica predictivă poate ajuta la analizarea cheltuielilor clienților, a utilizării și a altor comportamente, ceea ce duce la vânzări încrucișate eficiente sau la vânzarea de produse suplimentare clienților actuali. Acest lucru duce direct la o profitabilitate mai mare per client și la relații mai puternice cu clienții.

Retenția clienților

Având în vedere numărul de servicii concurente disponibile, companiile trebuie să-și concentreze eforturile pe menținerea satisfacției continue a clienților, recompensarea loialității consumatorilor și reducerea la minimum a uzurii clienților. În plus, s-a demonstrat că creșterile mici ale retenșiei clienților cresc profiturile în mod disproporționat. Un studiu a concluzionat că o creștere cu 5% a ratelor de retenție a clienților va crește profiturile cu 25% până la 95%. Companiile tind să răspundă la uzura clienților pe o bază reactivă, acționând numai după ce clientul a inițiat procesul de încetare a serviciului. În această etapă, șansa de a schimba decizia clientului este aproape zero. Aplicarea corectă a analiticii predictive poate duce la o strategie de retenție mai proactivă. Printr-o examinare frecventă a utilizării anterioare a serviciului de către un client, performanța serviciului, cheltuielile și alte modele de comportament, modelele predictive pot determina probabilitatea ca un client să înceteze serviciul în curând. O intervenție cu oferte profitabile poate crește șansa de a păstra clientul. Uzura silențioasă, comportamentul unui client de a reduce încet, dar constant utilizarea, este o altă problemă cu care se confruntă multe companii. Analitica predictivă poate, de asemenea, prezice acest comportament, astfel încât compania să poată lua măsuri adecvate pentru a crește activitatea clienților.

Marketing direct

Atunci când comercializați produse și servicii de consum, există provocarea de a ține pasul cu produsele concurente și cu comportamentul consumatorilor. Pe lângă identificarea potențialilor clienți, analitica predictivă poate ajuta și la identificarea celei mai eficiente combinații de versiuni de produs, materiale de marketing, canale de comunicare și calendar care ar trebui folosite pentru a viza un anumit consumator. Scopul analiticii predictive este, de obicei, de a reduce costul pe comandă sau costul pe acțiune.

Detectarea fraudelor

Frauda este o mare problemă pentru multe afaceri și poate fi de diferite tipuri: cereri de credit inexacte, tranzacții frauduloase (atât offline, cât și online), furturi de identitate și daune de asigurare false. Aceste probleme afectează firmele de toate dimensiunile din multe industrii. Câteva exemple de victime probabile sunt emitenții de carduri de credit, companiile de asigurări, comercianții cu amănuntul, producătorii, furnizorii de la întreprindere și chiar furnizorii de servicii. Un model predictiv poate ajuta la eliminarea „răului” și la reducerea expunere la fraudă a unei companii.

Modelarea predictivă poate fi folosită și pentru a identifica candidații la fraudă cu risc ridicat în afaceri sau în sectorul public. Mark Nigrini a dezvoltat o metodă de evaluare a riscurilor pentru a identifica țintele de audit. El descrie folosirea acestei abordări pentru a detecta frauda în rapoartele de vânzări ale francizaților unui lanț internațional de fast-food. Fiecare locație este punctată folosind 10 predictori. Cele 10 scoruri sunt apoi ponderate pentru a oferi un scor final de risc global pentru fiecare locație. Aceeași abordare a punctajului a fost, de asemenea, utilizată pentru a identifica conturile de cecuri cu risc ridicat, agenții de turism potențial frauduloși și furnizorii dubioși. A fost folosit un model destul de complex pentru a identifica rapoartele lunare frauduloase trimise de controlorii diviziei.

Internal Revenue Service (IRS) din Statele Unite utilizează, de asemenea, analitica predictivă pentru a extrage declarațiile fiscale și pentru a identifica frauda fiscală.

Progresele recente în tehnologie au introdus și analitica comportamentului predictiv pentru detectarea fraudelor web. Acest tip de soluție utilizează euristica pentru a studia comportamentul normal al utilizatorilor web și pentru a detecta anomalii care indică încercări de fraudă.

Predicții la nivel de portofoliu, produs sau economie

Adesea, focalizarea analizei nu este consumatorul, ci produsul, portofoliul, firma, industria sau chiar economia. De exemplu, un comerciant cu amănuntul ar putea fi interesat să prezică cererea la nivel de magazin în scopul gestionării stocurilor. Sau Consiliul Rezervei Federale ar putea fi interesat să prezică rata șomajului pentru anul următor. Aceste tipuri de probleme pot fi rezolvate prin analitica predictivă folosind tehnici de serie cronologică. Ele pot fi, de asemenea, abordate prin abordări de învățare automată care transformă seria temporală originală într-un spațiu vectorial caracteristic, unde algoritmul de învățare găsește modele care au putere predictivă.

Managementul riscului de proiect

Atunci când se utilizează tehnici de management al riscului, rezultatele sunt întotdeauna de a prezice și de a beneficia de un scenariu viitor. Modelul de stabilire a prețului activelor de capital (CAP-M) „prevăd” cel mai bun portofoliu pentru a maximiza rentabilitatea. Evaluarea probabilistică a riscului (PRA) atunci când este combinată cu tehnici mini-Delphi și abordări statistice oferă previziuni precise. Acestea sunt exemple de abordări care se pot extinde de la proiect la piață și de la termen scurt la lung. Subscrierea și alte abordări comerciale identifică managementul riscului ca o metodă predictivă.

Subscrierea

Multe întreprinderi trebuie să țină seama de expunerea la risc datorită serviciilor lor diferite și să determine costul necesar pentru acoperirea riscului. De exemplu, furnizorii de asigurări auto trebuie să determine cu exactitate suma primei de perceput pentru a acoperi fiecare automobil și șofer. O companie financiară trebuie să evalueze potențialul și capacitatea de plată a împrumutatului înainte de a acorda un împrumut. Pentru un furnizor de asigurări de sănătate, analitica predictivă poate analiza câțiva ani de date ale reclamațiilor medicale din trecut, precum și înregistrările de laborator, farmacii și alte înregistrări, acolo unde sunt disponibile, pentru a prezice cât de scump va fi probabil un înscris în viitor. Analitica predictivă poate ajuta la asigurarea acestor cantități prin prezicerea șanselor de îmbolnăvire, implicit, faliment etc. Analitica predictivă poate simplifica procesul de achiziție de clienți prin prezicerea comportamentului de risc viitor al unui client folosind datele la nivel de aplicație. Analitica predictivă sub formă de scoruri de credit au redus timpul necesar pentru aprobarea împrumuturilor, în special pe piața creditelor ipotecare, unde deciziile de creditare sunt luate acum în câteva ore și nu în zile sau chiar săptămâni. Analitica predictivă adecvată poate duce la decizii adecvate de stabilire a prețurilor, care pot ajuta la atenuarea riscului viitor de neplată.

Tehnologia și influențele megadatelor (big data)

Big Data este o colecție de seturi de date care sunt atât de mari și complexe încât devin dificil de lucrat cu ajutorul instrumentelor tradiționale de gestionare a bazelor de date. Volumul, varietatea și viteza de date mari au introdus provocări la nivel general pentru capturare, stocare, căutare, partajare, analiză și vizualizare. Exemple de surse mari de date includ jurnalele web, RFID, datele senzorilor, rețelele sociale, indexarea căutărilor pe internet, înregistrările cu detalii ale apelurilor, supravegherea militară și date complexe din științele astronomice, biogeochimice, genomice și atmosferice. Big Data este nucleul celor mai multe servicii de analitica predictivă oferite de organizațiile IT. Datorită progreselor tehnologice în hardware-ul computerelor — procesoare mai rapide, memorie mai ieftină și arhitecturi MPP — și noilor tehnologii precum Hadoop, MapReduce și analizei în baze de date și text pentru procesarea datelor mari, acum este fezabil să colectați, să analizați și să minați. cantități masive de date structurate și nestructurate pentru noi perspective. De asemenea, este posibil să rulați algoritmi predictivi pe date în flux. Astăzi, explorarea datelor mari și utilizarea analiticii predictive este la îndemâna mai multor organizații mai mult decât oricând și sunt propuse noi metode capabile să gestioneze astfel de seturi de date.

Sursa: Drew Bentley, Business Intelligence and Analytics. © 2017 Library Press, Licență CC BY-SA 4.0. Traducere și adaptare: Nicolae Sfetcu