Tipuri de analitici predictive
În general, termenul de analitica predictivă este folosit pentru a înțelege modelarea predictivă, „scorul” datelor prin modele predictive și prognoză. Cu toate acestea, oamenii folosesc tot mai mult termenul pentru a se referi la discipline analitice conexe, cum ar fi modelarea descriptivă și modelarea sau optimizarea deciziilor. Aceste discipline implică, de asemenea, o analiză riguroasă a datelor și sunt utilizate pe scară largă în afaceri pentru segmentare și luare a deciziilor, dar au scopuri diferite și tehnicile statistice care stau la baza acestora variază.
Modele predictive
Modelarea predictivă utilizează modele predictive pentru a analiza relația dintre performanța specifică a unei unități dintr-un eșantion și unul sau mai multe atribute sau caracteristici cunoscute ale unității. Obiectivul modelului este de a evalua probabilitatea ca o unitate similară dintr-un alt eșantion să prezinte performanța specifică. Această categorie cuprinde modele din multe domenii, cum ar fi marketingul, unde se caută modele de date subtile pentru a răspunde la întrebări despre performanța clienților, sau modele de detectare a fraudei. Modelele predictive deseori efectuează calcule în timpul tranzacțiilor în direct, de exemplu, pentru a evalua riscul sau oportunitatea unui anumit client sau tranzacție, pentru a ghida o decizie. Odată cu avansarea vitezei de calcul, sistemele individuale de modelare a agenților au devenit capabile să simuleze comportamentul uman sau reacțiile la stimulii sau scenariile date.
Unitățile de probă disponibile cu atribute cunoscute și performanțe cunoscute sunt denumite „eșantion de studiu”. Unitățile din alte eșantioane, cu atribute cunoscute, dar cu performanțe necunoscute, sunt denumite unități de „alt eșantion”. Excedentul de unități de eșantionare nu poartă neapărat o relație cronologică cu unitățile de eșantionare de studiu. De exemplu, eșantionul de studiu poate consta în atribute literare ale scrierilor autorilor victorieni, cu o atribuire cunoscută, iar unitatea de eșantionare poate fi găsită recent cu o autoritate necunoscută; un model predictiv poate ajuta la atribuirea unei lucrări unui autor cunoscut. Un alt exemplu este dat de analiza stropirii cu sânge în scenele de crimă simulate în care unitatea de eșantionare este modelul real de stropi de sânge dintr-o scenă a crimei. Exitul unității de eșantionare poate fi din același timp cu unitățile de studiu, de la o dată anterioară sau de la un moment viitor.
Modele descriptive
Modelele descriptive cuantifică relațiile în date într-un mod care este adesea folosit pentru a clasifica clienții sau perspectivele în grupuri. Spre deosebire de modelele predictive care se concentrează pe prezicerea unui singur comportament al clientului (cum ar fi riscul de credit), modelele descriptive identifică multe relații diferite între clienți sau produse. Modelele descriptive nu clasifică clienții prin probabilitatea de a întreprinde o anumită acțiune așa cum o fac modelele predictive. În schimb, modelele descriptive pot fi utilizate, de exemplu, pentru a clasifica clienții după preferințele lor de produs și etapa de viață. Instrumentele descriptive de modelare pot fi utilizate pentru a dezvolta modele care pot simula un număr mare de agenți individualizați și pot face previziuni.
Modele de decizie
Modelele de decizie descriu relația dintre toate elementele unei decizii – datele cunoscute (inclusiv rezultatele modelelor predictive), decizia și rezultatele prognozate ale deciziei – pentru a prezice rezultatele deciziilor care implică multe variabile. Aceste modele pot fi utilizate în optimizare, maximizând anumite rezultate, minimalizând altele. Modelele de decizie sunt utilizate, în general, pentru a dezvolta logica deciziei sau un set de reguli de afaceri care vor produce acțiunea dorită pentru fiecare client sau circumstanță.
Aplicații ale analiticilor predictive
Cu toate că analiticile predictive pot fi folosite în multe aplicații, vom sublinia câteva exemple în care analiticile predictive au arătat un impact pozitiv în ultimii ani.
Managementul relațiilor cu clienții analitic (CRM)
Managementul relațiilor cu clienții analitic (CRM) este o aplicație comercială frecventă a analiticii predictive. Metodele de analitică predictivă sunt aplicate datelor clienților pentru a urmări obiectivele CRM, care implică construirea unei viziuni holistice a clientului indiferent de locul în care se află informațiile sale în cadrul companiei sau departamentului implicat. CRM utilizează analitici predictive în aplicații pentru campanii de marketing, vânzări și servicii pentru clienți, pentru a numi câteva. Aceste instrumente sunt necesare pentru ca o companie să se poată poziționa și să-și concentreze eforturile în mod eficient pe toată lățimea bazei lor de clienți. Acestea trebuie să analizeze și să înțeleagă produsele în cerere sau care au potențial ridicat de cerere, să prezică obiceiurile de cumpărare ale clienților pentru a promova produsele relevante în punctele multiple de contact și să identifice și să atenueze în mod proactiv problemele care au potențialul de a pierde clienții sau de a reduce capacitatea acestora pentru a câștiga altele noi. Managementul analitic al relațiilor cu clienții poate fi aplicat pe tot parcursul ciclului de viață al clienților (achiziție, creștere relații, retenție și câștig-back). Mai multe domenii de aplicare (marketing direct, vânzări încrucișate, păstrarea clienților) fac parte din managementul relațiilor cu clienții.
Protecția copilului
În ultimii 5 ani, unele agenții de asistență pentru copii au început să utilizeze analitici predictive pentru a semnala cazurile cu risc ridicat.
Sisteme de suport decizional clinic
Experții folosesc analiza predictivă în domeniul îngrijirii medicale, în primul rând pentru a determina care pacienți sunt expuși riscului de a dezvolta anumite afecțiuni, cum ar fi diabetul, astmul, bolile de inimă și alte boli pe durata vieții. În plus, sistemele sofisticate de asistență clinică pentru decizii includ analitici predictive pentru a sprijini luarea deciziilor medicale la punctul de îngrijire. O definiție de lucru a fost propusă de Jerome A. Osheroff și colegii: Sprijinul pentru luarea deciziilor clinice (CDS) oferă clinicienilor, personalului, pacienților sau altor persoane cunoștințe și informații personale, filtrate inteligent sau prezentate la momente adecvate, pentru a îmbunătăți sănătatea și sistemul de sănătate. Acesta cuprinde o varietate de instrumente și intervenții, cum ar fi alerte computerizate și memento-uri, linii directoare clinice, seturi de ordine, rapoarte de date pentru pacienți și tablouri de bord, șabloane de documentație, suport pentru diagnostic și instrumente clinice de flux de lucru.
Analiticile colecțiilor
Multe portofolii au un set de clienți delincvenți care nu își fac plățile la timp. Instituția financiară trebuie să efectueze activități de colectare a acestor clienți pentru a recupera sumele datorate. O mulțime de resurse de colectare sunt risipite 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, a strategiilor de contact, a acțiunilor juridice și a altor strategii pentru fiecare client, crescând astfel semnificativ recuperarea, reducând în același timp costurile de colectare.
Vânzări încrucișate
Deseori, organizațiile corporative colectează și mențin date abundente (de exemplu, înregistrările clienților, tranzacțiile de vânzare), deși exploatarea relațiilor ascunse în date poate oferi un avantaj competitiv. Pentru o organizație care oferă mai multe produse, analizele de predicție pot ajuta la analiza cheltuielilor, a utilizării și a altor comportamente ale clienților, conducând la vânzări încrucișate eficiente sau vânzarea de produse suplimentare clienților actuali. Acest lucru conduce direct la o mai mare rentabilitate pe client și la o relație mai puternică cu clienții.
Retenția clienților
Cu numărul de servicii concurente disponibile, companiile trebuie să-și concentreze eforturile asupra menținerii satisfacției permanente a clienților, recompensând loialitatea consumatorilor și minimizând uzura clienților. În plus, s-a arătat că creșterile mici ale reținerii clienților cresc în mod disproporționat profitul. Un studiu a concluzionat că o creștere cu 5% a ratelor de reținere a clienților va crește profiturile cu 25% până la 95%. Întreprinderile tind să răspundă la renunțarea clientului în mod reactiv, 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 reținere mai proactivă. Printr-o examinare frecventă a utilizării serviciilor anterioare ale unui client, a performanței serviciului, a cheltuielilor și a altor modele de comportament, modelele predictive pot determina probabilitatea ca un client să renunțe în curând. O intervenție cu oferte lucrative poate spori șansa de a păstra clientul. Renunțarea în liniște, comportamentul unui client de a renunța lent, dar constant la utilizare, este o altă problemă cu care se confruntă multe companii. Analitica predictivă poate prevedea, de asemenea, acest comportament, astfel încât compania să poată lua măsurile adecvate pentru a spori activitatea clienților.
Marketing direct
La comercializarea produselor și serviciilor de consum, există provocarea de a ține pasul cu produsele concurente și comportamentul consumatorilor. În afară de identificarea perspectivelor, analiticile predictive pot contribui, de asemenea, la identificarea combinației celor mai eficiente dintre versiunile de produse, materialele de marketing, canale de comunicare și calendare care ar trebui utilizate pentru a viza un anumit consumator. Scopul analiticii predictive este, în general, de a reduce costul per comandă sau costul per acțiune.
Detectarea fraudelor
Frauda este o problemă mare pentru multe companii și poate fi de diferite tipuri: aplicații de credit inexacte, tranzacții frauduloase (offline și online), furturi de identitate și reclamații false de asigurare. Câteva exemple de victime sunt emitenții cărților de credit, companiile de asigurări, comercianții cu amănuntul, producătorii, furnizorii de afaceri și chiar furnizorii de servicii. Un model predictiv vă poate ajuta să eliminați „relele” și să reduceți expunerea unei afaceri la fraudă.
Modelarea predictivă poate fi, de asemenea, utilizată pentru a identifica candidații de fraudă cu risc ridicat în afaceri sau în sectorul public. Mark Nigrini a elaborat o metodă de evaluare a riscurilor pentru identificarea țintelor de audit. El descrie folosirea acestei abordări pentru a detecta frauda în rapoartele de vânzări de franciză ale unui lanț internațional de fast-food. Fiecare locație este înregistrată utilizând 10 predictori. Cele 10 scoruri sunt apoi ponderate pentru a da un scor final de risc final pentru fiecare locație. Aceeași abordare a punctajului a fost utilizată și pentru identificarea conturilor de verificare cu risc ridicat, a agenților de turism potențial frauduloși și a furnizorilor discutați. Un model destul de complex a fost folosit pentru a identifica rapoartele lunare frauduloase depuse de controlori.
Se poate utiliza, de asemenea, analitica predictivă pentru declarațiile fiscale și pentru a identifica frauda fiscală.
Progresele recente în tehnologie au introdus, de asemenea, analiza comportamentului predictiv pentru detectarea fraudei web. Acest tip de soluție utilizează euristicile pentru a studia comportamentul normal al utilizatorilor web și pentru a detecta anomalii care indică încercări de fraudă.
Prezicerea rezultatelor deciziilor legale
Predicerea rezultatelor deciziilor juridice se poate face prin programele IA. Aceste programe pot fi utilizate ca instrumente de asistență pentru profesiile din această industrie.
Previziuni privind portofoliul, produsele sau economia
Adesea, obiectivul 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 pentru gestionarea inventarului. Sau o instituție ar putea fi interesată să prezică rata șomajului pentru anul următor. Aceste tipuri de probleme pot fi abordate prin analitici predictive folosind tehnici de serie. Acestea pot fi abordate și prin învățare automată care transformă seriile de timp originale 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 gestionare a riscurilor, rezultatele sunt întotdeauna de a anticipa și de a beneficia de un scenariu viitor. Modelul de stabilire a prețurilor activelor de capital (CAP-M) „prezice” cel mai bun portofoliu pentru a maximiza rentabilitatea. Evaluarea probabilistică a riscurilor (PRA), combinată cu tehnicile mini-Delphi și abordările statistice, oferă previziuni precise. Acestea sunt exemple de abordări care se pot extinde de la proiect la piață și de la aproape la pe termen lung. Acceptanța și alte abordări ale afacerii identifică managementul riscului ca metodă de predicție.
Acceptanța (Underwriting)
Multe companii trebuie să țină cont de expunerea la risc datorită diferitelor servicii și să determine costul necesar pentru acoperirea riscului. De exemplu, furnizorii de asigurări auto trebuie să stabilească cu exactitate valoarea primei de taxat pentru a acoperi fiecare automobil și șofer. O companie financiară trebuie să evalueze potențialul debitorului și capacitatea acestuia de a plăti înainte de acordarea unui împrumut. Pentru un furnizor de asigurări de sănătate, analiticile predictive pot analiza câțiva ani din datele de revendicări medicale anterioare, precum și de la laboratoare, farmacie și alte înregistrări, dacă sunt disponibile, pentru a prezice cât de scump este un înscris probabil în viitor. Analitica predictivă poate ajuta la subscrierea acestor cantități prin prezicerea șanselor de îmbolnăvire, faliment etc. Analitica predictivă poate simplifica procesul de achiziție a clienților prin prezicerea comportamentului riscului viitor al unui client folosind datele de la nivelul aplicației. Analitica predictivă sub formă de scoruri de credit a redus timpul necesar pentru aprobarea împrumuturilor, în special pe piața ipotecară, unde deciziile de creditare se iau acum în câteva ore, mai degrabă decât zile sau chiar săptămâni. Analitica predictivă adecvată poate duce la decizii corecte de stabilire a prețurilor, care pot contribui la atenuarea riscului viitor de neplată.
Tehnologia și influențele big data
Big data reprezintă o colecție de seturi de date care sunt atât de mari și complexe, încât devine dificil să se lucreze cu instrumentele tradiționale de gestionare a bazelor de date. Volumul, varietatea și viteza datelor mari au generat provocări la nivel global în ceea ce privește captarea, stocarea, căutarea, partajarea, analiza și vizualizarea. Exemple de mari surse de date includ jurnalele web, RFID, datele senzorilor, rețelele sociale, indexarea căutării pe Internet, înregistrările detaliilor apelurilor, supravegherea militară și date complexe în științele astronomice, biogeochimice, genomice și atmosferice. Datele mari sunt nucleul celor mai multe servicii analitice predictive oferite de organizațiile IT. Datorită progreselor tehnologice în hardware-ul computerului, CPU-urilor mai rapide, memoriei mai ieftine și arhitecturilor MPP și a noilor tehnologii precum Hadoop, MapReduce și analiza în bază de date și text pentru procesarea datelor mari, acum este posibil să se colecteze cantități masive de date structurate și nestructurate pentru date noi. De asemenea, este posibil să se ruleze algoritmi predictivi pe date de streaming. Astăzi, explorarea datelor importante și utilizarea analiticilor predictive este accesibilă mai multor organizații decât oricând și sunt propuse noi metode capabile să gestioneze astfel de seturi de date.
Lasă un răspuns