Grundlagen der großen technologischen Trends in Predictive Analytics

Traditionelle prädiktiven Analysetechniken kann nur geben Einblicke auf der Basis von historischen Daten. Ihre Daten - sowohl vergangene als auch eingehende - können Sie mit einem zuverlässigen Indikator, die Sie bessere Entscheidungen treffen kann helfen, Ihre Geschäftsziele zu erreichen. Das Werkzeug für die Erreichung dieses Ziels ist Predictive Analytics.

Wie zu erkunden Predictive Analytics als Service

Da der Einsatz von Predictive Analytics häufiger und weit verbreitet geworden ist, ist ein Trend (verständlicherweise) hin zu mehr Benutzerfreundlichkeit. Die wohl einfachste Weg, prädiktive Analysen zu verwenden, ist als Software - ob als eigenständiges Produkt oder als Cloud-basierten Dienst von einem Unternehmen, dessen Geschäft zur Verfügung gestellt wird Predictive Analytics-Lösungen für andere Unternehmen bieten.

Wenn die Wirtschaft Ihres Unternehmens ist Predictive Analytics zu bieten, können Sie diese Fähigkeit in zwei große Möglichkeiten bieten:

• Als Stand-alone-Software-Anwendung mit einer einfach zu bedienenden grafischen Benutzeroberfläche: Der Kunde kauft die Predictive Analytics-Produkt und nutzt sie maßgeschneiderte Vorhersagemodelle zu bauen.

• Als Cloud-basierte Reihe von Software-Tools, mit denen der Benutzer ein Vorhersagemodell wählen Hilfe zu verwenden: Der Kunde wendet die Werkzeuge, um die Anforderungen und Spezifikationen des Projekts bei der Hand, und die Art der Daten zu erfüllen, dass das Modell angewendet werden soll. Die Werkzeuge können Vorhersagen schnell zur Verfügung stellen, ohne dass der Kunde in die Funktionsweise der Algorithmen in Gebrauch, der oder die Datenverwaltung beteiligt.

Ein einfaches Beispiel kann so einfach, wie diese drei Schritte sein:

1. Ein Client lädt die Daten auf Ihren Servern oder wählt Daten, die in der Cloud befindet sich bereits.

2. Der Kunde trifft ein Teil des verfügbaren Vorhersagemodell auf diese Daten.

3. Die Kundenrezensionen Erkenntnisse und Prognosen aus den Ergebnissen der Analyse oder Service visualisiert.

Wie auf verteilte Daten für die Analyse aggregieren

Ein wachsender Trend ist Predictive Analytics, um Daten aus den unterschiedlichsten Quellen gesammelt anzuwenden. eine typische Predictive Analytics-Lösung in einer verteilten Umgebung Bereitstellen erfordert die Erhebung von Daten - manchmal große Daten - aus verschiedenen sources- einem Ansatz, der auf Datenmanagement-Funktionen angewiesen sind. Daten müssen gesammelt werden, vorverarbeitet und verwaltet Vor es kann zur Erzeugung von umsetzbare Prognosen berücksichtigt nutzbar werden.

Die Architekten von Predictive Analytics-Lösungen müssen immer das Problem der Gesicht, wie die verschiedenen Datenquellen zu sammeln und zu verarbeiten Daten aus. Betrachten wir zum Beispiel ein Unternehmen, das den Erfolg einer Geschäftsentscheidung zu prognostizieren will, die durch die Auswertung einer der folgenden Optionen eines seiner Produkte betrifft:

• Um setzen Unternehmen Ressourcen in das Verkaufsvolumen erhöhen

• Zur Beendigung der Herstellung des Produkts

• die aktuelle Vertriebsstrategie für das Produkt zu ändern

Die Predictive Analytics-Architekt muss ein Modell entwickeln, die das Unternehmen bei dieser Entscheidung hilft, über das Produkt aus verschiedenen Abteilungen unter Verwendung von Daten:

• Technische Daten: Die Engineering-Abteilung hat Daten über die Spezifikationen des Produkts, seine Lebensdauer und die Ressourcen und Zeit benötigt, um es zu produzieren.

• Verkaufsdaten: Die Verkaufsabteilung hat Informationen über das Verkaufsvolumen des Produkts, die Anzahl der Verkäufe pro Region, und von diesen Verkäufen erzielten Gewinne.

• Kundendaten aus Umfragen, Bewertungen und BeiträgeDas Unternehmen keine eigene Abteilung haben, die, wie die Kunden über das Produkt fühlen analysiert. Werkzeuge existieren jedoch, dass Daten automatisch online gestellt analysieren können und die Haltung der Autoren, Sprecher extrahieren oder zu den Kunden zu einem Thema, ein Phänomen, oder (in diesem Fall) ein Produkt.

  

Zum Beispiel, wenn ein Benutzer eine Bewertung zum Produkt X-Posts, die sagt, # 147-Ich mag Produkt X und ich bin zufrieden mit dem Preis, # 148- a Sentiment-Extraktor automatisch Etiketten diesen Kommentar als positiv.

Solche Werkzeuge können Antworten klassifizieren # 147-glücklich, # 148- # 147-traurig, # 148- # 147-wütend, # 148- und so weiter, stützen die Einstufung auf die Worte, die ein Autor in Text online veröffentlicht verwendet. Im Fall von Produkt X, würde die Predictive Analytics-Lösung benötigen Kundenrezensionen aus anderen Quellen zu aggregieren.

Das Beispiel ist eine Aggregation von Daten aus mehreren Quellen, sowohl intern als auch extern - vom Engineering und Vertriebslinien (intern) und von Kundenrezensionen aus sozialen Netzwerken (extern) aufgelesen - das ist auch ein Beispiel der Verwendung von großen Datenmengen in Predictive Analytics .

Grundlagen der Echtzeit-Daten-Driven Analytics

Liefern Einblicke als neue Ereignisse in Echtzeit ist eine anspruchsvolle Aufgabe auftreten, weil so viel so schnell passiert. Moderne High-Speed-Verarbeitung hat sich die Suche nach Geschäftsinformationen verschoben weg von den traditionellen Data Warehousing und in Richtung Echtzeitverarbeitung.

Aber das Volumen der Daten ist ebenfalls hoch - eine enorme Menge unterschiedlicher Daten aus mehreren Quellen, erzeugt ständig und mit unterschiedlichen Geschwindigkeiten. Die Unternehmen sind bestrebt, für skalierbare Predictive Analytics-Lösungen, die Echtzeit-Erkenntnisse aus einer Flut von Daten ableiten können, die zu tragen scheint # 147-die Welt und alle darin enthaltenen # 148.

Die Nachfrage verstärkt für Daten in Echtzeit zu analysieren und Erzeugen schnell Prognosen. Betrachten Sie das Beispiel aus der Praxis von einer Online-Anzeigenplatzierung zu begegnen, die Sie bereits im Begriff waren, zu einem Kauf entspricht machen. Die Unternehmen sind daran interessiert, Predictive Analytics-Lösungen, die solche Fähigkeiten wie die folgenden zur Verfügung stellen kann:

• Predict - in Echtzeit - die spezifische Anzeige, dass ein Besucher würde höchstwahrscheinlich Klick (ein Ansatz, genannt Echtzeit-Anzeigenplatzierung).

• Spekulieren Sie genau auf, welche Kunden über ein Produkt oder eine Dienstleistung, um zu beenden, die Kunden mit einer Retentions Kampagne zum Ziel (Kundenbindung und Churn-Modellierung).

• Identifizieren Wähler, die durch eine spezielle Kommunikationsstrategie wie zum Beispiel ein Hausbesuch, TV-Werbung, Telefonanruf beeinflusst werden können, oder E-Mail. (Sie können sich vorstellen, die Auswirkungen auf die politische Kampagnen.)

Neben entlang gewünschter Linien Kauf und Abstimmung zu fördern, in Echtzeit Predictive Analytics kann als wichtiges Werkzeug für die automatische Erkennung von Cyber-Attacken dienen.