Das principais tendências tecnológicas em análises preditivas - dummies

As técnicas analíticas preditivas tradicionais só podem fornecer insights com base em dados históricos. Seus dados - tanto passados quanto recebidos - podem fornecer um preditor confiável que pode ajudá-lo a tomar melhores decisões para alcançar seus objetivos comerciais. A ferramenta para atingir esse objetivo é a análise preditiva.

Como explorar a análise preditiva como um serviço

À medida que o uso da análise preditiva tornou-se mais comum e generalizado, uma tendência emergente é (compreensivelmente) em direção a uma maior facilidade de uso. Provavelmente, a maneira mais fácil de usar a análise preditiva é como um software - seja como um produto autônomo ou como um serviço baseado em nuvem fornecido por uma empresa cujo negócio está fornecendo soluções de análise preditiva para outras empresas.

Se o negócio da sua empresa é oferecer análises preditivas, você pode fornecer essa capacidade de duas formas principais:

Como um aplicativo de software autônomo com uma interface gráfica fácil de usar: > O cliente compra o produto analítico preditivo e o usa para criar modelos preditivos personalizados. Como um conjunto de ferramentas de software baseadas na nuvem que ajudam o usuário a escolher um modelo preditivo para usar:
O cliente aplica as ferramentas para cumprir os requisitos e especificações do projeto em questão e o tipo de dados que o O modelo será aplicado. As ferramentas podem oferecer previsões rapidamente, sem envolver o cliente no funcionamento dos algoritmos em uso ou no gerenciamento de dados envolvido.

Um exemplo simples pode ser tão direto quanto essas três etapas:

Um cliente carrega dados em seus servidores ou escolhe dados que já residem na nuvem.

O cliente aplica algum modelo preditivo disponível a esses dados.
O cliente analisa visualizações visualizadas e previsões a partir dos resultados da análise ou serviço.
Como agregar dados distribuídos para análise

Uma tendência crescente é aplicar análises preditivas aos dados coletados de diversas fontes. A implantação de uma solução típica de análise preditiva em um ambiente distribuído requer a coleta de dados - às vezes grandes dados - de diferentes fontes; uma abordagem que deve contar com recursos de gerenciamento de dados. Os dados precisam ser coletados, pré-processados e gerenciados

antes de , ele pode ser considerado útil para gerar previsões acionáveis. Os arquitetos das soluções de análise preditiva devem sempre enfrentar o problema de como coletar e processar dados de diferentes fontes de dados.Considere, por exemplo, uma empresa que preveja o sucesso de uma decisão de negócios que afete um de seus produtos, avaliando uma das seguintes opções:

Para colocar os recursos da empresa no aumento do volume de vendas

Para encerrar a fabricação de o produto
Para alterar a estratégia de vendas atual para o produto
O arquiteto de análise preditiva deve criar um modelo que ajude a empresa a tomar essa decisão, usando dados sobre o produto de diferentes departamentos:

Dados técnicos

: O departamento de engenharia tem dados sobre as especificações do produto, seu ciclo de vida e os recursos e tempo necessários para produzi-lo. Dados de vendas
: o departamento de vendas possui informações sobre o volume de vendas do produto, o número de vendas por região e os lucros gerados por essas vendas. Dados do cliente de pesquisas, críticas e postagens
: A empresa pode não ter um departamento dedicado que analise como os clientes se sentem sobre o produto. Existem ferramentas, que podem analisar automaticamente os dados postados on-line e extrair as atitudes dos autores, falantes ou clientes em direção a um tópico, um fenômeno ou (neste caso) um produto. Por exemplo, se um usuário publicar uma revisão sobre o Produto X que diz: "Eu realmente gosto do Produto X e estou feliz com o preço", um

feeling extractor automaticamente rotula esse comentário como positivo. Tais ferramentas podem classificar as respostas como "feliz", "triste", "com raiva", e assim por diante, baseando a classificação nas palavras que um autor usa no texto publicado on-line. No caso do Produto X, a solução de análise preditiva precisaria agregar revisões de clientes de fontes externas.

O exemplo é uma agregação de dados de múltiplas fontes, tanto internas como externas - das divisões de engenharia e vendas (interna) e de avaliações de clientes obtidas de redes sociais (externas) - que também é uma instância de uso de grandes dados em análises preditivas.

Noções básicas de análise baseada em dados em tempo real

Entregar idéias à medida que novos eventos ocorrem em tempo real é uma tarefa desafiadora, porque tanto está acontecendo tão rápido. O processamento moderno de alta velocidade mudou a busca de informações comerciais a partir do armazenamento de dados tradicional e para o processamento em tempo real.

Mas o volume de dados também é alto - uma enorme quantidade de dados variados, de múltiplas fontes, gerados constantemente e em diferentes velocidades. As empresas estão ansiosas por soluções de análise preditiva escaláveis que possam derivar informações instantâneas de uma inundação de dados que pareça levar "o mundo e tudo o que contém". "

A demanda está se intensificando para analisar dados em tempo real

e gerando previsões rapidamente. Considere o exemplo da vida real de encontrar um posicionamento de anúncios on-line que corresponde a uma compra que você já estava prestes a fazer. As empresas estão interessadas em soluções de análise preditiva que podem fornecer capacidades como as seguintes: Preditar - em tempo real - o anúncio específico que um visitante do site provavelmente deveria clicar (uma abordagem chamada

colocação de anúncios em tempo real >). Especule com precisão sobre quais clientes estão prestes a abandonar um serviço ou produto para segmentar os clientes com uma campanha de retenção ( retenção de clientes e modelos de churn
). Identifique os eleitores que podem ser influenciados através de uma estratégia de comunicação específica, como uma visita domiciliar, anúncio de TV, telefonema ou e-mail. (Você pode imaginar o impacto na campanha política.) Além de incentivar a compra e a votação nas linhas desejadas, a análise preditiva em tempo real pode servir como uma ferramenta crítica para a detecção automática de ataques cibernéticos.