Prediktiv Analytics låser upp stora data
Prediktiv Analytics är "Open Sesame" för världen av Big Data. Det är den prediktiva tekniken som gör det möjligt för datorer att lära sig att förutse individers framtida beteende. I affärsverksamhet kan denna förmåga att förutsäga-som baseras på ytbehandlingsmönster som finns i data-hjälper företag att fatta välgrundade beslut och identifiera risker och möjligheter.
Det är vetenskapen som frigör kraften i Big Data. Och resultaten påverkar alla.
Men det kan verka oskyddbart. Eric Siegel, en tidigare Columbia University professor och grundare av Predictive Analytics World lyfter slöjan på den här ofta arcane världen i sin nya bok "Prediktiv Analytics: Kraften att förutse vem kommer att klicka, Köp Lie eller Die" (Wiley, 2013). I denna primer erbjuder han 147 exempel på hur predictive analytics tillämpas i olika aspekter av liv och näringsliv, alltifrån varför förtidspensionering minskar livslängden på hur företag ser ut sig självständiga privata sanningar - hur Target visar att du är gravid och hur Hewlett- Packard drar av dig att sluta jobba.
Siegel delade nyligen sina tankar om hur den här nya tekniken påverkar hur vi lever och arbetar, och några försiktiga råd om hur vi håller genionen från att springa amok.
MobbyBusiness: Vad är Prediktiv Analytics?
Eric Siegel: Den kortaste definitionen är min boks undertext: Kraften att förutsäga vem som ska klicka, köpa, ljuga eller dö. Prediktiv analys är den teknik som lär sig av data för att göra förutsägelser om vad varje enskild person ska göra - från blomstrande och donera till att stjäla och krascha din bil. Genom att göra så ökar organisationer framgången med marknadsföring, revision, lagstifta, medicinsk behandling, utbildning och till och med att driva en politisk kampanj för president.
MB: Vilka är målen för Prediktiv Analytics?
ES: Prediction är nyckeln till att driva förbättrade beslut, som styr miljoner av personliga handlingar. För vården sparar detta liv. För brottsbekämpning bekämpar den brott. För företag minskar risken, sänker kostnaden, förbättras kundtjänst och minskar oönskat post och spam. Det var en bidragande faktor till presidentvalet från USA.
MB: Vilka var de största hindren för utvecklingen av Prediktiv Analytics?
MB: När blev prediktiv Analytics först realistisk? Var det någon tipppunkt? E:: Med den underliggande tekniken som var etablerad i forskningslabbet var den stora utmaningen att använda prediktiv analys en typ av nödvändig kulturförskjutning. Utöver den tekniska strävan att bygga en prediktiv modell från data, måste de individuella förutsägelser det genererar sedan användas av organisationen, som ageras för att driva operativa aktiviteter. Att integrera predictive analytics på detta sätt och därigenom ändra (och förbättra) "business as usual" medför en organisationsändring som inte händer med fingertopparna.
ES: Även om vi just har nått en tippning peka så långt som den kritiska massan av utbredd användning och allmän medvetenhet, tills nu har det slagit sig upp på världen. Det fanns nischer där det blev vanligt, som att rikta in massiva direktmarknadsföringskampanjer, förutsäga vilka mobiltelefonkunder som riskerar att lämna till en annan trådlös operatör och bestämma risken för en kreditkortsansökare. Dessa har varit ordentligt på plats i minst ett par årtionden. Den bredare användningen för marknadsföring, bedrägeribekämpning, avbeställning av kunder i andra företag, onlineannonsmålning och mycket mer har sedan blivit organiskt sett framgångsrik.
MB: Hur viktigt var det för Predictive Analytics att utveckla verktyg och metoder som hantera ostrukturerad data som text och annat subjektivt material?
E.S.: I vissa projekt är ostrukturerad data kritisk för prediktiv precision. Exempelvis är det för vissa organisationer som behandlar kundserviceagenternas typade anteckningar centrala för att upptäcka kunder som är mer riskfyllda för avbokning. I andra fall finns inga relevanta ostrukturerade data alls tillgängliga.
MB: Vad skiljer det från data mining och business intelligence?
ES: Prediktiv analys passar rätt i det breda "data-driven "Arenan refereras av termer som stor data, data mining, business intelligence och analytics (utan" predictive "). Spänningen kring hur mycket data det finns och dess potential ställer frågan, vad ska vi göra med det, vad är det specifika värdet? Svaret på denna fråga är att lära av det hur man kan förutsäga. Det som gör en direkt skillnad för hur organisationer fungerar är förutsägelse.
MB: Hanterar prediktiv Analytics främst korrelation eller orsakssamband?
E.S:: Korrelation. Orsak är en svårig sak att etablera, och du behöver inte nödvändigtvis det för att kunna förutsäga dig bra. Om vi ser korrelationen att förtidspensionärer har högre hälsorisker, vill vi veta varför - men vi behöver inte faktiskt veta varför för att kunna utnyttja den informationen. Istället blir förtidspensionering en faktor att överväga när man bestämmer om man ska prioritera en patient för ytterligare screening eller annan förebyggande verksamhet.
MB: Prediktiv Analytics något som kan genomföras av små företag och stora?
ES: Ja, och det är ofta. Så länge det finns en tillräckligt lång kundlista för att lära sig, finns det potential. Till exempel, många småföretag utför direktpost (eller online-aktiviteter) över ett stort antal kunder.
MB: Jag har ett litet konsumentledande företag med flera databaser med kundinformation, konkurrenskraftig intelligens, etc. Var börjar jag ?
ES: Det första att bestämma är vilket kundbeteende som ska förutsäga och hur förutsägelserna kommer att ge värde, dvs. vilka åtgärder som ska anpassas med de individuella förutsägelserna. Till exempel, förutsäga vilken kund som köper om det skickas en broschyr för att bestämma vem som är värd att investera $ 2 för att skicka broschyren till.
MB: Varför är vi så datafobiska?
ES: Jag tror att vi blir mycket mindre datafobisk extremt snabbt vid denna tidpunkt. Människor som aldrig kände sig trygga eller bekväma med matematiken kan initialt avskräcka från kvantitativt orienterade begrepp och anta att de är arka och svåra att förstå. Men idén att bestämma "ja mot nej" för varje enskild person om huruvida man ska maila, godkänna, utreda, fängsla eller lägga in en uppdatering - baserat på ett förutsagt beteende för individerna - är inte så elusiv, som folk snabbt upptäcker. Och den grundläggande idén om hur man bildar en förutsägelse för individen baserad på alla kända faktorer visar sig vara lätt för alla att förstå, även utan att komma in i matematiken.
MB: Du skriver att data är världens mest blomstrande onaturlig resurs. Vänligen förklara.
E.S.: Det är jag som är söt och humoristisk. Data är verkligen en blomstrande resurs. "Onaturlig resurs" är ett spel på den välkända frasen "naturresurs", eftersom informationen på en hårddisk (eller miljontals hårddiskar, för den delen!) Troligtvis skulle anses vara artificiell snarare än en del av natur. Hmm, inte så kul när du måste förklara det.
MB: Finns det något som Moores lag som beskriver tillväxten av Predictive Analytics?
ES: Prediktiv analys fortsätter att växa snabbt som alla nya bästa praxis som inte bara är en vinst att anställa, men en konkurrenskraftig nödvändighet. Moores lag kommer in eftersom det berättar hur snabbt data kommer att fortsätta att växa och ju mer data du kan lära av, desto bättre kan du förutse och de fler typerna av beteende som kan förutsägas.
MB: Du är förtjust att citera från "Spiderman" - "Med stor kraft kommer det stora ansvaret." Vad menar du?
E.S.: Med tillkomsten av prediktiv analys ökar organisationer kraft genom att förutsäga potenta, men i vissa fall känsliga insikter om individer. Faktum är att predictive technology avslöjar en framtid som ofta anses vara privat. Dessa förutsägelser härleds från befintliga data, nästan som om man skapar ny information ut ur den tunna luften. Exempelvis inkluderar Hewlett-Packard en anställdes avsikt att avgå, detaljhandlaren Target avleda en kunds graviditet och brottsbekämpning i Oregon och Pennsylvania förutse en dömts framtida upprepningsbrott.
MB: Finns det en mörk sida till Predictive Analytics? Hur kan vi styra det?
E.S.: Som med marknadsföring, brottsbekämpning eller annan verksamhet måste individens behov och rättigheter bli en del av ekvationen. Med aktiviteter som fungerar mycket över många människor finns det alltid risk att förlora platsen för individerna. Det är avgörande att öka allmänhetens förståelse för vad prediktiv analys är, hur den används och en känsla av hur det fungerar för att informera diskussioner, debatter och lagstiftningsaktiviteter.
MB: Prediktiva Analytics algoritmer får alltmer bättre att ta reda på vad vi gillar. Kommer det att döda kreativitet och serendipity? Kan predictive Analytics någonsin producera en iPod?
S:: Jag tror starkt på att detta kraftfulla verktyg hjälper världen och förhöjer mänsklig aktivitet. Prediktiv analys hjälper till att tweak befintliga operationer - det är ett paradigmskifte men det skapar inte nya paradigmskift som iPod. Att driva saker mer intelligent och göra verksamheten effektivare och effektivare (till exempel minska skräppost och skräppost) öppnar bara ytterligare resurser och möjligheter som i sin tur främjar fortsatt mänsklig kreativitet. Det finns inget där för att avskräcka mänsklig kreativitet, och jag ser inte entreprenörer och forskare som planerar att sakta ner någon gång snart.
Följ oss @MBarticles , Facebook eller Google + . Följ oss @MBarticles , Facebook eller Google + .
Hur min familj 96-årig verksamhet stannar Nuvarande
Som alla företagare kan berätta för dig, är det en av de mest utmanande aspekterna att leda ett företag att hålla koll på tiden för att behålla framgång. Oavsett om du tillhandahåller produkter eller tjänster till andra företag eller marknadsföring direkt till konsumenter, förändras tid och köksvanor utvecklas tillsammans med dem.
E-handelssucces: 5 sätt att bygga ditt nätbutik
Eftersom företagare ser ut att få nya företag att köra snabbt, går många direkt online. Nya e-handelsplatser dyker upp varje dag. Nyare forskning visar att det finns mer än 100 000 amerikanska baserade nätbutiker. Men det betyder inte att de alla lyckas. En studie från ReferralCandy upptäckte att mindre än hälften av alla e-handelswebbplatser genererar mer än 25 000 dollar per år.
Populära Inlägg