Прогноз руководство аналитика

Предиктивная аналитика (от английского “predictive analytics”) — это предсказательная или прогнозная аналитика.

Если разбираться глубже, то это совокупность методов анализа данных с их интерпретацией, которая помогает на основе прошлых событий принять с большой точностью верное решение в будущем.

Происходит это за счет нахождения параметров среди данных, которые влияют на другие. Далее определяется степень влияния, и происходит магия: Вы получаете картину того, как изменится Ваш бизнес, если какой-то параметр изменит свое значение.

История данной методики берет свое начало с 40-х годов прошлого столетия, когда команда под руководством Алана Тьюринга пытались взломать шифровальную машину Фашистской Германии “Энигма”.

Сложность данной операции заключалась в том, что алгоритм Энигмы менялся каждые 24 часа, и его не успевали взламывать

Алан Тьюринг, британский математик, изобретатель вычислительной “Машины Тьюринга” предположил, что в любом случае есть какая-либо корреляция между символами, осталось лишь ее вычислить. Но для этого требовалось хоть что-то, что есть в каждом зашифрованном сообщении.

Немцев подвела их идеология — в каждом их сообщении была ритуальная для них фраза “Да здравствует Гитлер”.

Вычислив алгоритм составления этой фразы, а именно, соответствие зашифрованных символов символам из реальной фразы, команде тьюринга удалось разгадать “Код Энигмы”. Кстати, считается, что как раз это и позволило значительно сократить Вторую мировую войну.

P.S. На эту тему снят потрясающий, на мой взгляд, фильм “Игра в имитацию” 2014 года.

Ну и после этот метод предиктивной аналитики начал успешно применяться и в других вычислительных задачах, что позволило родиться тому, на основе чего я написал эту статью.

Зачем нужна бизнесу

Предикативная аналитика дает преимущество перед Вашими конкурентами. Представьте, что Вы всегда владеете прогнозной информацией, знаете, что будет с бизнесом завтра, и какое решение более оптимальное в этой ситуации.

Важно. Сразу хочу извиниться перед математиками: это статья будет написана простыми словами, и для лучшего понимания, термины могут быть заменены на человеческие понятия, а принципы описаны ненаучно.

А теперь я Вам расскажу, как бы Вы его принимали, опираясь на предиктивную аналитику. Только учтите, что это лишь малая часть способов её применения.

Кстати. Для поиска конкурентов рекомендую следующие сервисы: Livedune (по промокоду «INSCALE» скидка 30% +7 дней доступа), Spywords (по промокоду INS_613070 скидка 10%), Keyso. Они точно помогут Вам держать руку на пульсе.

1. Оптимизация в ритейле и FMCG

В них это работает следующим образом: если Вы знаете, какие продукты пользуются спросом у покупателей, можно решить сразу несколько задач: каких товаров и сколько должно быть постоянно в Вашем магазине (интернет-магазине), что предложить покупателю вдобавок к его покупке, какую цену оптимально установить на определенный товар.

Пример:

Вы владелец интернет-магазина одежды. У Вас есть информация, что 80% клиентов мужского пола вместе с пиджаком покупают еще и рубашку.

Так вот, зная это, Вы сможете предлагать всем мужчинам, которые заказали только пиджак, заказать еще и рубашку. Наверняка многие согласятся, т.к. статистика не врет. Тем самым Вы повысите средний чек заказа.

2. Оптимизация производства

Если Вы собираете информацию о параметрах, влияющих на работу оборудования, а не надеетесь только на инструкцию по эксплуатации, то намного проще предотвратить его поломки и провести необходимое обслуживание.

Пример:

У Вас своя конвейерная линия, и уже не раз случалось, что при повышенных температурах воздуха оборудование выходит из строя. Зная это и прогноз погоды на ближайшее время, Вы сможете предотвратить повышение температуры в цеху, тем самым избежите простоя.

3. Обнаружение мошенничества

Если у Вас есть статистика по недобросовестным клиентам, например, по их полу, возрасту, профессии и другим признакам, то Вы сможете их отсеивать еще на стадии анкетирования.

Пример:

Вы занимаетесь банковскими услугами, и у Вас есть собранная информация о том, что клиенты от 18 до 21 года, а также судимые чаще всего не производят выплаты по кредитам. Зная это, Вы можете не сотрудничать с клиентами из этих сегментов.

4. Управление рисками

Если в Вашем бизнесе есть риск, то с помощью прогнозного анализа прошлых негативных событий можно влиять на их предотвращение в будущем или же лучше страховаться от них.

Пример:

Вы занимаетесь страхованием здоровья, и у Вас есть статистика, что у людей из промышленных профессий риск травм выше, чем у менеджеров.

Соответственно, чтобы компенсировать риски от страхования людей с пром.предприятий, Вы запросите у них бОльшую страховую сумму и будете стараться диверсифицироваться путем страхования менеджеров.

5. Маркетинговый и клиентский анализ

Если Вы собираете информацию о Ваших клиентах, их поведении, величине и частоте покупок, Вы сможете смоделировать будущее поведение клиентов.

Зачем это нужно? Как минимум, для понимания людей, а в идеале для улучшения клиентского сервиса на каждом этапе взаимодействия клиента с Вашим бизнесом.

Пример:

Вы владелец кинотеатра. Благодаря системам видеонаблюдения получили среднестатистический путь зрителя: он открывает дверь, отряхивает ноги, проходит к кассе, покупает билет, проходит в гардероб, посещает туалет и ждет открытия дверей в кинозал.

Уже только в этих местах Вы можете организовать дополнительные рекламные размещения.

Также можно сделать посещение кинотеатра удобнее: поставить самооткрывающиеся двери, положить дополнительный коврик при входе, организовать автоматическую систему покупки билетов, увеличить количество работников гардероба и т.д.

6. Продажи

Благодаря аналитике в продажах, Вы сможете точно знать, какие показатели непосредственно влияют на выручку и прибыльность бизнеса, а какие косвенно.

Пример:

Вы сможете посмотреть на статистику прошлого года по конверсии из заявок в продажи и оценить, что влияло на неё положительно, а что отрицательно. После чего составите план действий на текущий год, чтобы достигнуть поставленных целей.

7. Работа с персоналом

Ведение учета причин добровольных увольнений и фиксация их зависимости от срока работы поможет снизить текучку кадров, повысить лояльность Ваших сотрудников или хотя бы будете готовы к их уходу.

Пример:

Вы заметили, что персонал, который проработал в компании 2 года на одной должности, увольняется по причине того, что им становится неинтересно. С этой информацией Вы сможете периодически устраивать ротацию в коллективе или хотя бы заблаговременно подготовить замену этому сотруднику.

3 кита предиктивной аналитики

Аналитика в целом (и прогнозная в частности) предполагает работу с данными. Там где их нет — нечего анализировать, и нет почвы для выводов. Поэтому, когда Вы принимаете решение, не опираясь на информацию, Вы превращаетесь из предпринимателя в гадалку. Не надо так! А теперь к китам.

Кит 1. Сбор данных

Чтобы работать с информацией, её нужно собрать — все логично. Но какие собирать и как? На эти вопросы нет правильных ответов. Для каждого бизнеса необходимы данные и методы. Поэтому здесь работает правило: чем больше, тем лучше. Но все же перечислю основные:

1. Количественные показатели. Сколько клиентов привлекли, сколько сообщений написали, сколько продукта продали и т.д.;
2. Экономические показатели. Сколько денег заработали и потратили, какая маржинальность, прибыльность и т.д.;
3. Внешние факторы. Уровень конкуренции, стратегии конкурентов, экономическая и политическая ситуация и т.д.;
4. Внутренние факторы. Загруженность персонала, уровень квалификации кадров, факторы влияющие на производство;
5. Временные показатели. Какое время затрачивается на одну сделку, как часто они повторяются;
6. Конверсионные показатели. Какой процент клиентов перешли из одного этапа воронки продаж в другой;
7. Клиентский путь. Откуда к Вам пришел клиент, как о Вас узнал, какой путь преодолел, как себя вел и тд.;
8. Клиентские показатели. Пол, возраст, профессия, семейное положение, уровень достатка, где живет, его потребности и т.д.

И далее, далее, далее…Продолжать можно бесконечно. В оффлайне это датчики движения и сбора информации, wi-fi мониторы, системы умного видеонаблюдения, кассовые аппараты и товароучетные системы.

Тем, кто в танке и все ведет в книгах учета, на листочках и тетрадях — не позавидуешь. В этом случае сбор данных ограничивается наблюдением, проведением опросов и подобными инструментами. И если Вы сейчас подумали «о, у меня так», то просыпайтесь скорей и вступайте в эру информационных технологий.

Кит 2. Исследовательский анализ

Здесь начинается работа с данными. На этом этапе нужно из их совокупности найти ранее неизвестные, непонятные сведения. А также и полезные практические интерпретации собранных знаний, которые необходимы для принятия обоснованных решений.

Это понятие называют «data mining» — обнаружение знаний в данных. Основу их составляют различные методы классификации, моделирования, а также статистические методы. Об основных я расскажу чуть ниже.

Скажу сразу, для проведения эффективного анализа необходима достаточно крупная база сведений. Так в этом случае работает закон больших чисел — чем больше, тем более объективными будут выводы. Исследовательский анализ информации решает задачи:

1. Классификация. Присвоение одного элемента к группе других по определенным параметрам;
2. Регрессия. Выявление зависимости результатов от исходных данных;
3. Кластеризация. Объединение объектов в группы по различным параметрам;
4. Ассоциация. Определение закономерностей между событиями;
5. Последовательная ассоциация. Определение, через какое время после одного события случится другое;
6. Анализ отклонений. Определение некоторого количества исключений из правил.

Кит 3. Предиктивное моделирование

То, ради чего и нужна система предсказательной аналитики — создание высокоточных прогнозов. После предыдущих этапов у Вас есть массив данных, нам нужны их интерпретации. То есть различные классы, кластеры, зависимости, ассоциации и отклонения от нормы. На этом этапе Вам необходимо:

1. Поставить задачу перед аналитикой. Прогноз того, что Вы хотите получить и на какой промежуток времени, или время до определенного события. Это может быть прогноз прибыли на год, спроса на рынке в августе, или сколько еще проработает Ваш станок;
2. Выбрать математическую или статистическую модель. Она и сделает этот прогноз. Если проще, то принять во внимание множество факторов, которые влияют на заданный прогноз, распределить их удельный вес в конечном результате и ввести исходные сведения.

Основные типы и их методы

В основе предиктивной аналитики лежат статистические методы. Также важно понимать, что её система тесно связана с big data и искусственным интеллектом, поэтому основана на машинном обучении. Теперь к делу.

Типов ПА всего существует не 2, но я расскажу именно об этих, потому что они точно помогут Вам в бизнесе.

Тип 1. Контролируемое обучение

Или обучение с учителем, подразумевает под собой построение (обучение) модели по исходным данным и выходящим результатам. То есть в построении модели известны и параметры события, и результат, на который они влияют.

Например, если мы знаем, что на выручку влияет число покупок и средний чек, а нам необходимо узнать, каким образом влияет тот или иной параметр на её размер, то мы прибегнем к контролируемому обучению. Оно включает два ключевых метода предиктивной аналитики:

1.1. Регрессия

Это самый популярный метод. Применяется для получения количественных ответов или числовой ценности. Например, для расчета выручки по конкретным параметрам. При регрессии используется:

• Числовая переменная ответа. То, что пытаются предсказать;
• Предикторы. Параметры, которые влияют на ответ.

Взаимосвязь между параметрами и результатом и есть предиктивная модель. Кстати, помимо взаимозависимости рассчитывается и вес каждого параметра — то, в какой степени каждый из параметров влияет на конечный результат.

Пример

Чтобы было понятнее, вернемся к той же выручке. У нас есть показатели выручки, среднего чека и количества клиентов за три месяца:

Месяц	Количество клиентов	Средний чек	Выручка
1	10	3 000	30 000
2	11	3 000	33 000
3	10	3 300	33 000

Из этих данных видно, что зависимость выручки от количества клиентов и среднего чека прямая пропорциональная.

Выручка = Количество клиентов * Средний чек.

Зная эту формулу, Вы сможете прогнозировать выручку и влиять на нее, сосредотачивая усилия на росте предикторов. Ну или же понять, сколько Вам необходимо привлечь клиентов и при каком среднем чеке, чтобы получить желаемую выручку.

Это выглядит просто, когда Вы знаете зависимость. Но даже если в этом уравнении разложить, из чего складывается количество клиентов, и какой параметр в какой степени влияет на этот показатель, то получится большая и достаточно сложная цепочка.

1.2. Классификация

Этот метод связан с причислением объекта к какому-либо классу по определенным параметрам. Его задача определить, к какому именно.

Работает это так: в базу данных загружаются все известные переменные объектов, например, по каждому человеку загружают пол, возраст, профессию и уровень дохода. Далее алгоритм вычисляет зависимость одного от другого и предсказывает неизвестный параметр объекта по известным. Обычно в бизнесе этот метод применяется для различных сегментаций.

Пример

Вы занимаетесь оптовой торговлей одежды, и размер скидок зависит от объема закупок товара. Первый способ определить уровень скидки новому клиенту — поработать с ним определенное время.

Если же Вы используете классификационный метод, то имея инфу о прошлых клиентах, например, о местоположении, об ассортименте, Вы можете рассчитать влияние параметров на объем закупок Вашей продукции.

Вывод: зная это, Вы сможете предугадать, какой объем закупок следует ожидать от нового клиента. Ну и не стоит забывать, что чем больше у Вас данных, тем более точными будут прогнозы.

Кстати. Если Вам нужна детальная аналитика, то рекомендую сервисы: Roistat (по промокоду «INSCALE1120» +7500 руб. на баланс сервиса для тестирования) или же Callibri (по промокоду “76C6IMERUQ” + 500 руб.).

2. Неконтролируемое обучение

В этом типе предиктивное моделирование происходит только по входящим данным без привязки к ответу. Ответ подбирается автоматически в процессе обучения. Это требуется для поиска и анализа скрытых закономерностей внутри сведений о которых ранее было неизвестно. Основной метод — кластеризация.

2.1. Кластеризация

К этому методу прогностической аналитики относятся задачи:

1. Проектирование типологии и классификации;
2. Анализ эффективных схем группировки данных;
3. Рождение гипотез на основе исследований;
4. Проверка гипотез принадлежности одного объекта к проверяемой группе.

Для бизнеса она полезна тем, что на основе кластерного анализа можно более четко представлять взаимосвязи и зависимости. Помимо этого, он помогает выявлять отклонения и новые тенденции.

Пример

Возьмем тот же пример, что и в классификационном методе. Только если там нам и нашей модели уже известна зависимость объема закупок от параметров (местоположение, рекламные вложения и ассортимент), то в этом случае мы их не знаем.

Так вот, мы загружаем данные о наших клиентах и алгоритм определяет, есть ли взаимозависимость между ними, и если есть, то какая.

Инструменты предиктивной аналитики

Есть много инструментов и программных продуктов. Они отличаются между собой функциональностью и удобством пользования. Некоторые из них нужны для создания предиктивных моделей, некоторые для их интерпретации, а самые продвинутые — для того и другого. При выборе инструмента обратите внимание на:

1. Поддержка полного цикла аналитики. От исследования данных до создания моделей и оценки их эффективности;
2. Интеграция знаний. Знания, полученные в процессе аналитики, должны интегрироваться в другие сферы бизнеса;
3. Поддержка интеграции. Она необходима с различными источниками получения и обработки данных;
4. Удобство пользования. Программа должна быть понятна для разных типов пользователей: от статистиков до менеджеров;
5. Адаптивность к работе. Работоспособность с минимальным вмешательством программистов и технических специалистов.

Так вот, в результате функционирования таких систем, управляющие специалисты могут своевременно формировать гипотезы и проверять их, принимать точные и обоснованные решения.

Язык программирования R. Фаворит рынка, это связано с тем, что в процессе обучения специалистов подобного профиля задействован именно этот язык программирования.

Преимущества: 

1. Открытый исходный код;
2. Расширяемая аналитическая среда;
3. Возможность визуализации представления данных;
4. Большое сообщество пользователей;
5. Разрабатывался статистиками для статистиков.

Цена: Бесплатно.

Язык программирования Python. Набирает популярность. Основная идея: хороший язык программирования — простой и доступный.

Преимущества:

1. Простой и интуитивно-понятный;
2. Встроен инструмент для тестирования;
3. Многоцелевой язык.

Цена: Бесплатно.

RapidMiner. Среда для прогнозной аналитики, которая поддерживает все этапа анализа, проверки, визуализацию и оптимизацию данных.

Преимущества:

1. Не нужно знать программирование, метод визуального программирования;
2. Расширяемая система, поддержка языка R;
3. Возможность оценки тональности текста;
4. Сообщество пользователей и поддержка новичков.

Цена: Бесплатно.

Knime. Система для анализа данных, которая даже в базовом функционале имеет мощные инструменты.

Преимущества:

1. Широкие возможности анализа текста;
2. Возможность веб-анализа, анализа изображений и социальных сетей;
3. Интуитивно-понятный интерфейс без необходимости программирования.

Цена: Бесплатно.

IBM SPSS Modeler. Низкая требовательность к новичкам, благодаря автоматическому подбору необходимой статистической модели.

Преимущества:

1. Автоматическое моделирование и выбор наиболее эффективное модели;
2. Геопространственная аналитика;
3. Поддержка технологий с открытым исходным кодом (R, Python);
4. Аналитика текста.

Цена: От 80$.

IBM Watson Analytics. Один из наиболее мощных инструментов для предиктивной аналитики и анализа больших данных.

Преимущества:

1. Возможность работы в облаке;
2. Расширенные возможности визуализации;
3. Интуитивно-понятный интерфейс без необходимости программирования;
4. Быстрота обработки данных.

Цена: От 250$.

SAS Enterprise Miner. Система разработанная для проектирования точных предсказательных и описательных моделей на основе big-data.

Преимущества:

1. Клиент-серверное решение — позволяет оптимизировать процессы аналитики;
2. Нет необходимости в программировании;
3. Продвинутый скоринг — применение модели к новым данным;
4. Самодокументируемая проектная среда.

Цена: От 160$.

SAP BusinessObjects Predictive Analytics. SAP в 2015 году был награжден статусом лидера рынка в предсказательной аналитики.

Преимущества:

1. Большая автоматизированность, легкость в переобучении модели;
2. Расширенные возможности визуализации;
3. Возможность расширения языком R.

Цена: От 200$.

Oracle Big Data Preparation.  Благодаря интуитивному и интерактивному интерфейсу привлекает пользователей без навыков программирования.

Преимущества:

1. Работа в облаке;
2. Простота использования;
3. Широкие возможности интеграции с другими облачными сервисами.

Цена: От 150$.

Коротко о главном

Итак, предиктивная аналитика — это область знаний, позволяющая принимать взвешенные решения, готовиться к непредвиденным ситуациям и предусматривать всевозможные чрезвычайные происшествия.

Благодаря ПА Вы подготовитесь к непредвиденным ситуациям и повысите эффективность Вашего бизнеса в целом.

Но это не фундамент для бизнеса, а инструмент, повышающий эффективность предприятия. Поэтому бОльшую пользу он принесет уже устоявшейся компании, у которой налажены основные бизнес-процессы и сбор данных.

ПА сложный и ресурсоемкий процесс, требующий высокой квалификации как в статистике, так и в работе с информацией.

Нашли ошибку в тексте? Выделите фрагмент и нажмите ctrl+enter

По данным Google Trends, интерес к предиктивной аналитике неуклонно растет в течение последних пяти лет.
Прогнозная аналитика (также известная как расширенная аналитика) все больше связывается с бизнес-аналитикой. Но действительно ли они связаны, и если да, то какие преимущества получают компании, объединяя свою деятельность по бизнес-аналитике с этой аналитикой? В чем разница между бизнес-аналитикой и прогнозной аналитикой? Давайте ответим на вопросы, а также посмотрим на реальный пример прогнозной аналитики в этой статье.

Что такое прогнозная аналитика?

Использование исторических данных, машинного обучения и искусственного интеллекта для прогнозирования того, что произойдет в будущем, называется прогнозной аналитикой. Эти исторические данные загружаются в математическую модель, которая учитывает основные тенденции и закономерности в данных. После этого модель применяется к текущим данным, чтобы предсказать, что будет дальше.

Использование данных прогнозной аналитики может помочь предприятиям и бизнес-приложениям предлагать действия, которые могут привести к полезным изменениям в работе. Прогнозная аналитика может помочь аналитикам оценить, поможет ли изменение снизить риски, улучшить операции и/или увеличить доход. Прогнозная аналитика по своей сути стремится ответить на вопрос: «Что, скорее всего, произойдет на основе моих текущих данных, и что я могу сделать, чтобы изменить этот результат?»

Пример реальной прогнозной аналитики в бизнес-аналитике

Прогнозная аналитика не является чем-то новым для многих компаний. Тем не менее, он все чаще используется в различных отраслях для улучшения повседневных корпоративных процессов и создания конкурентной дифференциации.

На практике прогнозная аналитика может принимать различные формы. Рассмотрим следующие возможности.

• Определите, какие клиенты могут отказаться от услуги или продукта. Рассмотрим студию йоги, в которой реализована модель предиктивной аналитики. Основываясь на предыдущих данных, алгоритм может предсказать, что «Джейн» не будет продлевать свое членство, и порекомендовать стимул, который побудит ее сделать это. Когда Джейн вернется в студию, система отправит предупреждение команде по связям с членами, которая предложит ей поощрение или поговорит с ней о продлении ее членства. В этом примере прогнозная аналитика может использоваться в режиме реального времени для предотвращения оттока клиентов.
• Отправляйте маркетинговые сообщения клиентам, которые с наибольшей вероятностью совершат покупку. Если у вашей компании есть только 5,000 долларов, которые можно потратить на маркетинговую кампанию по увеличению продаж, и у нее три миллиона потребителей, вы не можете позволить себе предоставить каждому 10-процентную скидку. Предиктивная аналитика и бизнес-аналитика могут помочь предугадать клиентов, которые с наибольшей вероятностью купят ваши товары, а затем распространить купон только среди этих людей, чтобы максимизировать доход.
• Улучшите обслуживание клиентов за счет правильного планирования. Предприятия могут лучше оценивать спрос, используя расширенную аналитику и бизнес-аналитику. Рассмотрим гостиничную компанию, которая хочет спрогнозировать, сколько людей остановится в определенном месте в эти выходные, чтобы убедиться, что у них достаточно сотрудников и ресурсов для удовлетворения спроса.

Приложения прогнозной аналитики

Предиктивная аналитика — это инструмент принятия решений, используемый в ряде предприятий.

№1. Прогнозирование

Прогнозирование имеет решающее значение в производстве, поскольку оно гарантирует оптимальное использование ресурсов в цепочке поставок. Например, управление запасами и производственные цеха являются важными звеньями цепочки поставок, для работы которых требуются точные прогнозы.

Прогнозное моделирование часто используется для очистки и оптимизации качества данных, используемых для таких прогнозов. Моделирование гарантирует, что дополнительные данные, в том числе данные о действиях, связанных с клиентами, могут быть использованы системой, что приведет к более точному прогнозу.

№2. Кредит

Кредитный рейтинг использует прогнозную аналитику. Когда потребитель или бизнес подает заявку на получение кредита, информация из кредитной истории заявителя и кредитных историй заемщиков с аналогичными характеристиками используется для прогнозирования риска того, что заявитель не сможет погасить любой предоставленный кредит.

№3. Андеррайтинг

андеррайтинг сильно зависит от данных и прогнозной аналитики. Страховые компании исследуют заявителей на получение полиса, чтобы определить вероятность того, что им придется платить по будущему иску, исходя из текущего пула рисков аналогичных страхователей, а также предыдущих событий, которые привели к выплатам. актуарии обычно используют прогностические модели, которые сравнивают атрибуты с данными о предыдущих страхователях и претензиях.

№4. Маркетинг

При планировании новой кампании люди в этой области учитывают, как потребители отреагировали на общую экономическую ситуацию. Они могут использовать демографические сдвиги, чтобы определить, будет ли текущий ассортимент товаров побуждать потребителей совершить покупку.

Между тем, активные трейдеры рассматривают различные показатели, основанные на прошлых событиях, при принятии решения о покупке или продаже ценной бумаги. Скользящие средние, полосы и контрольные точки основаны на предыдущих данных и используются для оценки колебаний цен в будущем.

Наиболее распространенными моделями прогнозирования являются деревья решений, регрессии (линейные и логистические) и нейронные сети, которые являются частью новой области методов и технологий глубокого обучения.

Типы моделей прогнозной аналитики

Прогнозная аналитика использует три метода: деревья решений, нейронные сети и регрессию. Читайте дальше, чтобы узнать больше о каждом из них.

№1. Деревья решений

Если вы хотите понять, что движет чьими-то решениями, вам могут помочь деревья решений. Эта модель делит данные на части в зависимости от определенных переменных, таких как цена или рыночная капитализация. Он напоминает дерево, как следует из названия, с отчетливыми ветвями и листьями. Ветки отображают различные варианты в доступной форме, а отдельные листы представляют конкретный выбор.

Поскольку деревья решений просты для понимания и анализа, они являются самыми основными моделями. Они также весьма полезны, когда вам нужно быстро принять решение.

№ 2. Регрессия

Это наиболее распространенная модель статистического анализа. Когда вам нужно найти закономерности в больших объемах данных и между входными данными существует линейная зависимость, используйте его. Этот метод работает путем вычисления формулы, которая описывает взаимосвязь между всеми входными данными в наборе данных. Например, вы можете использовать регрессию, чтобы определить, как цена и другие важные факторы влияют на производительность ценной бумаги.

№3. Искусственные нейронные сети

Создание нейронных сетей как типа предиктивной аналитики происходило путем имитации того, как работает человеческий мозг. Используя искусственный интеллект и распознавание образов, эта модель может иметь дело со сложными взаимодействиями данных. Используйте его, когда вам нужно преодолеть несколько препятствий, например, когда у вас слишком много данных, нет формулы, которая вам нужна, чтобы помочь вам определить взаимосвязь между входными и выходными данными в вашем наборе данных, или когда вам нужно делать прогнозы, а не чем придумывать объяснения.

Если вы уже использовали деревья решений и регрессию в качестве моделей, вы можете использовать нейронные сети для подтверждения своих выводов.

Как компании могут использовать прогнозную аналитику?

Как было сказано ранее, прогностический анализ может применяться в самых разных приложениях. Предприятия могут использовать модели для достижения своих целей и улучшения своей деятельности. Предприятия обычно используют прогностические модели, чтобы помочь им улучшить обслуживание клиентов и охват.

Руководители и владельцы бизнеса используют этот тип статистического анализа для определения поведения клиентов. Например, владелец бизнеса может использовать методы прогнозирования для выявления и таргетинга на постоянных потребителей, которые могут отказаться и перейти к конкуренту.

Это важно в рекламе и маркетинге. Модели могут использоваться предприятиями, чтобы предсказать, какие клиенты, скорее всего, положительно отреагируют на маркетинговую деятельность и продажи. Вместо того, чтобы проводить широкий маркетинг, владельцы бизнеса могут сэкономить деньги, ориентируясь на клиентов, которые ответят положительно.

Преимущества прогнозной аналитики

Предиктивный анализ имеет множество преимуществ. Как указывалось ранее, использование этого типа анализа может помочь организациям прогнозировать результаты, когда другие (и очевидные) ответы недоступны.

Модели могут помочь инвесторам, финансовым специалистам и бизнес-лидерам снизить риск. Например, инвестор и его консультант могут использовать определенные модели прогнозной аналитики, чтобы помочь разработать инвестиционный портфель с наименьшим риском для инвестора, принимая во внимание такие аспекты, как возраст, капитал и амбиции.

Когда они используют эти модели, это значительно снижает затраты. Предприятия могут предсказать, будет ли продукт успешным или неудачным, еще до того, как они его выпустят. В качестве альтернативы они могут выделить средства на усовершенствование производства, применяя методы прогнозирования до начала производственного процесса.

Критика прогнозной аналитики

Из-за предполагаемого неравенства результатов использование прогнозной аналитики подвергалось критике и, в некоторых случаях, ограничивалось законом. Чаще всего это включает прогностические модели, которые приводят к статистической дискриминации расовых или этнических групп в таких областях, как оценка кредитоспособности, жилищное кредитование, занятость или риск преступного поведения.

Хорошо известным примером этой предиктивной аналитики является (теперь незаконная) практика красной черты в жилищном кредитовании банками. Независимо от того, точны ли прогнозы, полученные в результате использования такой аналитики, их использование, как правило, не одобряется, и данные, которые явно включают информацию, такую ​​​​как расовая принадлежность человека, теперь часто исключаются из прогнозной аналитики.

Заключение

Все предприятия могут извлечь выгоду из использования прогнозной аналитики для сбора данных о клиентах и ​​прогнозирования следующих шагов на основе прошлого поведения. Эти данные можно использовать для принятия решений, влияющих на итоговый результат и производительность.

Часто задаваемые вопросы по прогнозной аналитике

Что такое прогнозная аналитика в анализе данных?

Прогнозная аналитика — это тип анализа данных, который использует исторические данные и методы аналитики, такие как статистическое моделирование и машинное обучение, для прогнозирования будущих результатов.

Что такое прогнозная аналитика в HR?

Предиктивная аналитика в HR относится к технологии HR, которая использует статистику и учится на существующих данных, чтобы предвидеть будущие результаты. Это инструмент принятия решений.

Почему анализ прогнозной аналитики является следующим логическим шагом в любом процессе бизнес-аналитики BA?

Анализ прогнозной аналитики считается следующим логическим шагом в любой бизнес-аналитике, поскольку он оптимизирует маркетинговые кампании, определяя ответы или покупки клиентов, а также продвигает возможности перекрестных продаж и, таким образом, улучшает бизнес-операции за счет прогнозирования запасов и управления ресурсами.

Статьи по теме

1. Прогностическая и предписывающая аналитика, объяснение!!! (+ Подробное руководство)
2. Виды аналитики: как их применять в любом бизнесе
3. Инструменты и методы предписывающей аналитики: 9+ лучших вариантов 2021 года
4. Предписывающая аналитика: определение, примеры из реальной жизни, как это работает
5. МОДЕЛИ ПРОГНОЗИРОВАНИЯ: типы и подробное руководство по моделям

Прогнозная или предиктивная аналитика в последние годы привлекает большое внимание  бизнеса благодаря достижениям в области вспомогательных технологий, особенно в области больших данных, машинного обучения и искусственного интеллекта.

Способность предсказывать будущие события и тенденции имеет решающее значение во всех отраслях. Предиктивная аналитика появляется чаще, чем вы думаете, — от вашего еженедельного прогноза погоды до медицинских достижений с помощью алгоритмов. Ниже теоретические основы предиктивной аналитики, который поможет вам начать работу по формулированию стратегии и принятию решений на основе правильной интерпретации и анализа данных.

Предиктивная и прогнозная аналитика — это тождественные понятия, поэтому в рамках этой статьи мы будем употреблять как одно, так и другое словосочетание, не теряя общий смысл.

Что такое предиктивная аналитика?

Предиктивная аналитика [англ. predictive analytics] — это использование исторических данных, статистических алгоритмов и разнообразных методов машинного обучения для определения вероятности будущих событий и результатов. Целью такого использования данных является выход за рамки знания того, что произошло, и оценка вероятности того, что произойдет в будущем.

Если простыми словами, то предиктивная аналитика — это использование данных для прогнозирования будущих тенденций и событий.

Прогнозный анализ может проводиться вручную или с использованием алгоритмов машинного обучения. В любом случае, исторические данные используются для того, чтобы делать предположения о будущем. При этом прогнозы могут относиться как к ближайшему будущему, так и в отделенной перспективе. Например:

• предсказание поломки машины после выявления неисправности какого-либо агрегата
• прогнозирование денежных потоков вашей компании на ближайшие пять лет

Краткое объяснение, что такое предиктивная аналитика на примере рекламного видео ролика программного решения (о эффективности самого решения пояснять не станем, а вот объяснение определения и работы прогнозной аналитики в данном видео, довольно подробное).

Как работает прогнозная аналитика?

Учитывая тот факт, что прогнозная аналитика — это некий процесс использования фактических данных для создания прогнозов с помощью методов машинного обучения, то и подходить к изучению и внедрению необходимо как к процессу.

Прогнозная аналитика начинается с бизнес-цели: использовать данные для сокращения потерь, экономии времени или сокращения затрат. Далее в этом процессе необходимо объединить разнородные, часто массивные наборы данных в модели, которые могут генерировать четкие и действенные результаты для поддержки достижения этой цели. А у же на нормальных данных выстраиваются прогнозные решения, позволяющие перестраивать бизнес под конкретные задачи и цели.

В качестве примера работы предиктивной аналитики, рассмотрим пошаговый алгоритм рабочего процесса.

Шаг 1 Импорт данных 

Импорт данных может осуществляться из различных источников, таких как веб-архивы, базы данных и электронные таблицы. При этом выгрузка должна быть не только фактических данных, но и сопутствующих (например, состояние рынка, прогноз погоды, численность населения), которые могут помочь вам в составлении прогнозной идеи.

И вот тут хотелось бы заметить, что данных много не бывает и чем их будет больше и чем разностороннее они будут, тем интереснее будут вывод и точнее прогноз. Но это должны быть не хаотичные, а четко структурированные данные, обогащенные справочной информацией.

Шаг 2 Очистка и агрегирование данных

На практике, большинство реальных данных включают отсутствующие или ошибочные значения, и прежде чем их можно будет исследовать, данные необходимо идентифицировать и устранить. На этом же шаге нам необходимо выявить являются ли эти всплески аномальными и их необходимо игнорировать или они указывают на явления, которые необходимо учитывать в модели.

После удаления аномальных точек из данных нам необходимо принять решение, что делать с отсутствующими точками данных, появившимися в результате их удаления. Тут 2 варианта:

1. отсутствующие точки данных можно просто игнорировать, так у нас будет меньше данных
2. заменить отсутствующие значения аппроксимациями путем интерполяции

И тот и другой способ имеет место быть.

Шаг 3 Разработка прогнозной модели

Разработайте прогностическую модель на основе агрегированных данных, используя статистику, инструменты подбора кривых или машинное обучение. Сам процесс прогнозирования — это сложный процесс со многими переменными, поэтому придется использовать методы машинного обучения, такие как деревья решений или нейронные сети для построения и обучения модели прогнозирования. К сожалению, стажером с одним Excel тут не отделаться и нужен специализированный софт и прокачанные скилы специалистов.

Существует огромное множество методов моделирования данных, какой применять вам зависит от имеющихся возможностей в компании. Когда обучение завершено, вы можете протестировать модель на новых данных, чтобы увидеть, насколько хорошо она работает.

Шаг 4 Интеграция модели в систему прогнозирования

Как только будет найдена модель, которая сможет довольно точно прогнозировать показатели, вы можете перенести ее в свою производственную систему, сделав аналитику доступной для программ или устройств, включая веб-приложения, серверы или мобильные устройства.

Прогнозирование может помочь вам принимать более обоснованные решения и разрабатывать стратегии, основанные на данных. Вот несколько примеров прогнозной аналитики в действии, которые вдохновят вас на ее использование в вашей организации.

4 примера предиктивной аналитики в действии

Финансы: прогнозирование будущих денежных потоков

Каждому предприятию необходимо периодически вести финансовые отчеты, и предиктивная аналитика может сыграть большую роль в прогнозировании будущего состояния организации. Используя исторические данные из предыдущих финансовых отчетов, а также данные из более широкой отрасли, вы можете прогнозировать продажи, доходы и расходы, чтобы составить картину будущего и принять решения.

«Менеджеры должны смотреть вперед, чтобы планировать будущее здоровье своего бизнеса. Независимо от того, в какой области вы работаете, в этом процессе всегда присутствует большая доля неопределенности», — говорил Нараянан (прим. 10 президент Индии).

Подробный и наглядный пример внедрения предиктивной аналитики в финансовой сфере в подробном кейсе регионального банка на видео

Развлечения и гостиничный бизнес: определение потребности в персонале

В сфере развлечений и гостеприимства приток и отток клиентов зависят от различных факторов, каждый из которых влияет на то, сколько сотрудников требуется заведению или отелю в данный момент времени. Раздутие штата стоит денег, а не доукомплектование может привести к ухудшению качества обслуживания клиентов, переутомлению сотрудников и дорогостоящим ошибкам.

Чтобы предсказать количество заселений в отель в определенный день, разрабатывается модель множественной регрессии, учитывающую несколько факторов. Такая модель позволила Caesars (прим. мировая сеть отелей) укомплектовать свои отели и казино персоналом и максимально избежать перерасхода персонала.

Маркетинг: поведенческий таргетинг

В маркетинге данных о потребителях предостаточно, и они используются для создания контента, рекламы и стратегий, позволяющих лучше охватить потенциальных клиентов там, где они есть. Изучая исторические поведенческие данные и используя их для прогнозирования того, что произойдет в будущем, вы занимаетесь прогнозной аналитикой.

Предиктивная аналитика может применяться в маркетинге для прогнозирования тенденций продаж в разное время года и соответствующего планирования кампаний.

Кроме того, исторические поведенческие данные могут помочь вам спрогнозировать вероятность того, что лид переместится по воронке вниз от осведомленности к покупке. Например, вы можете использовать единую модель линейной регрессии, чтобы определить, что количество предложений контента, с которыми взаимодействует лид, предсказывает — со статистически значимым уровнем достоверности — вероятность их конверсии в клиента в будущем. Обладая этими знаниями, вы можете планировать таргетированную рекламу на различных этапах жизненного цикла клиента.

Производство: предотвращение неисправности

Хотя в приведенных выше примерах прогнозная аналитика используется для принятия мер на основе вероятных сценариев, вы также можете использовать прогнозную аналитику для предотвращения возникновения нежелательных или опасных ситуаций. Например, в производственной сфере алгоритмы можно обучать, используя исторические данные, чтобы точно предсказывать, когда часть оборудования может выйти из строя.

Когда критерии предстоящей неисправности соблюдены, алгоритм срабатывает, чтобы предупредить сотрудника, который может остановить машину и потенциально сэкономить компании тысячи, если не миллионы долларов на поврежденном продукте и затратах на ремонт. Этот анализ прогнозирует сценарии сбоев в данный момент, а не на месяцы или годы вперед.

5 важных вопросов о предиктивной аналитике

Что такое прогнозная аналитика?

Прогнозная аналитика — это использование статистики и методов моделирования для определения будущей производительности на основе текущих и исторических данных. Прогнозная аналитика изучает закономерности в данных, чтобы определить, могут ли они появиться снова, что позволяет предприятиям и инвесторам корректировать, где они используют свои ресурсы, чтобы воспользоваться возможными будущими событиями.

Понимание прогнозной аналитики

Доступно несколько типов методов прогнозной аналитики. Например, интеллектуальный анализ данных включает в себя анализ больших наборов данных для выявления закономерностей. Анализ текста делает то же самое, за исключением больших блоков текста.

Прогностические модели используются для всех видов приложений, включая прогнозы погоды, создание сложных и увлекательных видеоигр и перевод голоса в текст для обмена сообщениями на мобильном телефоне. Все эти приложения используют описательные статистические модели существующих данных для прогнозирования будущих данных.

Описательные модели определяют отношения, закономерности и структуры в данных, которые можно использовать для заключения о том, как изменения в базовых процессах, которые генерируют данные, изменят результаты. Прогнозные модели основываются на этих описательных моделях и смотрят на прошлые данные, чтобы определить вероятность определенных будущих результатов с учетом текущих условий или набора ожидаемых будущих условий.

Примеры прогнозной аналитики

Прогнозная аналитика — это инструмент принятия решений в самых разных отраслях.

Прогнозирование — важная задача в производстве, поскольку оно обеспечивает оптимальное использование ресурсов в цепочке поставок. Критические спицы колеса цепочки поставок, будь то управление запасами или цех, требуют точных прогнозов для функционирования. Прогностическое моделирование часто используется для очистки и оптимизации качества данных, используемых для таких прогнозов. Моделирование гарантирует, что система может принимать больше данных, в том числе из операций, связанных с клиентами, для обеспечения более точного прогноза.

Кредитный скоринг и андеррайтинг также широко используют прогнозную аналитику. Когда потребитель или предприятие подает заявку на получение кредита, данные о кредитной истории заявителя и кредитной истории заемщиков с аналогичными характеристиками используются для прогнозирования риска того, что заявитель может не выполнить любой предоставленный кредит.

Страховые компании проверяют соискателей полиса, чтобы определить вероятность выплаты по будущему иску на основе текущего пула рисков аналогичных страхователей, а также прошлых событий, которые привели к выплатам. Прогнозные модели, которые рассматривают характеристики в сравнении с данными о прошлых страхователях и претензиях, обычно используются актуариями.

В другом месте маркетологи смотрят, как потребители отреагировали на общую экономику при планировании новой кампании, и могут использовать демографические сдвиги, чтобы определить, побудит ли текущий набор продуктов потребителей совершить покупку.

Между тем активные трейдеры смотрят на различные показатели, основанные на прошлых событиях, когда решают, покупать или продавать ценные бумаги. Скользящие средние, диапазоны и точки останова основаны на исторических данных и используются для прогнозирования будущих движений цен.

Распространенные заблуждения о прогнозной аналитике

Распространенное заблуждение состоит в том, что предиктивная аналитика и машинное обучение — это одно и то же. По своей сути, прогнозная аналитика включает ряд статистических методов (включая машинное обучение, прогнозное моделирование и интеллектуальный анализ данных) и использует статистику (как историческую, так и текущую) для оценки или прогнозирования будущих результатов.

Прогнозная аналитика помогает нам понять возможные будущие события, анализируя прошлое.С другой стороны, машинное обучение — это область компьютерных наук, которая, согласно определению Артура Сэмюэля, американского пионера в области компьютерных игр и искусственного интеллекта в 1959 году, означает «программирование цифрового компьютера для работы в способ, который, если бы это сделали люди или животные, был бы описан как вовлекающий процесс обучения «.

Наиболее распространенные модели прогнозирования включают деревья решений, регрессии (линейные и логистические) и нейронные сети, что является новой областью методов и технологий глубокого обучения.

Критика прогнозной аналитики

Использование прогнозной аналитики подвергалось критике и, в некоторых случаях, было ограничено законом из-за предполагаемого неравенства в ее результатах. Чаще всего речь идет о прогностических моделях, которые приводят к статистической дискриминации расовых или этнических групп в таких областях, как кредитный рейтинг, жилищное кредитование, занятость или риск преступного поведения.

Известный пример этого является (ныне незаконной) практикой красной черты в домашнем кредитовании банков. Независимо от того, являются ли прогнозы, сделанные на основе использования такой аналитики, точными, их использование, как правило, не одобряется, а данные, которые явно включают такую ​​информацию, как раса человека, теперь часто исключаются из прогнозной аналитики.