Video: Warum nutzen Unternehmen Predictive Analytics? (November 2024)
Predictive Analytics ist das praktische Ergebnis von Big Data und Business Intelligence (BI). Was tun Sie, wenn Ihr Unternehmen erstaunliche Mengen neuer Daten sammelt? Die heutigen Geschäftsanwendungen stecken voller neuer Kunden-, Markt-, Social-Listening- und Echtzeit-App-, Cloud- oder Produktleistungsdaten. Predictive Analytics ist eine Möglichkeit, all diese Informationen zu nutzen, neue Erkenntnisse zu gewinnen und der Konkurrenz einen Schritt voraus zu sein.
Unternehmen setzen Predictive Analytics auf verschiedene Arten ein, von Predictive Marketing und Data Mining bis hin zur Anwendung von Algorithmen für maschinelles Lernen (ML) und künstliche Intelligenz (AI), um Geschäftsprozesse zu optimieren und neue statistische Muster aufzudecken. Im Grunde genommen lernen Computer aus früheren Verhaltensweisen, wie bestimmte Geschäftsprozesse besser ausgeführt werden können, und liefern neue Einblicke in die Funktionsweise Ihres Unternehmens. Bevor wir jedoch auf die faszinierende Art und Weise eingehen, wie Unternehmen und Technologieunternehmen Predictive Analytics einsetzen, um Zeit und Geld zu sparen und einen Wettbewerbsvorteil gegenüber dem Rest des Marktes zu erzielen, ist es wichtig, genau darüber zu sprechen, was Predictive Analytics ist und was nicht.
Was ist Predictive Analytics?
Predictive Analytics ist kein Schwarz-Weiß-Konzept oder eine eigenständige Funktion moderner Datenbankmanager. Es ist ein Bündel von Datenanalysetechnologien und statistischen Techniken, die unter einem Banner zusammengefasst sind. Die Kerntechnik ist die Regressionsanalyse, bei der die verwandten Werte mehrerer korrelierter Variablen vorhergesagt werden, indem eine bestimmte Annahme bewiesen oder widerlegt wird. Laut Allison Snow, Senior Analyst für B2B-Marketing bei Forrester, geht es bei Predictive Analytics darum, Muster in Daten zu erkennen, um die Wahrscheinlichkeit eines Projekts zu bestimmen.
"Es ist wichtig zu erkennen, dass es bei der Analyse um Wahrscheinlichkeiten und nicht um absolute Werte geht", erklärte Snow, der den prädiktiven Marketingbereich abdeckt. "Im Gegensatz zu herkömmlichen Analysen weiß man bei der Anwendung von Predictive Analytics nicht im Voraus, welche Daten wichtig sind. Predictive Analytics bestimmen, welche Daten das Ergebnis vorhersagen, das Sie vorhersagen möchten."
Stellen Sie sich einen Vertriebsmitarbeiter vor, der sich ein Lead-Profil in einer CRM-Plattform (Customer Relationship Management) wie Salesforce.com ansieht. Angenommen, die Führung kauft Ihr Produkt. Andere Annahmen sind, dass die Variablen die Produktkosten, die Führungsrolle innerhalb eines Unternehmens und die aktuelle Rentabilitätsquote des Unternehmens sind. Plotten Sie nun diese Variablen in eine Regressionsgleichung und geben Sie voila ein! Sie haben ein Vorhersagemodell, anhand dessen Sie eine effektive Strategie für die Platzierung und den Verkauf eines Produkts an die richtigen Leads extrapolieren können.
Abgesehen von der Regressionsanalyse (deren Feinheiten und Untergruppen Sie in diesem Harvard Business Review- Primer kennenlernen können) werden in der prädiktiven Analyse zunehmend Data Mining und ML verwendet. Data Mining ist genau das, wonach es sich anhört: Sie untersuchen große Datenmengen, um Muster zu erkennen und neue Informationen zu entdecken. ML-Techniken werden mit größerer Regelmäßigkeit zu Siebtöpfen und Spitzhacken, um die Gold-Datennuggets zu finden. ML-Innovationen wie neuronale Netze und Deep-Learning-Algorithmen können diese unstrukturierten Datensätze schneller verarbeiten als ein herkömmlicher Datenwissenschaftler oder -forscher und mit zunehmender Genauigkeit, wenn die Algorithmen lernen und sich verbessern. So funktioniert IBM Watson auch, und Open-Source-Toolkits wie TensorFlow von Google und CNTK von Microsoft bieten ML-Funktionalität in gleicher Weise.
Die große Veränderung, die den Boom der Predictive Analytics mit sich bringt, ist nicht nur die Weiterentwicklung von ML und AI, sondern auch, dass nicht mehr nur Datenwissenschaftler diese Techniken verwenden. BI- und Datenvisualisierungstools sowie Open-Source-Unternehmen wie die Apache Software Foundation machen Big Data-Analysetools zugänglicher, effizienter und benutzerfreundlicher als je zuvor. ML- und Datenanalysetools sind jetzt Self-Service und in den Händen alltäglicher Geschäftsanwender - von unserem Verkäufer, der Lead-Daten analysiert oder der Führungskraft, die versucht, Markttrends im Sitzungssaal zu entziffern, bis hin zu dem Kundendienstmitarbeiter, der nach allgemeinen Kundenproblemen und den sozialen Medien forscht Marketing Manager, der die demografischen und sozialen Trends seiner Follower misst, um mit einer Kampagne das richtige Zielpublikum zu erreichen. Diese Anwendungsfälle sind nur die Spitze des Eisbergs, wenn es darum geht, herauszufinden, wie Predictive Analytics das Geschäft verändert. Viele weitere werden im Folgenden beschrieben.
Predictive Analytics ist jedoch nicht wie eine Kristallkugel oder Biff Tannens Sportalmanach von Back to the Future 2. Die Algorithmen und Modelle können Ihrem Unternehmen nicht zweifelsfrei sagen, dass das nächste Produkt ein Milliarden-Dollar-Gewinner sein wird oder dass der Markt im Begriff ist zu tanken. Daten sind immer noch ein Mittel, um fundierte Vermutungen anzustellen. Wir sind einfach viel besser ausgebildet als früher.
Aufschlüsselung der prädiktiven, präskriptiven und deskriptiven Analytik
In einem anderen Forrester-Bericht mit dem Titel "Predictive Analytics kann Ihre Anwendungen mit einem unfairen Vorteil ausstatten" weist Principal Analyst Mike Gualtieri darauf hin, dass "das Wort" Analytics "in" Predictive Analytics "eine Art Fehlbezeichnung ist. Predictive Analytics ist kein Zweig herkömmlicher Analysen wie Berichterstellung oder statistische Analyse. Es geht darum, Vorhersagemodelle zu finden, mit denen Unternehmen zukünftige Geschäftsergebnisse und / oder Kundenverhalten vorhersagen können."
Zusammenfassend erklärte Snow, dass der Begriff "prädiktiv" von Natur aus die Wahrscheinlichkeit über die Gewissheit bezeichnet und die Analytics-Tooling-Landschaft aufschlüsselt und wie sie in die präskriptive Analytik einfließt.
"Obwohl die deskriptive Analyse nicht besonders fortgeschritten ist, erfasst sie einfach die Ereignisse", sagte Snow. "Deskriptive oder historische Analyse ist die Grundlage, auf der ein Algorithmus entwickelt werden könnte. Dies sind einfache Metriken, die jedoch oft zu umfangreich sind, um ohne ein Analysetool auszukommen.
"Im Allgemeinen werden Dashboards und Berichte heutzutage am häufigsten für Vorhersageanalysen in Unternehmen verwendet. Diesen Tools fehlt häufig die Verknüpfung mit Geschäftsentscheidungen, Prozessoptimierung, Kundenerfahrung oder anderen Maßnahmen. Mit anderen Worten, Modelle liefern Einblicke, die jedoch nicht explizit sind Anweisungen, was mit ihnen zu tun ist. In der Prescriptive Analytics treffen Einsicht und Handeln aufeinander. Sie beantworten die Frage: "Ich kenne jetzt die Wahrscheinlichkeit eines Ergebnisses, was getan werden kann, um es in die für mich positive Richtung zu beeinflussen." Kunden abwandern oder einen Verkauf wahrscheinlicher machen."
Predictive Analytics ist überall
Während sich die BI-Landschaft weiterentwickelt, hält Predictive Analytics Einzug in immer mehr Geschäftsanwendungsfälle. Tools wie unser Editors 'Choices Tableau Desktop und Microsoft Power BI zeichnen sich durch intuitives Design und Benutzerfreundlichkeit sowie eine große Sammlung von Datenkonnektoren und Visualisierungen aus, um die enormen Datenmengen zu erfassen, die Unternehmen aus Quellen wie Amazon Elastic MapReduce (EMR) oder Google importieren BigQuery- und Hadoop-Distributionen von Spielern wie Cloudera, Hortonworks und MapR. Diese Self-Service-Tools verfügen noch nicht unbedingt über die fortschrittlichsten Predictive Analytics-Funktionen, machen Big Data jedoch viel kleiner und einfacher zu analysieren und zu verstehen.
Nach Angaben von Snow gibt es heutzutage eine Vielzahl von Anwendungsfällen für die prädiktive Analyse in Unternehmen, angefangen von der Erkennung von POS-Betrug, der automatischen Anpassung digitaler Inhalte basierend auf dem Benutzerkontext, um Conversions zu fördern, bis hin zur Einleitung eines proaktiven Kundenservice für gefährdete Kunden Einnahmequellen. Im B2B-Marketing verwenden Unternehmen und KMUs laut Snow Predictive Marketing aus den gleichen Gründen, aus denen sie Strategien, Taktiken oder Technologien anwenden: um Kunden besser zu gewinnen, zu binden und zu bedienen als diejenigen, die dies nicht tun.
Im Detail identifizierte Snow drei Kategorien von Anwendungsfällen für das B2B-Marketing, die ihrer Ansicht nach den frühen prädiktiven Erfolg dominieren, und legte den Grundstein für eine komplexere Verwendung prädiktiver Marketinganalysen.
1. Vorausschauendes Scoring: Priorisieren bekannter potenzieller Kunden, Interessenten und Kunden anhand ihrer Wahrscheinlichkeit, Maßnahmen zu ergreifen.
"Als häufigster Einstiegspunkt für B2B-Vermarkter in das Predictive Marketing fügt Predictive Scoring der konventionellen Priorisierung eine wissenschaftliche, mathematische Dimension hinzu, die auf Spekulationen, Experimenten und Iterationen beruht, um Kriterien und Gewichtungen abzuleiten", sagte Snow. "Dieser Anwendungsfall hilft Verkäufern und Marketingfachleuten dabei, produktive Konten schneller zu identifizieren, weniger Zeit für Konten zu verwenden, die mit geringerer Wahrscheinlichkeit konvertiert werden, und gezielte Cross-Selling- oder Upselling-Kampagnen einzuleiten."
2. Identifikationsmodelle: Identifizieren und Gewinnen von Interessenten mit ähnlichen Attributen wie bestehende Kunden.
"In diesem Anwendungsfall dienen Konten, die das gewünschte Verhalten aufwiesen (einen Kauf getätigt, einen Vertrag verlängert oder zusätzliche Produkte und Dienstleistungen gekauft), als Grundlage für ein Identifizierungsmodell", so Snow. "Dieser Anwendungsfall hilft Verkäufern und Marketingfachleuten, frühzeitig im Verkaufszyklus wertvolle Perspektiven zu finden, neue Marketingfachleute zu finden, bestehende Konten für die Expansion zu priorisieren und auf Leistungskonten basierende Marketinginitiativen (ABM) auf den Markt zu bringen, die vernünftigerweise zu erwarten sind empfänglicher für Verkaufs- und Marketingbotschaften."
3. Automatisierte Segmentierung: Segment-Leads für personalisiertes Messaging.
"B2B-Vermarkter waren traditionell in der Lage, nur nach generischen Attributen wie der Industrie zu segmentieren, und zwar mit einem solchen manuellen Aufwand, dass die Personalisierung nur für hoch priorisierte Kampagnen angewendet wurde", sagte Snow. "Jetzt können Attribute, die zur Eingabe von Vorhersagealgorithmen verwendet werden, an Kontodatensätze angehängt werden, um sowohl die komplexe als auch die automatisierte Segmentierung zu unterstützen. Dieser Anwendungsfall hilft Verkäufern und Marketingfachleuten, ausgehende Kommunikationen mit relevanten Nachrichten zu steuern, umfangreiche Gespräche zwischen Verkäufen und Interessenten zu ermöglichen und die Inhaltsstrategie zu informieren." intelligenter."
BI-Tools und Open-Source-Frameworks wie Hadoop demokratisieren Daten insgesamt, aber neben B2B-Marketing werden Predictive Analytics auch in immer mehr cloudbasierten Softwareplattformen in einer Vielzahl von Branchen eingesetzt. Nutzen Sie die Website des Online-Partners eHarmony für Karrieren im Aufstiegsstadium und die Handvoll anderer Anbieter für den Bereich "Predictive Analytics for Hire". Diese Plattformen befinden sich noch in den Anfängen, aber die Idee, anhand von Daten vorherzusagen, welche Arbeitssuchenden am besten für bestimmte Jobs und Unternehmen geeignet sind, hat das Potenzial, die Rekrutierung von Talenten durch Personalmanager neu zu erfinden.
Helpdesk-Anbieter wie Zendesk haben auch damit begonnen, Helpdesk-Software mit Predictive Analytics-Funktionen auszustatten. Das Unternehmen hat seine Plattform mit Prognosemöglichkeiten ausgestattet, um Kundendienstmitarbeitern dabei zu helfen, problematische Bereiche mit einem datengesteuerten Frühwarnsystem namens Zufriedenheitsvorhersage zu erkennen. Die Funktion verwendet einen ML-Algorithmus, um die Ergebnisse der Zufriedenheitsumfrage zu verarbeiten. Dabei werden Variablen wie die Zeit zum Auflösen eines Tickets, die Wartezeit für die Antwort des Kundendiensts und die spezifische Ticketformulierung in einen Regressionsalgorithmus umgewandelt, um die projizierte Zufriedenheitsbewertung eines Kunden zu berechnen.
Wir sehen auch, dass prädiktive Analysen im industriellen Maßstab und mit dem Internet der Dinge (Internet of Things, IoT) einen großen Einfluss auf das Endergebnis haben. Google verwendet ML-Algorithmen in seinen Rechenzentren, um die Serverfarmen, auf denen die öffentliche Cloud-Infrastruktur der Google Cloud Platform (GCP) ausgeführt wird, vorhersagend zu warten. Die Algorithmen verwenden Daten zu Wetter, Last und anderen Variablen, um die Kühlpumpen im Rechenzentrum vorab anzupassen und den Stromverbrauch erheblich zu senken.
Diese Art der vorausschauenden Wartung ist auch in Fabriken an der Tagesordnung. Unternehmen wie SAP bieten vorausschauende Wartungs- und Serviceplattformen an, die Sensordaten von angeschlossenen IoT-Fertigungsgeräten verwenden, um vorherzusagen, wann eine Maschine einem Risiko für mechanische Probleme oder Ausfälle ausgesetzt ist. Tech-Unternehmen wie Microsoft untersuchen auch die vorausschauende Wartung von Luft- und Raumfahrt-Apps und lassen Cortana an der Analyse von Sensordaten von Flugzeugtriebwerken und -komponenten arbeiten.
Die Liste der potenziellen Geschäftsanwendungen geht weiter und weiter, von der prädiktiven Analyse, die die Einzelhandelsbranche verändert, bis hin zu Fintech-Start-ups, die prädiktive Modelle zur Betrugsanalyse und zum Risiko von Finanztransaktionen verwenden. Wir haben nur die Oberfläche zerkratzt, sowohl in der Art, wie verschiedene Branchen diese Art der Datenanalyse integrieren könnten, als auch in der Tiefe, in der Tools und Techniken für die prädiktive Analyse unsere Geschäftstätigkeit im Einklang mit der Entwicklung der KI neu definieren. Je näher wir der Abbildung eines künstlichen Gehirns kommen, desto größer sind die Möglichkeiten.
