Προγνωστική ανάλυση: μετατροπή δεδομένων σε αποφάσεις

Τα περισσότερα έργα ανάλυσης παράγουν έναν πίνακα εργαλείων. Ένα καλό παράγει μια απόφαση. Η διαφορά είναι η όλη ουσία, και εκεί πολλές προσπάθειες αποτυγχάνουν αθόρυβα.

Τι είναι η προγνωστική ανάλυση, με απλούς όρους;

Η προγνωστική ανάλυση χρησιμοποιεί τα ιστορικά δεδομένα σας για να εκτιμήσει τι είναι πιθανό να συμβεί στη συνέχεια, έτσι ώστε ένα άτομο ή ένα σύστημα να μπορεί να ενεργήσει πριν το κάνει. Είναι το βήμα πέρα ​​από την αναφορά. Η αναφορά σας λέει τι έχει ήδη συμβεί. Η προγνωστική ανάλυση σάς λέει τι έρχεται και σας δίνει χρόνο να κάνετε κάτι γι' αυτό, ενώ υπάρχει ακόμα μια επιλογή να κάνετε.

Μια πρόβλεψη χωρίς δράση είναι χόμπι

Είναι ικανοποιητικό να προβλέπετε ποιοι πελάτες θα αποχωρήσουν ή πόσα απόθεμα θα χρειαστείτε το επόμενο τρίμηνο. Είναι πολύτιμο μόνο αν αυτή η πρόβλεψη αλλάξει αυτό που κάνει κάποιος τη Δευτέρα το πρωί. Πριν δημιουργήσετε ένα μοντέλο, αποφασίστε ποια ενέργεια θα ενεργοποιήσει η έξοδος του. Εάν δεν μπορείτε να ονομάσετε τη δράση, δεν είστε έτοιμοι να δημιουργήσετε το μοντέλο και ένας πίνακας ελέγχου στον οποίο κανείς δεν ενεργεί είναι απλώς ένας ακριβός τρόπος για να αισθάνεστε ενημερωμένοι.

Πώς δημιουργείτε αναλυτικά στοιχεία που χρησιμοποιούν πραγματικά οι άνθρωποι;

Ο αξιόπιστος τρόπος για να δημιουργήσετε χρήσιμα αναλυτικά στοιχεία είναι να ξεκινήσετε από το τέλος, με την απόφαση και να εργαστείτε αντίστροφα στα δεδομένα.

1. Ονομάστε την απόφαση. Ποια επιλογή θέλετε να κάνετε καλύτερη και ποιος την κάνει; Ένας επώνυμος ιδιοκτήτης και μια επώνυμη επιλογή κρατούν το έργο ειλικρινές.
2. Ορίστε το όριο. Σε ποιον αριθμό αλλάζει η απόφαση; Μια βαθμολογία ανατροπής 0,8 δεν σημαίνει τίποτα μέχρι να συμφωνήσετε τι συμβαίνει στο 0,8 που δεν συμβαίνει στο 0,6.
3. Στη συνέχεια επιλέξτε το μοντέλο. Μόνο όταν γνωρίζετε την απόφαση και το όριο έχει νόημα το ερώτημα ποια τεχνική να χρησιμοποιήσετε.

Αυτή η σειρά έχει σημασία. Οι ομάδες που ξεκινούν από τα δεδομένα και αναζητούν κάτι ενδιαφέρον τείνουν να βρίσκουν κάτι ενδιαφέρον και άχρηστο. Οι ομάδες που ξεκινούν από την απόφαση κατασκευάζουν το μικρότερο μοντέλο που την κινεί.

Γιατί η εμπιστοσύνη είναι το πραγματικό προϊόν;

Μια πρόβλεψη πραγματοποιείται μόνο εάν τα άτομα που την χρησιμοποιούν την εμπιστεύονται και η εμπιστοσύνη δεν είναι το ίδιο με την ακρίβεια. Κερδίζεται με τρεις τρόπους. Με το να είμαστε ειλικρινείς σχετικά με την αβεβαιότητα, ώστε ο χρήστης να γνωρίζει πότε το μοντέλο μαντεύει. Με το να έχεις δίκιο αρκετά συχνά ώστε να έχει σημασία, μετρημένο με βάση την απόφαση και όχι με έναν πίνακα κατάταξης. Και με το να είναι εξηγήσιμο, έτσι το άτομο που βρίσκεται στο γάντζο μπορεί να υπερασπιστεί την κλήση που έκανε. Θα χρησιμοποιηθεί ένα μοντέλο που λέει «η ανανέωση είναι απίθανη, και να γιατί». Ένα μαύρο κουτί που εκπέμπει έναν γυμνό αριθμό θα αγνοηθεί αθόρυβα, ανεξάρτητα από το πόσο καλά είναι τα μαθηματικά πίσω από αυτό.

Η βαθμονόμηση έχει σημασία τόσο όσο και η πρωτογενής ακρίβεια. Ένα μοντέλο που έχει δίκιο εβδομήντα τοις εκατό των φορών και σηματοδοτεί την αβεβαιότητα του ειλικρινά είναι πιο χρήσιμο από ένα που έχει δίκιο εβδομήντα πέντε τοις εκατό των περιπτώσεων, αλλά ακούγεται εξίσου σίγουρο για τα πάντα, επειδή το πρώτο λέει στον χρήστη πότε πρέπει να κοιτάξει πιο προσεκτικά και το δεύτερο όχι. Το να γνωρίζετε πότε πρέπει να μην εμπιστεύεστε το μοντέλο είναι μέρος της καλής χρήσης του.

Πού αποδίδει πρώτα τα προγνωστικά analytics;

Οι πιο γρήγορες νίκες μοιράζονται ένα σχήμα: μια απόφαση που λαμβάνεται συχνά, σε μια προθεσμία, όπου το να είσαι νωρίς αξίζει πραγματικά χρήματα. Μερικά επαναλαμβανόμενα παραδείγματα:

• Churn. Εντοπίζοντας τους πελάτες που πρόκειται να φύγουν όσο υπάρχει ακόμη χρόνος για να τους κρατήσετε.
• Ζήτηση και απόθεμα. Πρόβλεψη τι θα χρειαστείτε, ώστε να μην ξεμείνετε ούτε να δεσμεύετε μετρητά στα ράφια.
• Συντήρηση και κίνδυνος. Επισήμανση του περιουσιακού στοιχείου, της αξίωσης ή του λογαριασμού που πρόκειται να γίνει πρόβλημα, πριν γίνει.

Καθένα από αυτά είναι μια πρόβλεψη που συνδέεται με μια ξεκάθαρη δράση, γι' αυτό ακριβώς αποπληρώνουν. Εάν η επιχείρησή σας βασίζεται σε αρχεία πολλών ετών που δεν έχετε χρησιμοποιήσει ποτέ πραγματικά, αυτό το χάσμα μεταξύ δεδομένων και αποφάσεων είναι ένα από τα σαφέστερα σημάδια ότι είναι καιρός να ενεργήσετε σύμφωνα με αυτό. Η μετατροπή ενός μοντέλου σε σύστημα που τρέχει η ομάδα σας καθημερινά είναι η δική της πειθαρχία και είναι όπου η δουλειά μεταβαίνει από συμβουλές σε κάτι στην παραγωγή. Είναι επίσης η καρδιά αυτού που σκοπεύει να κάνει η εργασία προγνωστικής ανάλυσης.

Το takeaway

Η καλή προγνωστική ανάλυση δεν αφορά τον πιο έξυπνο αλγόριθμο. Πρόκειται για το κλείσιμο του χάσματος μεταξύ ενός αριθμού σε μια οθόνη και μιας καλύτερης απόφασης στο δωμάτιο. Ξεκινήστε από την απόφαση, κερδίστε την εμπιστοσύνη και το μοντέλο θα φροντίσει τον εαυτό του.