Mitä ennustava analytiikka ennustaa ja kuinka hyvin se tekee?

Ennakoiva analytiikka tekee juuri sitä, miltä se kuulostaa: se analysoi dataa selvittääkseen, mitä saattaa tapahtua tulevaisuudessa. Kuten useimmat ennusteet, se ei ole koskaan 100 % totta, mutta big data ja tekoäly tekevät siitä paljon tarkemman.

Vaikka se oli aikoinaan suhteellisen erikoistunut matematiikan ja tietojenkäsittelytieteen ala, uudet ennustavat tekniikat ovat helpommin saavutettavissa ja sovellettavissa: yritykset käyttävät sitä asiakkaisiin, tutkijat käyttävät sitä sairauksiin, mainostoimistot käyttävät sitä kuluttajien kohdistamiseen, pankit käyttävät sitä petosten estämiseen. , ja lista jatkuu. Joten miten ennustava analytiikka todella toimii, mitä se ennustaa ja kuinka luotettavia sen ennusteet ovat?

Kuinka se toimii?

Ennakoivassa analytiikassa on muutamia yleisiä vaiheita:

• Selvitä, mitä haluat ennustaa: kuinka kauan sinulla kestää ajaa pisteestä A pisteeseen B?
• Kerää historialliset/nykyiset tiedot: sinun/muiden aiemmat kokemukset tällä reitillä / nykyiset olosuhteet.
• Tunnista tärkeät tekijät: viikonpäivä, vuorokaudenaika, sää, viivästymistiheys jne.
• Luo ja ”kouluta” malli: yritä selvittää, kuinka kukin tekijä on historiallisesti vaikuttanut ajoaikaan.
• Liitä nykyiset tietosi ja saat tuloksen: lämpimänä maanantaina klo 17.30 ajomatkasi kestää kolmekymmentä minuuttia.

Tämä on yksinkertainen esimerkki, mutta jos olet joskus katsonut Google Mapsin liikenneennusteita, olet käyttänyt jotain tällaista. Se, kuinka tarkka se on, riippuu saatavilla olevien historiallisten ja reaaliaikaisten tietojen laadusta, mutta se voi melkein aina antaa melko läheisen arvauksen, mistä ennustavassa analytiikassa on kyse.

Mitä se ennustaa?

Ennakoivaa analytiikkaa käytetään tuottavasti lääketieteellisessä tutkimuksessa, rahoituksessa, valmistuksessa, toimitusketjuissa ja muualla, mutta yksi tämän tekniikan kannattavimmista sovelluksista on analysoida ja ennustaa asiakkaiden käyttäytymistä. Jos olet koskaan miettinyt, miksi tietosi ovat niin arvokas hyödyke, tämä on yksi tärkeimmistä syistä. Kun käytössään on suuria määriä historiallisia käyttäjätietoja, yritysten on paljon helpompi selvittää, kuinka ne voivat painaa kuluttajien painikkeita.

Terveydenhuollossa ja lääketieteessä ennakoivaa analytiikkaa käytetään enimmäkseen hoitojen optimointiin ja uusien tapojen löytämiseen sairauksien torjumiseksi. Analysoimalla historiallisia potilastietoja sairaalat voivat vähentää potilaiden määrää, joiden on palattava, luoda yksilöllisempiä hoitosuunnitelmia ja saada tarkempia riskiarvioita. Ennustavat analytiikkamallit ovat tärkeitä myös sairaustutkimuksessa, sillä ne käyttävät potilaiden ja väestön tuottamaa tietoa riskitekijöiden, hoitotulosten ja muun tunnistamiseen.

Rahoitushakemukset keskittyvät samalla tavalla riskeihin – erityisesti, kuka on turvallinen veto lainalle tai tilille? Ennakoivan analytiikan soveltaminen voi auttaa rahoituslaitoksia tunnistamaan ihmiset, joilla on suuri maksukyvyttömyyden riski, ja ilmoittaa petostoiminnasta tehokkaammin.

Mutta mikään toimiala ei ole yhtä innostunut ennakoivasta analytiikasta kuin vähittäiskauppa ja mainonta. Kuvittele, että voisit seurata asiakkaasi jokaista liikettä, syöttää ne valtavaan tietokantaan ja analysoida kuvioita. Voit selvittää, kuka todennäköisimmin lopettaa palvelusi käytön, mikä saa ihmiset jatkamaan tuotteesi käyttöä, kuka todennäköisimmin reagoi tiettyihin mainoksiin, kenelle kohdistaa kampanjoillasi – kaikki tiedot voidaan päivittää ja analysoida todellisuudessa. aika.

Kuinka tarkkoja nämä ennusteet ovat?

Tähän kysymykseen ei ole yhtä vastausta, koska jokainen malli on erilainen. Tietojen laatu, sen analysoinnissa käytetyt menetelmät ja monet muut tekijät vaikuttavat kaikki siihen, kuinka tarkkoja ennusteet voivat olla. Ennakoiva analytiikka ei saa sitä aina oikein, mutta ison datan ja tekoälyn edistymisen ansiosta he saavat sen oikein lisää ajasta.

Bigdatasta ”isoa” ei välttämättä tee se, kuinka paljon sitä on, vaan se, kuinka tehokkaasti suuria määriä sitä voidaan käsitellä. Suurin osa tilastoista on historiallisesti perustunut populaatioita koskevien arvausten tekemiseen näistä populaatioista otettujen näytteiden perusteella, mikä lisää epävarmuutta.

Big data -työkalut antavat kuitenkin mahdollisuuden käyttää paljon enemmän saatavilla olevaa dataa ennusteiden tekemiseen, mikä tekee niistä paljon todennäköisempää. Ennakoiva analytiikka tekee jo nyt melko hyvää työtä näyttäessään ihmisille mainoksia ja selvittäessään työmatka-aikoja, ja se on vain tehokkaampaa tulevaisuudessa.

Suuri (huono?) data

Miten teet hyviä päätöksiä? Suurimman osan ihmiskunnan historiasta olemme käyttäneet aivojamme prosessoimaan kaikkia saatavilla olevia syötteitä ja toimimaan niiden mukaisesti. Päätöksiämme ovat aina saastuttaneet tarkan tiedon puute, rajallinen kyky tunnistaa malleja ja mikä tahansa harha.

Hyvin tehdyssä algoritmissa, jossa on suuri tietojoukko, ei kuitenkaan ole tätä ongelmaa, ja kyky purkaa paljon henkistä työtämme koneille on suuri askel eteenpäin ihmiskunnalle. Algoritmit voivat tietysti olla harhaanjohtavia, joko tarkoituksella tai tahattomasti, tietojoukot voivat vioittua, ja käyttäytymisennusteita voidaan käyttää sosiaaliseen ohjaukseen yhtä helposti kuin vähittäiskaupan kokemusten optimointiin. Varmistamalla, että järjestelmämme kehittyvät läpinäkyviksi ja yleisesti hyödyllisiksi, on todellinen vaikutus tapaan, jolla teknologia muokkaa (ja ennustaa) tulevaisuutta.

Kuvatekstit: Visuaalinen esitys tapahtumista, jotka muodostavat käyttäytymisanalyysin, Ennakoiva analytiikkaprosessi