Предиктивная аналитика делает именно то, на что она похожа: она анализирует данные, чтобы выяснить, что может произойти в будущем. Как и в случае с большинством прогнозов, они никогда не бывают верны на 100%, но большие данные и искусственный интеллект делают их гораздо более точными.

Хотя раньше это была относительно специализированная область математики и компьютерных наук, новые прогностические технологии стали более доступными и простыми в применении: компании используют их на клиентах, исследователи используют их на болезнях, рекламные агентства используют их для таргетинга на потребителей, банки используют их для обнаружить мошенничество предотвратить, и этот список можно продолжить. Как на самом деле работает предиктивная аналитика, что она предсказывает и насколько надежны ее прогнозы?

Как это работает?

Прогнозная аналитика включает в себя несколько общих шагов:

Подумайте о том, что вы хотите предсказать: сколько времени вам понадобится, чтобы добраться из пункта А в пункт Б? Соберите исторические / текущие данные: ваш / другой предыдущий опыт на этом маршруте / текущие условия. Определите важные факторы: день недели, время суток, погода, частота задержек и т. д. Постройте и «обучите» модель: попытайтесь выяснить, как каждый фактор исторически влиял на время в пути. Вставьте обновленную информацию и получите результат: в теплый понедельник в 17:30 ваша поездка займет 30 минут.

Это простой пример, но если вы когда-либо просматривали прогнозы трафика Google Maps, вы использовали что-то подобное. Насколько она точна, зависит от качества доступных исторических данных и данных в реальном времени, но она почти всегда может дать довольно точную оценку того, что представляет собой прогностическая аналитика.

Что он предсказывает?

Predictive-Analytics-Retail

Прогнозная аналитика продуктивно используется в медицинских исследованиях, финансах, производстве, цепочках поставок и т. д., но одно из самых прибыльных применений этой технологии — анализ и прогнозирование поведения клиентов. Если вы когда-нибудь задумывались, почему ваши данные являются таким ценным товаром, то это одна из основных причин. Имея доступ к большому количеству исторических пользовательских данных, предприятиям гораздо проще понять, как нажимать на кнопки потребителей.

В здравоохранении и медицине прогнозная аналитика в основном используется для оптимизации лечения и поиска новых способов борьбы с болезнями. Анализируя исторические данные о пациентах, больницы могут сократить количество пациентов, которым необходимо вернуться, создать более персонализированные планы лечения и получить более точную оценку рисков. Прогностические аналитические модели также важны для исследования заболеваний, поскольку они используют данные, полученные от пациентов и населения, для выявления факторов риска, результатов лечения и многого другого.

По теме: «Отказ от участия в Абу-Даби — это не возврат», — утверждает Доминик Тим.

Финансовые приложения также ориентированы на риск — в частности, кто является безопасным выбором для кредита или счета? Применение прогнозной аналитики может помочь финансовым учреждениям выявлять лиц с высоким риском дефолта и более эффективно выявлять мошеннические действия.

Но ни одна отрасль не так увлечена прогностической аналитикой, как розничная торговля и реклама. Представьте себе, что вы можете наблюдать за каждым шагом ваших клиентов, вводить их в огромную базу данных и анализировать их на наличие шаблонов. Вы можете узнать, кто, скорее всего, перестанет пользоваться вашим сервисом, что побуждает людей продолжать использовать ваш продукт, кто, скорее всего, отреагирует на конкретную рекламу, на кого вам следует нацелить свои кампании — все данные обновляются в режиме реального времени и можно анализировать время.

Насколько точны эти прогнозы?

Predictive-Analytics-Vertrauen

На этот вопрос нет общего ответа, потому что каждая модель индивидуальна. Качество данных, методы, используемые для их анализа, и множество других факторов играют роль в том, насколько точными могут быть прогнозы. Предиктивная аналитика не всегда дает правильные результаты, но благодаря достижениям в области больших данных и искусственного интеллекта они все чаще делают это правильно.

Что делает большие данные «большими», так это не то, сколько их существует, а то, насколько эффективно большие объемы могут быть обработаны. Многие статистические данные исторически основывались на оценках популяций на основе выборок, взятых из этих популяций, что добавляет некоторую неопределенность.

Однако инструменты больших данных позволяют использовать гораздо больше доступных данных для прогнозов, увеличивая вероятность того, что они будут правильными. Предиктивная аналитика уже неплохо справляется с показом рекламы людям и определением времени в пути, и в будущем она будет еще более эффективной.

Большие (плохие?) данные

Как вы принимаете правильные решения? На протяжении большей части истории человечества мы использовали свой мозг для обработки любой доступной информации и действовали соответственно. Наши решения всегда определялись отсутствием точной информации, ограниченной способностью распознавать закономерности и множеством предубеждений.

Однако хорошо сделанный алгоритм с большим набором данных не имеет этой проблемы, а возможность переложить большую часть нашей умственной работы на машины — это большой прогресс для человечества. Конечно, алгоритмы могут быть преднамеренно или непреднамеренно искажены, наборы данных могут быть повреждены, а прогнозы поведения могут использоваться для социального контроля так же легко, как и для оптимизации покупательского опыта. Обеспечение того, чтобы наши системы развивались прозрачным и универсальным образом, окажет реальное влияние на то, как технологии формируют (и предсказывают) будущее.

Связанный : исправить ошибку Err_Connection_Closed в Windows 11/10

Авторы изображений: визуальное представление событий, составляющих поведенческую аналитику, процесс прогнозной аналитики.