Prediktiv Analytics låser opp store data
Prediktive Analytics er "Open Sesame" for verden av Big Data. Det er den prediktive teknologien som gjør det mulig for datamaskiner å lære å forutsi den fremtidige oppførselen til enkeltpersoner. I virksomheten kan denne muligheten til å forutsi - som er basert på overflatemønstre funnet i data - hjelper bedrifter med å ta informerte beslutninger og identifisere risiko og muligheter.
Det er vitenskapen som frigjør kraften til Big Data. Og resultatene påvirker alle.
Men det kan virke uutsigelig. Eric Siegel, en tidligere Columbia University professor og grunnlegger av Predictive Analytics World løfter sløret på denne ofte arcane verdenen i sin nye bok "Prediktive Analytics: Kraften til å forutsi hvem som vil klikke, Kjøp Lie eller Die" (Wiley, 2013). I denne grunnen tilbyr han 147 eksempler på hvordan predictive analytics brukes i ulike aspekter av liv og næringsliv, alt fra hvorfor tidlig pensjonering reduserer forventet levealder for hvordan bedrifter ser ut til å være utrolige, private sannheter - hvordan Target-tallene er gravide og hvordan Hewlett- Packard hevder at du er i ferd med å avslutte jobben.
Siegel delte nylig sine tanker om hvordan denne nye teknologien påvirker måten vi lever og jobber på, og noen advarsler om hvordan vi holder genien fra å løpe.
MobbyBusiness: Hva er Prediktiv Analytics?
Eric Siegel: Den korteste definisjonen er bokens undertekst: Kraften til å forutsi hvem som vil klikke, kjøpe, lyve eller dø. Prediktiv analyse er teknologien som lærer fra data for å gjøre spådommer om hva hver enkelt person vil gjøre - fra blomstrende og donere til å stjele og krasje bilen. Ved å gjøre det, øker organisasjonen suksess med markedsføring, revisjon, lovhåndhevelse, medisinsk behandling, utdannelse og til og med å kjøre en politisk kampanje for president.
MB: Hva er målene for Predictive Analytics?
ES: Prediksjon er nøkkelen til å kjøre bedre beslutninger, og veilede millioner av handlinger per person. For helsetjenester sparer dette liv. For rettshåndhevelse bekjemper den kriminalitet. For virksomheten reduseres risikoen, reduserer kostnadene, forbedrer kundeservice og reduserer uønsket post og spam. Det var en medvirkende faktor til gjenvalg av den amerikanske presidenten.
MB: Hva var de største hindringene som står overfor utviklingen av Prediktiv Analytics?
MB: Når ble Prediktiv Analytics først realistisk? Var det noen tipping point? E.S .:: Med den underliggende teknologien som var fast etablert i forskningslabben, var den store utfordringen å distribuere prediktiv analyse en slags nødvendig kulturskifte. Utover det tekniske arbeidet med å bygge en prediktiv modell fra data, skal de individuelle spådommene det genererer deretter brukes av organisasjonen, oppført for å drive operative aktiviteter. Integrering av prediktiv analyse på denne måten og dermed forandring (og forbedring) "virksomhet som vanlig" innebærer en organisasjonsendring som ikke skjer med fingeravtrykket.
ES: Selv om vi nettopp har nådd en tipping peker så langt som kritisk masse av utbredt bruk og generell bevissthet, frem til nå er det litt krypt opp på verden. Det var nisjer hvor det ble vanlig, for eksempel å målrette mot massive direktemarkedsføringskampanjer, forutsi hvilke mobiltelefonkunder som har risiko for å reise til en annen mobiloperatør, og bestemme risikoen for en kredittkortansøker. Disse har vært fast på plass i minst et par tiår. Den bredere bruken av markedsføring, svindeloppdagelse, avbestilling av kunder i andre virksomheter, nettbasert annonsemålretning og mye mer, har deretter vokst seg organisk fra den grunnlaget for suksess.
MB: Hvor viktig var det for Prediktive Analytics å utvikle verktøy og metoder som håndtere ustrukturerte data som tekst og annet subjektivt materiale?
E.S.: I enkelte prosjekter er ustrukturert data kritisk for prediktiv presisjon. For eksempel er det for noen organisasjoner å behandle kundeservicemidlers typede notater sentralt for å oppdage kunder som er mer utsatt for kansellering. I andre tilfeller er ingen relevante ustrukturerte data tilgjengelig.
MB: Hva skiller dette fra datautvinning og forretningsinformasjon?
ES: Prediktiv analyse passer helt innenfor den store "data-driven "arena referert av begreper som stor data, data mining, business intelligence og analytics (uten" predictive "). Spenningen rundt hvor mye data det er og dets potensielle, spørsmålet, hva skal vi gjøre med det, hva er den spesifikke verdien? Svaret på dette spørsmålet er, lære av det hvordan å forutsi. Det som gjør en direkte forskjell for hvordan organisasjoner opererer, er forutsigelse.
MB: Betyr Prediktiv Analytics primært med korrelasjon eller med årsak?
E.S .:: Korrelasjon. Årsak er en unnvikende ting å etablere, og du trenger ikke nødvendigvis det for å kunne forutsi deg godt. Hvis vi ser sammenhengen mellom at tidligere pensjonister har høyere helserisiko, vil vi gjerne vite hvorfor - men vi trenger ikke å vite hvorfor for å kunne benytte seg av denne informasjonen. I stedet blir tidlig pensjonering en faktor å vurdere når man bestemmer seg for å prioritere en pasient for ytterligere screening eller andre forebyggingsorienterte aktiviteter.
MB: Er Predictive Analytics noe som kan implementeres av små bedrifter og store?
ES: Ja, og det er ofte. Så lenge det er en lang nok kundeliste å lære, er det potensial. For eksempel utfører mange små selskaper direkte post (eller online aktiviteter) på tvers av mange kunder.
MB: Jeg har et lite, forbrukerrettet firma med flere databaser med kundeinformasjon, konkurransedyktig intelligens, etc. Hvor begynner jeg? ?
ES: Den første måten å bestemme er hvilken kundeadferd som er å forutsi og hvordan forutsigelsene vil gi verdi, dvs. hvilke operasjoner vil bli tweaked med de individuelle spådommene. For eksempel, forutse hvilken kunde som vil kjøpe hvis sendt en brosjyre for å bestemme hvem som er verdt å investere $ 2 for å sende brosjyren til.
MB: Hvorfor er vi så datafobiske?
ES: Jeg tror vi blir mye mindre datafobisk ekstremt raskt på dette tidspunktet. Folk som aldri har følt seg trygge eller komfortable med matte, kan i utgangspunktet vike seg bort fra kvantitativt orienterte konsepter og anta at de er bane og vanskelige å forstå. Men ideen om å bestemme "ja mot nei" for hver enkelt person om å sende, godkjenne, undersøke, gripe eller sette opp-på-dato - basert på en spådd oppførsel for enkeltpersoner - er ikke så unnvikende, som folk raskt oppdager. Og den grunnleggende ideen om hvordan man danner en prediksjon for individ basert på alle de kjente faktorene, viser seg også å være lett for alle å forstå, selv uten å komme inn i matematikken.
MB: Du skriver at dataene er verdens mest blomstrende unaturlig ressurs. Vennligst forklar.
E.S .:: Det er meg å være søt og humoristisk. Data er sikkert en blomstrende ressurs. "Unaturlig ressurs" er et spill på det velkjente uttrykket "naturressurs" - fordi informasjonen på en diskett (eller millioner av diskstasjoner, for den saks skyld!) Trolig vil bli betraktet som kunstig snarere enn en del av natur. Hmm, ikke så morsomt når du må forklare det.
MB: Vil det være noe som Moores lov som beskriver veksten av Prediktive Analytics?
ES: Prediktiv analyse vil fortsette å vokse raskt som alle nye beste praksis som ikke bare er en seier å ansette, men en konkurransedyktig nødvendighet. Moores lov kommer inn fordi det forteller oss hvor raskt dataene vil fortsette å vokse, og jo flere data du kan lære, desto bedre kan du forutsi og de flere typer atferd som kan forutses.
MB: Du er glad å sitere fra "Spiderman" - "Med stor makt kommer stort ansvar." Hva mener du?
E.S.: Med adventen av prediktiv analyse, får organisasjoner kraft ved å forutsi potensielle, men i enkelte tilfeller sensitive innsikter om enkeltpersoner. Faktum er at prediktiv teknologi avslører en fremtid som ofte anses som privat. Disse spådommene er avledet fra eksisterende data, nesten som om å skape ny informasjon ut av tynn luft. Eksempler er at Hewlett-Packard utløser en ansattes intensjon om å trekke seg tilbake, forhandler Target divergerer en kundes graviditet, og rettshåndhevelse i Oregon og Pennsylvania forutsetter en straffes fremtidige gjentakelse.
MB: Er det en mørk side til Prediktive Analytics? Hvordan kan vi kontrollere det?
E.S .:: Som med enhver markedsføring, rettshåndhevelse eller andre aktiviteter, må individets behov og rettigheter bli en del av ligningen. Med aktiviteter som fungerer mye over mange mennesker, er det alltid risiko for å miste nettsted for enkeltpersoner. Det er kritisk å øke den offentlige forståelsen av hva prediktiv analyse er, hvordan den blir brukt, og en følelse av hvordan den fungerer for å informere diskusjoner, debatter og lovgivningsaktiviteter.
MB: Algoritmer for Prediktiv Analytics blir stadig bedre å finne ut hva vi liker. Vil dette drepe kreativitet og serendipity? Kan Prediktive Analytics noensinne produsere en iPod?
E.S .:: Jeg tror sterkt på at dette kraftige verktøyet hjelper verden og hever menneskelig aktivitet. Prediktiv analyse hjelper til med å tilpasse eksisterende operasjoner - det er et paradigmeskifte, men det skaper ikke nye paradigmeskift som iPod. Kjører ting mer intelligent og gjør operasjonene mer effektive og effektive (for eksempel å redusere søppelpost og spam) åpner bare ekstra ressurser og muligheter som i sin tur fremmer fortsatt menneskelig kreativitet. Det er ingenting der for å desinfisere menneskelig kreativitet, og jeg ser ikke entreprenører og forskere som planlegger å bremse noen gang snart.
Følg oss @MBarticles , Facebook eller Google + . Følg oss @MBarticles , Facebook eller Google + .
Snakkesett for små bedrifter: McCrea's Candies
Vår Small Business Snapshot-serie inneholder bilder som representerer, på bare ett bilde, hva de små bedriftene vi har alt om. Kate McCrea, medeier av McCrea's Candies, forklarer hvordan dette bildet representerer sin virksomhet. McCrea's Candies, som er basert i Boston, lager håndlavet luxe karamell.
Guide til Internett av ting: Hva bedriften trenger å vite
Internett av ting (IoT) er fortsatt et populært delmengde av IT-området. Til tross for fremskrittene er IoT imidlertid fortsatt i sin barndom. I 2020 forventes årlige IoT-inntekter å overstige 470 milliarder kroner. Med massive sprang i IoT-teknologien og et raskt skiftende landskap er IoT-sikkerhet en spirende bekymring.
Populære Innlegg