Prediktivní modelování a ovlivnění chování zákazníků
V digitální ekonomice existují dvě třídy aplikací: historické a prediktivní. Mnoho zákaznických potřeb lze splnit výhradně pomocí historických dat, včetně dat téměř v reálném čase. Většina řešení se v tuto chvíli zaměřuje především na agregaci dat. Pak tato data zpracovávají a sdílejí zpět se zákazníkem ve formě digitálního nebo ambientního prostředí.
Na rozdíl od historického modelování je prediktivní modelování. Co je ale prediktivní modelování? Prediktivní modelování využívá statistiky a známé výsledky ke zpracování a vytváření modelů, které lze použít k predikci budoucích výsledků v rámci rozumu. S tím, jak se prediktivní modelování stává nákladově efektivnějším a snadno dostupným, zákazníci vyžadují prostředí s výhledem na další kroky, které vedou k lepšímu rozhodování a akcím. Tato poptávka ale nemusí vždy navrhovat prediktivní řešení. Ve většině případů může historické zobrazení poskytnout dostatek dat, aby se mohl zákazník rozhodnout sám.
Zákazníci bohužel často zauírají myopický pohled, který vede k rozhodování na základě jejich bezprostředního okolí a sféry vlivu. S rostoucím počtem možností a s rostoucím dopadem nemusí toto myopické zobrazení sloužit potřebám zákazníka. Současně s tím, jak se ve velkém prokazuje hypotéza, může společnost poskytující řešení vidět tisíce nebo miliony rozhodnutí zákazníků. Tento celkový přístup umožňuje vidět široké vzory a dopady těchto vzorů. Schopnost prediktivního modelování představuje moudrou investici, pokud je pochopení těchto vzorů nezbytné k rozhodování, které nejlépe poslouží zákazníkovi.
Příklady prediktivního modelování a jeho vliv na chování zákazníků
Různé aplikace a prostředí používají data k vytváření předpovědí:
- Elektronické obchodování: Na základě toho, co si koupili další podobní spotřebitelé, navrhne web elektronického obchodu produkty, které by mohly být vhodné přidat do košíku.
- Upravená realita: IoT nabízí pokročilejší instance prediktivních funkcí. Předpokládejme například, že zařízení na montážní lince detekuje nárůst teploty počítače. Způsob reakce určuje cloudový prediktivní model. Na základě této předpovědi jiné zařízení zpomalí montážní linku, dokud se zařízení nebude moct vychladnout.
- Spotřební produkty: Mobilní telefony, chytré domy, dokonce i vaše auto, používají prediktivní funkce, které analyzují a navrhují chování uživatelů na základě faktorů, jako je poloha nebo denní doba. Když je predikce sladěná s počáteční hypotézou, předpověď vede k akci. Ve velmi vyspělé fázi může toto sladění udělat z produktů, jako je samořízné auto, realitou.
Vývoj prediktivních funkcí
Řešení, která konzistentně poskytují přesné prediktivní funkce, obvykle zahrnují pět základních charakteristik. Pět základních charakteristik prediktivního modelování:
- Data
- Insights
- Vzory
- Predikce
- Interakce
Každý aspekt je nutný k vývoji prediktivních schopností. Stejně jako všechny skvělé inovace i vývoj prediktivních funkcí vyžaduje závazek iterace. V každé iteraci se vyzrává jedna nebo více následujících charakteristik, aby bylo možné ověřit stále složitější hypotézy zákazníka.
Upozornění
Pokud hypotéza zákazníka vytvořená v buildu s empatií zákazníka zahrnuje prediktivní funkce, mohly by se použít popsané principy. Prediktivní funkce však vyžadují značné investice času a energie. Pokud jsou prediktivní schopnosti technickými špičkami na rozdíl od zdroje skutečné hodnoty pro zákazníka, doporučujeme odložit predikce, dokud nebudou hypotézy zákazníka ověřeny ve velkém měřítku.
Data
Data jsou nejzásadnější z výše zmíněných charakteristik. Každá z disciplín pro vývoj digitálních vynálezů generuje data. Tato data samozřejmě přispívají k vývoji předpovědí. Další informace o způsobech, jak převést data do prediktivního řešení, najdete tady:
K zajištění prediktivních funkcí je možné použít různé zdroje dat:
Insights
Odborníci na danou problematiku používají data o potřebách a chování zákazníků k vývoji základních obchodních přehledů ze studie nezpracovaných dat. Tyto přehledy můžou přesně určit výskyty požadovaného chování zákazníků (nebo případně nežádoucích výsledků). Během iterací předpovědí můžou tyto přehledy pomoct při identifikaci potenciálních korelací, které by nakonec mohly generovat pozitivní výsledky. Pokyny k tomu, jak odborníkům na danou problematiku umožnit vývoj přehledů, najdete v tématu Demokratizace dat pomocí digitálních vynálezů.
Vzory
Lidé se vždy snažili rozpoznat vzory ve velkých objemech dat. Pro tento účel byly navrženy počítače. Strojové učení tento úkol zrychluje tím, že detekuje přesně takové vzory, což je dovednost, která se skládá z modelu strojového učení. Tyto vzory se pak používají prostřednictvím algoritmů strojového učení k předpovídání výsledků při zadání nové sady dat do algoritmů.
Strojové učení využívá jako výchozí bod přehledy a vyvíjí a používá prediktivní modely, které využívají vzory v datech. Díky několika iteracím trénování, testování a přijetí můžou tyto modely a algoritmy přesně předpovědět budoucí výsledky.
Azure Machine Learning je nativní cloudová služba v Azure pro vytváření a trénování modelů založených na vašich datech. Součástí tohoto nástroje je také pracovní postup pro urychlení vývoje algoritmů strojového učení. Tento pracovní postup lze použít k vývoji algoritmů prostřednictvím vizuálního rozhraní nebo Pythonu.
Pro robustnější modely strojového učení poskytují služby ML Services v Azure HDInsight platformu strojového učení postavenou na clusterech Apache Hadoop. Tento přístup umožňuje podrobnější kontrolu nad podkladovými clustery, úložištěm a výpočetními uzly. Azure HDInsight také nabízí pokročilejší integraci prostřednictvím nástrojů, jako jsou ScaleR a SparkR, k vytváření předpovědí na základě integrovaných a přijatých dat, a to i při práci s daty ze streamu. Řešení pro předpověď zpoždění letů demonstruje tyto pokročilé funkce při předpovídání zpoždění letů na základě povětrnostních podmínek. Řešení HDInsight také umožňuje podnikové ovládací prvky, jako je zabezpečení dat, přístup k síti a monitorování výkonu, za účelem zprovoznění vzorů.
Predikce
Po sestavení a vytrénování vzoru ho můžete použít prostřednictvím rozhraní API, která můžou provádět předpovědi během poskytování digitálního prostředí. Většina z těchto rozhraní API je vytvořená z dobře natrénovaného modelu založeného na vzoru ve vašich datech. S tím, jak více zákazníků nasazuje každodenní úlohy do cloudu, vedou rozhraní API pro predikce využívaná poskytovateli cloudu k ještě rychlejšímu přijetí.
Azure Cognitive Services je příkladem prediktivního rozhraní API vytvořeného dodavatelem cloudu. Tato služba zahrnuje prediktivní rozhraní API pro moderování obsahu, detekci anomálií a návrhy pro přizpůsobení obsahu. Tato rozhraní API jsou připravená k použití a jsou založená na dobře známých vzorech obsahu, které Microsoft používá k trénování modelů. Rozhraní API předpovídají na základě dat, která do rozhraní API předáte.
Azure Machine Learning umožňuje nasadit vlastní algoritmy, které můžete vytvářet a trénovat výhradně na základě vlastních dat. Informace o nasazení predikcí pomocí služby Azure Machine Learning najdete v tématu Nasazení modelů strojového učení do Azure.
Informace o procesech pro zveřejnění predikcí vyvinutých pro ml Services ve službě Azure HDInsight najdete v tématu Nastavení clusterů HDInsight.
Interakce
Jakmile je predikce dostupná prostřednictvím rozhraní API, můžete ji použít k ovlivnění chování zákazníků. Tento vliv má formu interakcí. Interakce s algoritmem strojového učení probíhá v rámci vašich dalších digitálních nebo okolních prostředí. Při shromažďování dat prostřednictvím aplikace nebo prostředí se data spouštějí prostřednictvím algoritmů strojového učení. Když algoritmus predikuje výsledek, může se tato předpověď sdílet se zákazníkem prostřednictvím stávajícího prostředí.
Přečtěte si další informace o tom, jak vytvořit ambientní prostředí prostřednictvím upraveného řešení reality.
Další kroky
Projděte si normativní architekturu, která zahrnuje nástroje, programy a obsah (osvědčené postupy, šablony konfigurace a pokyny k architektuře), abyste zjednodušily přijetí pro následující scénáře inovací.