Voorspellende modellering en beïnvloeding van klantgedrag
Er zijn twee soorten toepassingen in de digitale economie: historisch en voorspellend. Aan veel klantbehoeften kan uitsluitend worden voldaan met behulp van historische gegevens, waaronder bijna realtime gegevens. De meeste oplossingen richten zich voornamelijk op het samenvoegen van gegevens op dit moment. Ze verwerken en delen die gegevens vervolgens terug naar de klant in de vorm van een digitale of omgevingservaring.
In tegenstelling tot historische modellering is voorspellende modellering. Maar wat is voorspellende modellering? Voorspellende modellering maakt gebruik van statistieken en bekende resultaten om modellen te verwerken en te maken die kunnen worden gebruikt om toekomstige resultaten binnen een redelijk bereik te voorspellen. Naarmate voorspellende modellering rendabeler en beter beschikbaar wordt, vragen klanten om vooruitstrevende ervaringen die leiden tot betere beslissingen en acties. Deze vraag wijst echter niet altijd op een voorspellende oplossing. In de meeste gevallen kan een historische weergave voldoende gegevens bieden om de klant in staat te stellen zelf een beslissing te nemen.
Helaas nemen klanten vaak een bijziend beeld dat leidt tot beslissingen op basis van hun directe omgeving en invloedssfeer. Naarmate opties en beslissingen toenemen in aantal en impact, kan die myopische weergave mogelijk niet voldoen aan de behoeften van de klant. Tegelijkertijd kan het bedrijf dat de oplossing levert duizenden of miljoenen beslissingen van klanten zien, omdat een hypothese op schaal is bewezen. Deze benadering maakt het mogelijk om brede patronen en de effecten van die patronen te zien. Voorspellende modellering is een verstandige investering wanneer een goed begrip van deze patronen nodig is om beslissingen te nemen die de klant het beste van dienst zijn.
Voorbeelden van voorspellende modellering en hoe dit het gedrag van klanten beïnvloedt
Verschillende toepassingen en omgevingservaringen gebruiken gegevens om voorspellingen te doen:
- E-commerce: Op basis van wat andere vergelijkbare consumenten hebben gekocht, worden op een e-commercewebsite producten voorgesteld die het waard zijn om aan uw winkelwagen toe te voegen.
- Aangepaste realiteit: IoT biedt geavanceerdere exemplaren van voorspellende functionaliteit. Stel dat een apparaat op een assemblagelijn een stijging van de temperatuur van een machine detecteert. Een voorspellend cloudmodel bepaalt hoe moet worden gereageerd. Op basis van die voorspelling vertraagt een ander apparaat de assemblagelijn totdat de machine kan afkoelen.
- Consumentenproducten: Mobiele telefoons, slimme huizen, zelfs uw auto, maken allemaal gebruik van voorspellende mogelijkheden, die ze analyseren om gebruikersgedrag voor te stellen op basis van factoren zoals locatie of tijdstip van de dag. Wanneer een voorspelling en de eerste hypothese zijn uitgelijnd, leidt de voorspelling tot actie. Op een zeer volwassen fase kan deze uitlijning producten zoals een zelfrijdende auto werkelijkheid maken.
Voorspellende mogelijkheden ontwikkelen
Oplossingen die consistent nauwkeurige voorspellende mogelijkheden bieden, bevatten doorgaans vijf kernkenmerken. De vijf belangrijkste voorspellende modelleringskenmerken zijn:
- Gegevens
- Inzichten
- Patronen
- Voorspellingen
- Interacties
Elk aspect is vereist voor het ontwikkelen van voorspellende mogelijkheden. Net als bij alle grote innovaties vereist de ontwikkeling van voorspellende mogelijkheden een iteratie-inspanning. In elke iteratie worden een of meer van de volgende kenmerken ontwikkeld om steeds complexere klanthypotheses te valideren.
Waarschuwing
Als de klanthypothese die is ontwikkeld in Bouwen met empathie van de klant voorspellende mogelijkheden bevat, zijn de principes die daar worden beschreven mogelijk van toepassing. Voor voorspellende mogelijkheden is echter een aanzienlijke investering in tijd en energie vereist. Wanneer voorspellende mogelijkheden technische pieken zijn, in plaats van een bron van echte klantwaarde, raden we u aan voorspellingen uit te stellen totdat de klanthypotheses op schaal zijn gevalideerd.
Gegevens
Gegevens zijn de meest elementaire van de eerder genoemde kenmerken. Elk van de disciplines voor het ontwikkelen van digitale uitvindingen genereert gegevens. Die gegevens dragen natuurlijk bij aan de ontwikkeling van voorspellingen. Zie voor meer informatie over manieren om gegevens in een voorspellende oplossing te krijgen:
Er kunnen verschillende gegevensbronnen worden gebruikt om voorspellende mogelijkheden te bieden:
Inzichten
Deskundigen in het onderwerp gebruiken gegevens over de behoeften en het gedrag van klanten om basis zakelijke inzichten te ontwikkelen op basis van een studie van onbewerkte gegevens. Deze inzichten kunnen het gewenste gedrag van de klant aanwijzen (of, als alternatief, ongewenste resultaten). Tijdens iteraties van de voorspellingen kunnen deze inzichten helpen bij het identificeren van mogelijke correlaties die uiteindelijk positieve resultaten kunnen genereren. Zie Gegevens democratiseren met digitale uitvindingen voor hulp bij het ontwikkelen van inzichten door experts op dit gebied.
Patronen
Mensen hebben altijd geprobeerd patronen in grote hoeveelheden gegevens te detecteren. Computers zijn hiervoor ontworpen. Machine learning versnelt die quest door precies dergelijke patronen te detecteren, een vaardigheid die het machine learning-model omvat. Deze patronen worden vervolgens toegepast via machine learning-algoritmen om resultaten te voorspellen wanneer een nieuwe set gegevens in de algoritmen wordt ingevoerd.
Met behulp van inzichten als uitgangspunt ontwikkelt en past machine learning voorspellende modellen toe om gebruik te maken van de patronen in gegevens. Door middel van meerdere herhalingen van training, testen en acceptatie kunnen deze modellen en algoritmen de toekomstige resultaten nauwkeurig voorspellen.
Azure Machine Learning is de cloudeigen service in Azure voor het bouwen en trainen van modellen op basis van uw gegevens. Dit hulpprogramma bevat ook een werkstroom voor het versnellen van de ontwikkeling van machine learning-algoritmen. Deze werkstroom kan worden gebruikt om algoritmen te ontwikkelen via een visuele interface of Python.
Ml Services in Azure HDInsight biedt een machine learning-platform dat is gebouwd op Apache Hadoop-clusters voor meer robuuste machine learning-modellen. Deze benadering maakt een gedetailleerdere controle mogelijk van de onderliggende clusters, opslag en rekenknooppunten. Azure HDInsight biedt ook geavanceerdere integratie via hulpprogramma's zoals ScaleR en SparkR om voorspellingen te maken op basis van geïntegreerde en opgenomen gegevens, zelfs door te werken met gegevens uit een stroom. De oplossing voor het voorspellen van vluchtvertragingen demonstreert deze geavanceerde mogelijkheden wanneer deze worden gebruikt om vluchtvertragingen te voorspellen op basis van weersomstandigheden. De HDInsight-oplossing biedt ook besturingselementen voor ondernemingen, zoals gegevensbeveiliging, netwerktoegang en prestatiebewaking om patronen operationeel te maken.
Voorspellingen
Nadat een patroon is gemaakt en getraind, kunt u dit toepassen via API's, die voorspellingen kunnen doen tijdens het leveren van een digitale ervaring. De meeste van deze API's zijn gebouwd op basis van een goed getraind model op basis van een patroon in uw gegevens. Naarmate meer klanten dagelijkse workloads in de cloud implementeren, leiden de voorspellings-API's die worden gebruikt door cloudproviders tot een steeds snellere acceptatie.
Azure Cognitive Services is een voorbeeld van een voorspellende API die is gebouwd door een cloudleverancier. Deze service bevat voorspellende API's voor inhoudsbeheer, anomaliedetectie en suggesties voor het personaliseren van inhoud. Deze API's zijn klaar voor gebruik en zijn gebaseerd op bekende inhoudspatronen, die Microsoft heeft gebruikt om modellen te trainen. De API's doen voorspellingen op basis van de gegevens die u in de API invoert.
Met Azure Machine Learning kunt u aangepaste algoritmen implementeren, die u uitsluitend op basis van uw eigen gegevens kunt maken en trainen. Zie Machine Learning-modellen implementeren in Azure voor informatie over het implementeren van voorspellingen met Azure Machine Learning.
Zie HDInsight-clusters instellen voor informatie over de processen voor het weergeven van voorspellingen die zijn ontwikkeld voor ML Services in Azure HDInsight.
Interacties
Nadat een voorspelling beschikbaar is gemaakt via een API, kunt u deze gebruiken om het gedrag van klanten te beïnvloeden. Die invloed neemt de vorm aan van interacties. Een interactie met een machine learning-algoritme vindt plaats binnen uw andere digitale of omgevingservaringen. Wanneer gegevens worden verzameld via de toepassing of ervaring, worden deze uitgevoerd via de machine learning-algoritmen. Wanneer het algoritme een resultaat voorspelt, kan die voorspelling via de bestaande ervaring worden gedeeld met de klant.
Meer informatie over het creëren van een omgevingservaring via een aangepaste realiteitsoplossing.
Volgende stappen
Bekijk een prescriptief framework met de hulpprogramma's, programma's en inhoud (best practices, configuratiesjablonen en architectuurrichtlijnen) om de acceptatie voor de volgende innovatiescenario's te vereenvoudigen.