Modelagem preditiva e influência no comportamento do cliente
Há duas classes de aplicativos na economia digital: históricos e preditivos. Muitas necessidades dos clientes podem ser atendidas somente com o uso de dados históricos, incluindo dados quase em tempo real. No momento, a maioria das soluções se concentra principalmente na agregação de dados. Em seguida, elas processam e compartilham esses dados novamente com o cliente na forma de uma experiência digital ou de ambiente.
A modelagem preditiva está em contraste com a modelagem histórica. Mas, o que é modelagem preditiva? Ela usa estatísticas e resultados conhecidos para processar e criar modelos a serem usados na previsão razoável de resultados futuros. À medida que a modelagem preditiva se torna mais econômica e prontamente disponível, os clientes exigem experiências com visão de futuro que levem a melhores decisões e ações. No entanto, essa demanda nem sempre sugere uma solução preditiva. Na maioria dos casos, uma exibição histórica pode fornecer dados suficientes para permitir que o cliente tome uma decisão por conta própria.
Infelizmente, os clientes geralmente adotam uma visão limitada que leva a decisões baseadas no contexto atual e na esfera de influência. À medida que as opções e decisões crescem em número e impacto, essa visão limitada pode não atender às necessidades do cliente. Ao mesmo tempo, à medida que uma hipótese é comprovada em escala, a empresa que fornece a solução pode ver milhares ou milhões de decisões de clientes. Essa abordagem geral torna possível ver padrões amplos e os impactos deles. A capacidade de modelagem preditiva é um investimento inteligente quando a compreensão desses padrões é necessária para tomar decisões que melhor atendam ao cliente.
Exemplos de modelagem preditiva e como ela influencia o comportamento do cliente
Diversos aplicativos e experiências de ambiente usam dados para fazer previsões:
- Comércio eletrônico: com base no que outros consumidores semelhantes compraram, um site de comércio eletrônico sugere produtos que podem valer a pena incluir no carrinho.
- Realidade ajustada: a IoT oferece instâncias mais avançadas de funcionalidade preditiva. Por exemplo, suponha que um dispositivo em uma linha de montagem detecte um aumento na temperatura de uma máquina. Um modelo preditivo baseado em nuvem determina como responder. Com base nessa previsão, outro dispositivo desacelera a linha de montagem até que a máquina possa esfriar.
- Produtos do consumidor: telefones celulares, casas inteligentes e até mesmo seu carro, todos usam recursos preditivos, que fazer análises para sugerir o comportamento do usuário com base em fatores como localização ou hora do dia. Quando uma previsão e a hipótese inicial estão alinhadas, o resultado é uma ação. Em um estágio muito maduro, esse alinhamento pode tornar realidade produtos como um carro autônomo.
Desenvolver recursos preditivos
As soluções que fornecem consistentemente recursos preditivos precisos geralmente incluem cinco características principais. Essas cinco principais características de modelagem preditiva são:
- Dados
- Insights
- Padrões
- Previsões
- Interações
Cada aspecto é necessário para desenvolver recursos preditivos. Como todas as grandes inovações, o desenvolvimento de capacidades preditivas requer um compromisso com a iteração. Em cada iteração, uma ou mais das seguintes características são maturadas para validar hipóteses de clientes cada vez mais complexas.
Cuidado
Se a hipótese do cliente desenvolvida em Criação com empatia pelo cliente incluir recursos preditivos, os princípios descritos poderão se aplicar. No entanto, recursos preditivos exigem um investimento significativo de tempo e energia. Quando os recursos preditivos consistem em picos técnicos, em vez de em uma fonte de valor real para o cliente, você deve adiar as previsões até que as hipóteses do cliente sejam validadas em escala.
Dados
Os dados são a mais elementar das características mencionadas anteriormente. Cada uma das disciplinas de desenvolvimento de invenções digitais gera dados. Esses dados, é claro, contribuem para o desenvolvimento de previsões. Para saber maneiras de colocar dados em uma solução preditiva, veja o seguinte:
Muitas fontes de dados podem ser usadas para fornecer recursos preditivos:
Insights
Especialistas no assunto usam dados sobre as necessidades e os comportamentos dos clientes para desenvolver insights básicos de negócios a partir de um estudo de dados brutos. Esses insights podem identificar ocorrências dos comportamentos desejados do cliente (ou, como alternativa, resultados indesejáveis). Durante as iterações nas previsões, esses insights podem ajudar a identificar possíveis correlações que podem gerar resultados positivos. Para saber como permitir que especialistas no assunto desenvolvam insights, veja Democratizar dados com invenção digital.
Padrões
As pessoas sempre tentaram detectar padrões em grandes volumes de dados. Os computadores foram projetados com essa finalidade. O aprendizado de máquina acelera essa busca detectando precisamente esses padrões, com uma habilidade que compreende o modelo de aprendizado de máquina. Esses padrões são aplicados em seguida por meio de algoritmos de aprendizado de máquina para prever resultados quando um novo conjunto de dados é inserido nos algoritmos.
Usando insights como ponto de partida, o aprendizado de máquina desenvolve e aplica modelos preditivos para capitalizar os padrões nos dados. Por meio de diversas iterações de treinamento, testes e adoções, esses modelos e algoritmos podem prever com precisão os resultados futuros.
O Azure Machine Learning é o serviço nativo de nuvem do Azure que cria e treina modelos com base em seus dados. Essa ferramenta também inclui um fluxo de trabalho para acelerar o desenvolvimento de algoritmos de aprendizado de máquina. Esse fluxo de trabalho pode ser usado para desenvolver algoritmos por meio de uma interface visual ou do Python.
Para modelos de aprendizado de máquina mais robustos, os Serviços de ML no Azure HDInsight fornecem uma plataforma de aprendizado de máquina criada em clusters Apache Hadoop. Essa abordagem permite um controle mais granular dos clusters, armazenamentos e nós de computação subjacentes. O Azure HDInsight também oferece uma integração mais avançada por meio de ferramentas como o ScaleR e o SparkR para criar previsões com base em dados integrados e ingeridos, trabalhando até mesmo com dados de um fluxo. A solução de previsão de atraso de voo demonstra esses recursos avançados quando usada para prever atrasos de voo com base nas condições climáticas. A solução HDInsight também permite controles corporativos, como segurança de dados, acesso à rede e monitoramento de desempenho para operacionalizar padrões.
Previsões
Depois que um padrão é criado e treinado, você pode aplicá-lo por meio de APIs, que podem fazer previsões durante a entrega de uma experiência digital. A maioria dessas APIs é construída a partir de um modelo bem treinado com base em um padrão de seus dados. À medida que mais clientes implantam cargas de trabalho diárias na nuvem, as APIs de previsão usadas pelos provedores de nuvem levam a uma adoção cada vez mais rápida.
Os Serviços Cognitivos do Azure são um exemplo de uma API preditiva criada por um fornecedor de nuvem. Eles incluem APIs preditivas para moderação de conteúdo, detecção de anomalias e sugestões de personalização de conteúdo. Essas APIs estão prontas para uso e são baseadas em padrões de conteúdo bem conhecidos, usados pela Microsoft para treinar modelos. As APIs fazem previsões com base nos dados que você fornece a elas.
O Azure Machine Learning permite implantar algoritmos personalizados, que podem ser criados e treinados apenas com base em seus dados. Para saber como implantar previsões com o Azure Machine Learning, confira Implantar modelos de aprendizado de máquina no Azure.
Para saber mais sobre os processos de exposição de previsões desenvolvidos para Serviços de ML no Azure HDInsight, veja Configurar clusters do HDInsight.
Interações
Depois que uma previsão é disponibilizada por meio de uma API, você pode usá-la para influenciar o comportamento do cliente. Essa influência ocorre na forma de interações. Uma interação com um algoritmo de aprendizado de máquina acontece em suas outras experiências digitais ou ambientais. Quando os dados são coletados por meio do aplicativo ou da experiência, eles são executados pelos algoritmos de aprendizado de máquina. Quando o algoritmo prevê um resultado, essa previsão pode ser compartilhada novamente com o cliente por meio da experiência existente.
Saiba como criar uma experiência de ambiente por meio de uma solução de realidade ajustada.
Próximas etapas
Revise uma estrutura prescritiva que inclui ferramentas, programas e conteúdos (práticas recomendadas, modelos de configuração e diretrizes de arquitetura) para simplificar a adoção dos cenários de inovação a seguir.