Modelação preditiva e influência do comportamento do cliente
Existem duas classes de aplicações na economia digital: histórico e preditivo. Muitas necessidades dos clientes só podem ser satisfeitas através da utilização de dados históricos, incluindo dados quase em tempo real. A maioria das soluções concentra-se principalmente na agregação de dados no momento. Em seguida, processam e partilham esses dados de volta ao cliente na forma de uma experiência digital ou ambiente.
Ao contrário da modelação histórica, está a modelação preditiva. Mas o que é a modelação preditiva? A modelação preditiva utiliza estatísticas e resultados conhecidos para processar e criar modelos que podem ser utilizados para prever resultados futuros, dentro do motivo. À medida que a modelação preditiva se torna mais económica e prontamente disponível, os clientes exigem experiências de futuro que conduzam a melhores decisões e ações. No entanto, essa procura nem sempre sugere uma solução preditiva. Na maioria dos casos, uma vista histórica pode fornecer dados suficientes para permitir que o cliente tome uma decisão por conta própria.
Infelizmente, os clientes geralmente tomam uma visão míope que leva a decisões baseadas no seu ambiente imediato e esfera de influência. À medida que as opções e as decisões aumentam em número e impacto, essa vista míope pode não servir as necessidades do cliente. Ao mesmo tempo, como uma hipótese é comprovada em escala, a empresa que fornece a solução pode ver em milhares ou milhões de decisões de clientes. Esta abordagem geral permite ver padrões amplos e os impactos desses padrões. A capacidade de modelação preditiva é um investimento sensato quando é necessária uma compreensão desses padrões para tomar decisões que melhor sirvam o cliente.
Exemplos de modelação preditiva e como influencia o comportamento do cliente
Várias aplicações e experiências de ambiente utilizam dados para fazer predições:
- Comércio eletrónico: Com base no que outros consumidores semelhantes compraram, um site de comércio eletrónico sugere produtos que podem valer a pena adicionar ao seu carrinho.
- Realidade ajustada: O IoT oferece instâncias mais avançadas de funcionalidade preditiva. Por exemplo, suponha que um dispositivo numa linha de montagem deteta um aumento da temperatura de uma máquina. Um modelo preditivo baseado na cloud determina como responder. Com base nessa predição, outro dispositivo abranda a linha de montagem até que a máquina possa arrefecer.
- Produtos de consumo: Telemóveis, smart homes, até mesmo o seu carro, utilizam todas as capacidades preditivas, que analisam para sugerir o comportamento dos utilizadores com base em fatores como a localização ou a hora do dia. Quando uma predição e a hipótese inicial estão alinhadas, a predição leva à ação. Numa fase muito madura, este alinhamento pode tornar os produtos como um carro autónomo uma realidade.
Desenvolver capacidades preditivas
As soluções que fornecem consistentemente capacidades preditivas precisas geralmente incluem cinco características principais. As cinco principais características de modelação preditiva são:
- Dados
- Informações
- Padrões
- Previsões
- Interações
Cada aspeto é necessário para desenvolver capacidades preditivas. 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 maduras para validar hipóteses de clientes cada vez mais complexas.
Atenção
Se a hipótese do cliente desenvolvida em Compilar com empatia do cliente incluir capacidades preditivas, os princípios descritos podem muito bem aplicar-se. No entanto, as capacidades preditivas requerem um investimento significativo de tempo e energia. Quando as capacidades preditivas são picos técnicos, ao contrário de uma origem de valor real do cliente, sugerimos que atrase as predições até que as hipóteses do cliente sejam validadas em escala.
Dados
Os dados são os mais elementares das características mencionadas anteriormente. Cada uma das disciplinas para desenvolver invenções digitais gera dados. Estes dados, naturalmente, contribuem para o desenvolvimento de predições. Para obter mais informações sobre formas de obter dados numa solução preditiva, consulte:
Podem ser utilizadas várias origens de dados para fornecer capacidades preditivas:
Informações
Os especialistas em assuntos utilizam dados sobre as necessidades e comportamentos dos clientes para desenvolver informações empresariais básicas a partir de um estudo de dados não processados. Essas informações podem identificar ocorrências dos comportamentos pretendidos do cliente (ou, em alternativa, resultados indesejáveis). Durante as iterações nas predições, estas informações podem ajudar a identificar potenciais correlações que podem, em última análise, gerar resultados positivos. Para obter orientações sobre como permitir que especialistas em assuntos desenvolvam informações, veja Democratizar dados com invenção digital.
Padrões
Pessoas sempre tentaram detetar padrões em grandes volumes de dados. Os computadores foram concebidos para esse fim. O machine learning acelera esse pedido ao detetar precisamente esses padrões, uma competência que compreende o modelo de machine learning. Estes padrões são então aplicados através de algoritmos de machine learning para prever resultados quando um novo conjunto de dados é introduzido nos algoritmos.
Ao utilizar as informações como ponto de partida, o machine learning desenvolve e aplica modelos preditivos para capitalizar os padrões nos dados. Através de várias iterações de preparação, teste e adoção, esses modelos e algoritmos podem prever com precisão resultados futuros.
O Azure Machine Learning é o serviço nativo da cloud no Azure para criar e preparar modelos com base nos seus dados. Esta ferramenta também inclui um fluxo de trabalho para acelerar o desenvolvimento de algoritmos de machine learning. Este fluxo de trabalho pode ser utilizado para desenvolver algoritmos através de uma interface visual ou Python.
Para modelos de machine learning mais robustos, os Serviços ML no Azure HDInsight fornecem uma plataforma de machine learning criada em clusters do Apache Hadoop. Esta abordagem permite um controlo mais granular dos clusters subjacentes, armazenamento e nós de computação. O Azure HDInsight também oferece uma integração mais avançada através de ferramentas como o ScaleR e o SparkR para criar predições com base em dados integrados e ingeridos, mesmo trabalhando com dados de um fluxo. A solução de predição de atraso de voo demonstra estas capacidades avançadas quando utilizada para prever atrasos nos voos com base nas condições meteorológicas. A solução do HDInsight também permite controlos empresariais, como segurança de dados, acesso à rede e monitorização de desempenho para operacionalizar padrões.
Previsões
Depois de um padrão ser criado e preparado, pode aplicá-lo através de APIs, que podem fazer predições durante a entrega de uma experiência digital. A maioria destas APIs são criadas a partir de um modelo bem preparado com base num padrão nos seus dados. À medida que mais clientes implementam cargas de trabalho diárias na cloud, as APIs de predição utilizadas pelos fornecedores de cloud 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 cloud. Este serviço inclui APIs preditivas para moderação de conteúdos, deteção de anomalias e sugestões para personalizar conteúdo. Estas APIs estão prontas a utilizar e baseiam-se em padrões de conteúdo bem conhecidos, que a Microsoft utilizou para preparar modelos. As APIs fazem predições com base nos dados que alimenta para a API.
O Azure Machine Learning permite-lhe implementar algoritmos personalizados, que pode criar e preparar com base apenas nos seus próprios dados. Para obter informações sobre como implementar predições com o Azure Machine Learning, veja Implementar modelos de machine learning no Azure.
Para obter informações sobre os processos de exposição de predições desenvolvidas para os Serviços ML no Azure HDInsight, veja Configurar clusters do HDInsight.
Interações
Depois de uma predição ser disponibilizada através de uma API, pode utilizá-la para influenciar o comportamento do cliente. Essa influência assume a forma de interações. Uma interação com um algoritmo de machine learning ocorre nas suas outras experiências digitais ou ambientes. À medida que os dados são recolhidos através da aplicação ou experiência, são executados através dos algoritmos de machine learning. Quando o algoritmo prevê um resultado, essa predição pode ser partilhada com o cliente através da experiência existente.
Saiba mais sobre como criar uma experiência ambiente através de uma solução de realidade ajustada.
Passos seguintes
Reveja uma arquitetura prescritiva que inclua as ferramentas, programas e conteúdos (melhores práticas, modelos de configuração e orientações de arquitetura) para simplificar a adoção para os seguintes cenários de inovação.