Förutsägande modellering och påverkan på kundernas beteende
Det finns två typer av program i den digitala ekonomin: historiska och förutsägande. Många kundbehov kan uppfyllas enbart med historiska data, inklusive nästan realtidsdata. De flesta lösningar fokuserar främst på att aggregera data just nu. De bearbetar och delar sedan dessa data tillbaka till kunden i form av en digital eller omgivande upplevelse.
Till skillnad från historisk modellering är förutsägelsemodellering. Men vad är förutsägelsemodellering? Förutsägelsemodellering använder statistik och kända resultat för att bearbeta och skapa modeller som kan användas för att förutsäga framtida resultat, inom en orsak. I takt med att förutsägelsemodellering blir mer kostnadseffektiv och lättillgänglig kräver kunderna framåtblickande upplevelser som leder till bättre beslut och åtgärder. Den efterfrågan tyder dock inte alltid på en förutsägelselösning. I de flesta fall kan en historisk vy ge tillräckligt med data för att ge kunden möjlighet att fatta ett beslut på egen hand.
Tyvärr har kunderna ofta en myopisk syn som leder till beslut baserat på deras omedelbara omgivning och inflytandesfär. När alternativen och besluten ökar i antal och påverkan kanske den myopiska vyn inte tillgodoser kundens behov. Samtidigt som en hypotes bevisas i stor skala kan företaget som tillhandahåller lösningen se över tusentals eller miljontals kundbeslut. Den här helhetsmetoden gör det möjligt att se breda mönster och effekterna av dessa mönster. Förutsägelsemodellering är en klok investering när det krävs en förståelse för dessa mönster för att fatta beslut som bäst tjänar kunden.
Exempel på förutsägelsemodellering och hur den påverkar kundernas beteende
Olika program och omgivningsupplevelser använder data för att göra förutsägelser:
- E-handel: Baserat på vad andra liknande konsumenter har köpt föreslår en e-handelswebbplats produkter som kan vara värda att lägga till i din kundvagn.
- Justerad verklighet: IoT erbjuder mer avancerade instanser av prediktiva funktioner. Anta till exempel att en enhet på en sammansättningslinje identifierar en ökning av en dators temperatur. En molnbaserad förutsägelsemodell avgör hur du ska svara. Baserat på den förutsägelsen saktar en annan enhet ned monteringslinjen tills datorn kan svalna.
- Konsumentprodukter: Mobiltelefoner, smarta hem, till och med din bil, använder alla förutsägelsefunktioner, som de analyserar för att föreslå användarbeteende baserat på faktorer som plats eller tid på dagen. När en förutsägelse och den inledande hypotesen justeras leder förutsägelsen till åtgärd. I ett mycket moget skede kan denna anpassning göra produkter som en självkörande bil till verklighet.
Utveckla prediktiva funktioner
Lösningar som konsekvent ger korrekta prediktiva funktioner omfattar vanligtvis fem kärnegenskaper. De fem grundläggande prediktiva modelleringsegenskaperna är:
- Data
- Insikter
- Mönster
- Förutsägelser
- Interaktioner
Varje aspekt krävs för att utveckla prediktiva funktioner. Precis som alla fantastiska innovationer kräver utvecklingen av prediktiva funktioner ett åtagande för iteration. I varje iteration mognas en eller flera av följande egenskaper för att validera allt mer komplexa kundhypoteser.
Varning
Om kundhypotesen som utvecklats i Skapa med kund empati innehåller prediktiva funktioner kan principerna som beskrivs där mycket väl gälla. Förutsägande funktioner kräver dock betydande investeringar i tid och energi. När prediktiva funktioner är tekniska toppar, till skillnad från en källa till verkligt kundvärde, föreslår vi att du fördröjer förutsägelserna tills kundens hypoteser har verifierats i stor skala.
Data
Data är den mest elementära av de egenskaper som nämndes tidigare. Var och en av disciplinerna för utveckling av digitala uppfinningar genererar data. Dessa data bidrar naturligtvis till utvecklingen av förutsägelser. Mer information om hur du hämtar data till en förutsägelselösning finns i:
Olika datakällor kan användas för att leverera prediktiva funktioner:
Insikter
Ämnesexperter använder data om kundernas behov och beteenden för att utveckla grundläggande affärsinsikter från en studie av rådata. Dessa insikter kan identifiera förekomster av önskade kundbeteenden (eller alternativt oönskade resultat). Under iterationer av förutsägelserna kan dessa insikter hjälpa dig att identifiera potentiella korrelationer som i slutändan kan generera positiva resultat. Vägledning om hur du gör det möjligt för ämnesexperter att utveckla insikter finns i Demokratisera data med digitala uppfinningar.
Mönster
Personer har alltid försökt identifiera mönster i stora mängder data. Datorer har utformats för detta ändamål. Maskininlärning påskyndar detta uppdrag genom att identifiera just sådana mönster, en färdighet som utgör maskininlärningsmodellen. Dessa mönster tillämpas sedan via maskininlärningsalgoritmer för att förutsäga utfall när en ny uppsättning data anges i algoritmerna.
Med hjälp av insikter som utgångspunkt utvecklar och tillämpar maskininlärning förutsägelsemodeller för att dra nytta av datamönstren. Genom flera iterationer av träning, testning och implementering kan dessa modeller och algoritmer exakt förutsäga framtida resultat.
Azure Machine Learning är den molnbaserade tjänsten i Azure för att skapa och träna modeller baserat på dina data. Det här verktyget innehåller också ett arbetsflöde för att påskynda utvecklingen av maskininlärningsalgoritmer. Det här arbetsflödet kan användas för att utveckla algoritmer via ett visuellt gränssnitt eller Python.
För mer robusta maskininlärningsmodeller tillhandahåller ML Services i Azure HDInsight en maskininlärningsplattform som bygger på Apache Hadoop-kluster. Den här metoden ger mer detaljerad kontroll över underliggande kluster, lagring och beräkningsnoder. Azure HDInsight erbjuder också mer avancerad integrering via verktyg som ScaleR och SparkR för att skapa förutsägelser baserade på integrerade och inmatade data, även när du arbetar med data från en dataström. Förutsägelselösningen för flygförsening visar dessa avancerade funktioner när den används för att förutsäga flygförseningar baserat på väderförhållanden. HDInsight-lösningen möjliggör även företagskontroller, till exempel datasäkerhet, nätverksåtkomst och prestandaövervakning för att operationalisera mönster.
Förutsägelser
När ett mönster har skapats och tränats kan du tillämpa det via API:er, vilket kan göra förutsägelser under leveransen av en digital upplevelse. De flesta av dessa API:er bygger på en vältränad modell baserat på ett mönster i dina data. När fler kunder distribuerar vardagliga arbetsbelastningar till molnet leder förutsägelse-API:erna som används av molnleverantörer till allt snabbare implementering.
Azure Cognitive Services är ett exempel på ett förutsägelse-API som skapats av en molnleverantör. Den här tjänsten innehåller prediktiva API:er för innehållsmoderering, avvikelseidentifiering och förslag på att anpassa innehåll. Dessa API:er är redo att användas och baseras på välkända innehållsmönster som Microsoft har använt för att träna modeller. API:erna gör förutsägelser baserat på de data som du matar in i API:et.
Med Azure Machine Learning kan du distribuera specialbyggda algoritmer som du kan skapa och träna baserat enbart på dina egna data. Information om hur du distribuerar förutsägelser med Azure Machine Learning finns i Distribuera maskininlärningsmodeller till Azure.
Information om processerna för att exponera förutsägelser som utvecklats för ML Services i Azure HDInsight finns i Konfigurera HDInsight-kluster.
Interaktioner
När en förutsägelse har gjorts tillgänglig via ett API kan du använda den för att påverka kundernas beteende. Detta inflytande tar formen av interaktioner. En interaktion med en maskininlärningsalgoritm sker inom dina andra digitala eller omgivande upplevelser. När data samlas in via programmet eller upplevelsen körs de via maskininlärningsalgoritmerna. När algoritmen förutsäger ett resultat kan den förutsägelsen delas tillbaka med kunden via den befintliga upplevelsen.
Läs mer om hur du skapar en miljöupplevelse via en anpassad verklighetslösning.
Nästa steg
Granska ett normativt ramverk som innehåller verktyg, program och innehåll (metodtips, konfigurationsmallar och arkitekturvägledning) för att förenkla implementeringen av följande innovationsscenarier.