النمذجة التنبؤية والتأثير على سلوك العميل

  • مقالة

هناك فئتان من التطبيقات في الاقتصاد الرقمي: تاريخية وتوقعية. يمكن تلبية العديد من احتياجات العملاء فقط باستخدام البيانات التاريخية، بما في ذلك البيانات في الوقت الحقيقي تقريبا. تركز معظم الحلول بشكل أساسي على تجميع البيانات في الوقت الحالي. ثم يقومون بمعالجة تلك البيانات ومشاركتها مرة أخرى إلى العميل في شكل تجربة رقمية أو محيطة.

على النقيض من النمذجة التاريخية هو النمذجة التنبؤية. ولكن، ما هي النمذجة التنبؤية؟ تستخدم النمذجة التنبؤية الإحصائيات والنتائج المعروفة لمعالجة وإنشاء نماذج يمكن استخدامها للتنبؤ بالنتائج المستقبلية، في حدود السبب. نظرا لأن النمذجة التنبؤية تصبح أكثر فعالية من حيث التكلفة ومتاحة بسهولة، يطلب العملاء تجارب التفكير المستقبلي التي تؤدي إلى قرارات وإجراءات أفضل. ومع ذلك، لا يقترح هذا الطلب دائما حلا تنبؤيا. في معظم الحالات، يمكن أن توفر طريقة العرض التاريخية بيانات كافية لتمكين العميل من اتخاذ قرار بمفرده.

لسوء الحظ، غالبا ما يتخذ العملاء نظرة قصر النظر التي تؤدي إلى قرارات بناء على محيطهم المباشر ومجال نفوذهم. مع تزايد عدد الخيارات والقرارات وتأثيرها، قد لا تخدم هذه النظرة الناثرة احتياجات العميل. في الوقت نفسه، مع إثبات فرضية على نطاق واسع، يمكن للشركة التي توفر الحل أن ترى عبر الآلاف أو الملايين من قرارات العملاء. هذا النهج صورة كبيرة يجعل من الممكن رؤية أنماط واسعة وتأثيرات تلك الأنماط. تعد قدرة النمذجة التنبؤية استثمارا حكيما عندما يكون فهم هذه الأنماط ضروريا لاتخاذ القرارات التي تخدم العميل على أفضل نحو.

أمثلة على النمذجة التنبؤية وكيفية تأثيرها على سلوك العملاء

تستخدم التطبيقات المختلفة والتجارب المحيطة البيانات لإجراء تنبؤات:

  • التجارة الإلكترونية: بناء على ما اشتراه المستهلكون المماثلون الآخرون، يقترح موقع التجارة الإلكترونية على الويب منتجات قد تستحق الإضافة إلى سلتك.
  • الواقع المعدل: يوفر IoT مثيلات أكثر تقدما من الوظائف التنبؤية. على سبيل المثال، افترض أن جهازا على خط تجميع يكتشف ارتفاعا في درجة حرارة الجهاز. يحدد النموذج التنبؤي المستند إلى السحابة كيفية الاستجابة. استنادا إلى هذا التنبؤ، يقوم جهاز آخر بإبطاء خط التجميع حتى يتمكن الجهاز من التبريد.
  • منتجات المستهلك: تستخدم جميع الهواتف المحمولة والمنازل الذكية وحتى سيارتك قدرات تنبؤية، والتي تحللها لاقتراح سلوك المستخدم استنادا إلى عوامل مثل الموقع أو الوقت من اليوم. عند محاذاة التنبؤ والفرضية الأولية، يؤدي التنبؤ إلى اتخاذ إجراء. في مرحلة ناضجة جدا، يمكن أن تجعل هذه المحاذاة منتجات مثل سيارة ذاتية القيادة حقيقة واقعة.

تطوير قدرات تنبؤية

تتضمن الحلول التي توفر باستمرار قدرات تنبؤية دقيقة عادة خمس خصائص أساسية. خصائص النمذجة التنبؤية الأساسية الخمس هي:

  • البيانات
  • نتائج التحليلات
  • الأنماط
  • توقعات
  • التفاعلات

كل جانب مطلوب لتطوير قدرات تنبؤية. مثل جميع الابتكارات العظيمة، يتطلب تطوير القدرات التنبؤية التزاما بالتكرار. في كل تكرار، يتم نضج واحدة أو أكثر من الخصائص التالية للتحقق من صحة فرضيات العملاء المعقدة بشكل متزايد.

خطوات القدرات التنبؤية

تنبيه

إذا كانت فرضية العميل التي تم تطويرها في Build with customer empathy تتضمن قدرات تنبؤية، فقد تنطبق المبادئ الموضحة هناك بشكل جيد. ومع ذلك، تتطلب القدرات التنبؤية استثمارا كبيرا في الوقت والطاقة. عندما تكون القدرات التنبؤية طفرات تقنية، بدلا من مصدر لقيمة العملاء الحقيقية، نقترح عليك تأخير التنبؤات حتى يتم التحقق من صحة فرضيات العميل على نطاق واسع.

البيانات

البيانات هي أكثر عناصر الخصائص المذكورة سابقا. كل من التخصصات لتطوير الاختراعات الرقمية يولد البيانات. هذه البيانات، بطبيعة الحال، تساهم في تطوير التنبؤات. لمزيد من المعلومات حول طرق إدخال البيانات في حل تنبؤي، راجع:

يمكن استخدام مصادر البيانات المختلفة لتقديم قدرات تنبؤية:

نتائج التحليلات

يستخدم خبراء الموضوع بيانات حول احتياجات العملاء وسلوكياتهم لتطوير رؤى الأعمال الأساسية من دراسة البيانات الأولية. يمكن أن تحدد هذه الرؤى تكرارات سلوكيات العملاء المطلوبة (أو بدلا من ذلك، النتائج غير المرغوب فيها). أثناء التكرارات على التنبؤات، يمكن أن تساعد هذه الرؤى في تحديد الارتباطات المحتملة التي يمكن أن تولد نتائج إيجابية في نهاية المطاف. للحصول على إرشادات حول تمكين الخبراء المتخصصين من تطوير رؤى، راجع إضفاء الطابع الديمقراطي على البيانات باستخدام الاختراع الرقمي.

الأنماط

حاولت الأشخاص دائما الكشف عن الأنماط في كميات كبيرة من البيانات. وقد صممت أجهزة الكمبيوتر لهذا الغرض. يسرع التعلم الآلي هذا الطلب من خلال الكشف بدقة عن مثل هذه الأنماط، وهي مهارة تتضمن نموذج التعلم الآلي. ثم يتم تطبيق هذه الأنماط من خلال خوارزميات التعلم الآلي للتنبؤ بالنتائج عند إدخال مجموعة جديدة من البيانات في الخوارزميات.

باستخدام الرؤى كنقطة بداية، يقوم التعلم الآلي بتطوير وتطبيق نماذج تنبؤية للاستفادة من الأنماط في البيانات. من خلال تكرارات متعددة للتدريب والاختبار والاعتماد، يمكن لهذه النماذج والخوارزميات التنبؤ بالنتائج المستقبلية بدقة.

التعلم الآلي من Microsoft Azure هي الخدمة السحابية الأصلية في Azure لبناء نماذج وتدريبها استنادا إلى بياناتك. تتضمن هذه الأداة أيضا سير عمل لتسريع تطوير خوارزميات التعلم الآلي. يمكن استخدام سير العمل هذا لتطوير خوارزميات من خلال واجهة مرئية أو Python.

للحصول على نماذج التعلم الآلي الأكثر قوة، توفر خدمات التعلم الآلي في Azure HDInsight نظاما أساسيا للتعلم الآلي مبنيا على مجموعات Apache Hadoop. يتيح هذا الأسلوب تحكما أكثر دقة في المجموعات الأساسية والتخزين وعقد الحوسبة. يوفر Azure HDInsight أيضا تكاملا أكثر تقدما من خلال أدوات مثل ScaleR وSparkR لإنشاء تنبؤات استنادا إلى البيانات المتكاملة والمدمجة، حتى العمل مع البيانات من دفق. يوضح حل التنبؤ بتأخير الرحلة هذه الإمكانات المتقدمة عند استخدامها للتنبؤ بتأخير الرحلات استنادا إلى الظروف الجوية. يسمح حل HDInsight أيضا بعناصر تحكم المؤسسة، مثل أمان البيانات والوصول إلى الشبكة ومراقبة الأداء لتشغيل الأنماط.

توقعات

بعد إنشاء نمط وتدريبه، يمكنك تطبيقه من خلال واجهات برمجة التطبيقات، والتي يمكنها إجراء تنبؤات أثناء تقديم تجربة رقمية. تم إنشاء معظم واجهات برمجة التطبيقات هذه من نموذج مدرب جيدا استنادا إلى نمط في بياناتك. نظرا لأن المزيد من العملاء ينشرون أحمال العمل اليومية على السحابة، فإن واجهات برمجة التطبيقات التنبؤية التي يستخدمها موفرو السحابة تؤدي إلى اعتماد أسرع من أي وقت مضى.

خدمات Azure المعرفية هي مثال على واجهة برمجة تطبيقات تنبؤية أنشأها بائع سحابة. تتضمن هذه الخدمة واجهات برمجة التطبيقات التنبؤية لاعتدال المحتوى واكتشاف الحالات الشاذة واقتراحات لتخصيص المحتوى. واجهات برمجة التطبيقات هذه جاهزة للاستخدام وتستند إلى أنماط محتوى معروفة، والتي استخدمتها Microsoft لتدريب النماذج. تقوم واجهات برمجة التطبيقات بإجراء تنبؤات استنادا إلى البيانات التي تغذيها في واجهة برمجة التطبيقات.

يتيح لك التعلم الآلي من Microsoft Azure نشر خوارزميات مصممة خصيصا، والتي يمكنك إنشاؤها وتدريبها استنادا فقط إلى بياناتك الخاصة. للحصول على معلومات حول نشر التنبؤات باستخدام التعلم الآلي من Microsoft Azure، راجع توزيع نماذج التعلم الآلي إلى Azure.

للحصول على معلومات حول عمليات الكشف عن التنبؤات التي تم تطويرها لخدمات التعلم الآلي على Azure HDInsight، راجع إعداد مجموعات HDInsight.

التفاعلات

بعد إتاحة التنبؤ من خلال واجهة برمجة التطبيقات، يمكنك استخدامه للتأثير على سلوك العميل. هذا التأثير يأخذ شكل التفاعلات. يحدث التفاعل مع خوارزمية التعلم الآلي ضمن تجاربك الرقمية أو المحيطة الأخرى. نظرا لأنه يتم جمع البيانات من خلال التطبيق أو التجربة، يتم تشغيلها من خلال خوارزميات التعلم الآلي. عندما تتنبأ الخوارزمية بنتيجة، يمكن مشاركة هذا التنبؤ مرة أخرى مع العميل من خلال التجربة الحالية.

تعرف على المزيد حول كيفية إنشاء تجربة محيطة من خلال حل واقع معدل.

الخطوات التالية

راجع إطار عمل إلزامي يتضمن الأدوات والبرامج والمحتوى (أفضل الممارسات وقوالب التكوين وإرشادات البنية) لتبسيط الاعتماد لسيناريوهات الابتكار التالية.