Sdílet prostřednictvím

Prediktivní modelování a ovlivnění chování zákazníků

V digitální ekonomice existují dvě třídy aplikací: historické a prediktivní. Mnoho zákaznických potřeb může být splněno výhradně pomocí historických dat, včetně téměř dat v reálném čase. Většina řešení se v tuto chvíli zaměřuje především na agregaci dat. Pak tato data zpracují a sdílejí zpět zákazníkovi ve formě digitálního nebo okolního prostředí.

Na rozdíl od historického modelování je prediktivní modelování. Co je ale prediktivní modelování? Prediktivní modelování využívá statistiky a známé výsledky ke zpracování a vytváření modelů, které lze rozumně použít k předpovídání budoucích výsledků. S tím, jak se prediktivní modelování stává nákladově efektivnějším a snadno dostupným, zákazníci vyžadují zkušenosti s předvídavým myšlením, které vedou k lepším rozhodnutím a akcím. Tato poptávka ale vždy nenavrhuje prediktivní řešení. Ve většině případů může historické zobrazení poskytnout dostatek dat, aby se zákazník mohl rozhodnout sám.

Zákazníci si bohužel často prohlížejí myopický pohled, který vede k rozhodování na základě jejich bezprostředního okolí a sféry vlivu. Vzhledem k tomu, že možnosti a rozhodnutí rostou v počtu a dopadu, nemusí tento úzký pohled splňovat potřeby zákazníka. Ve stejnou dobu, jako je hypotéza prověřena ve velkém měřítku, může společnost poskytující řešení vidět napříč tisíci nebo miliony rozhodnutí zákazníků. Tento velký přístup umožňuje vidět široké vzory a dopady těchto vzorů. Schopnost prediktivního modelování je moudrá investice v případě, že pochopení těchto vzorů je nezbytné k rozhodování, která nejlépe vyhovují zákazníkovi.

Příklady prediktivního modelování a jeho vlivu na chování zákazníků

Různé aplikace a okolí používají data k předpovědím:

  • Elektronické obchodování: Na základě toho, co si koupili jiní podobné spotřebitelé, web elektronického obchodování navrhuje produkty, které by mohly být vhodné přidat do košíku.
  • Upravená realita: IoT nabízí pokročilejší instance prediktivních funkcí. Předpokládejme například, že zařízení na montážní lince detekuje nárůst teploty počítače. Cloudový prediktivní model určuje, jak reagovat. Na základě této předpovědi další zařízení zpomalí montážní linku, dokud stroj nebude moct vychladnout.
  • Spotřební produkty: Mobilní telefony, inteligentní domy, dokonce i vaše auto, používají prediktivní funkce, které analyzují, aby navrhly chování uživatelů na základě faktorů, jako je poloha nebo denní doba. Když je předpověď a počáteční hypotéza zarovnaná, predikce vede k akci. Ve velmi vyspělé fázi může toto sladění umožnit existenci produktů, jako je autonomní auto.

Vývoj prediktivních funkcí

Řešení, která konzistentně poskytují přesné prediktivní funkce, obvykle zahrnují pět základních charakteristik. Pět základních charakteristik prediktivního modelování:

  • Údaje
  • Vhledy
  • Vzory
  • Předpovědi
  • Interakce

Každý aspekt je nutný k vývoji prediktivních funkcí. Stejně jako všechny skvělé inovace vyžaduje vývoj prediktivních funkcí závazek iterace. V každé iteraci je jedna nebo více následujících charakteristik vyspělá, aby ověřila stále složitější hypotézy zákazníků.

Kroky k prediktivním funkcím

Upozornění

Pokud zákaznická hypotéza vyvinutá v buildu s empatií zákazníka zahrnuje prediktivní schopnosti, můžou se použít i principy popsané v tomto článku. Prediktivní schopnosti však vyžadují značné investice do času a energie. Pokud jsou prediktivní schopnosti spíše technickými výzvami než zdrojem skutečné hodnoty pro zákazníky, doporučujeme zpozdit předpovědi, dokud zákaznické hypotézy nebudou ve velkém měřítku ověřeny.

Údaje

Data jsou nejzásadnějším prvkem výše zmíněných charakteristik. Každá z disciplín pro vývoj digitálních vynálezů generuje data. Tato data samozřejmě přispívají k vývoji předpovědí. Další informace o způsobech, jak získat data do prediktivního řešení, najdete tady:

K poskytování prediktivních funkcí je možné použít různé zdroje dat:

Vhledy

Odborníci na danou problematiku používají data o potřebách a chování zákazníků k vývoji základních obchodních přehledů ze studie nezpracovaných dat. Tyto přehledy můžou určit výskyty požadovaného chování zákazníků (případně nežádoucích výsledků). Během iterací předpovědí můžou tyto přehledy pomoct při identifikaci potenciálních korelací, které by mohly nakonec generovat pozitivní výsledky. Pokyny k tomu, aby odborníci na danou problematiku mohli vyvíjet přehledy, najdete v tématu Demokratizace dat pomocí digitálních vynálezů.

Vzory

Lidé se vždy snažili rozpoznat vzory ve velkých objemech dat. Počítače byly navrženy pro tento účel. Strojové učení tuto pátrání zrychluje rozpoznáním přesně takových vzorů, dovednosti, která se skládá z modelu strojového učení. Tyto vzory se pak použijí prostřednictvím algoritmů strojového učení k předpovídání výsledků při zadání nové sady dat do algoritmů.

Při použití přehledů jako výchozího bodu strojové učení vyvíjí a aplikuje prediktivní modely k využití vzorů v datech. Prostřednictvím několika iterací trénování, testování a přijetí můžou tyto modely a algoritmy přesně předpovídat budoucí výsledky.

Azure Machine Learning je služba nativní pro cloud v Azure pro vytváření a trénování modelů na základě vašich dat. Tento nástroj také zahrnuje pracovní postup pro urychlení vývoje algoritmů strojového učení. Tento pracovní postup lze použít k vývoji algoritmů prostřednictvím vizuálního rozhraní nebo Pythonu.

Předpovědi

Jakmile je vzorec sestaven a natrénován, můžete ho použít prostřednictvím rozhraní API, která mohou provádět předpovědi během poskytování digitálního zážitku. Většina těchto rozhraní API je sestavená z dobře natrénovaného modelu na základě vzoru ve vašich datech. S tím, jak do cloudu nasazují každodenní úlohy více zákazníků, vedou prediktivní rozhraní API používaná poskytovateli cloudu k rychlejšímu přechodu.

Azure Machine Learning umožňuje nasadit vlastní algoritmy, které můžete vytvářet a trénovat výhradně na základě vlastních dat. Informace o nasazení predikcí pomocí služby Azure Machine Learning najdete v tématu Nasazení modelů strojového učení do Azure.

Interakce

Po zpřístupnění předpovědi prostřednictvím rozhraní API ji můžete použít k ovlivnění chování zákazníka. Tento vliv má formu interakcí. Interakce s algoritmem strojového učení probíhá v rámci jiných digitálních nebo okolních prostředí. Když se data shromažďují pomocí aplikace nebo zkušenosti, jsou zpracovávána algoritmy strojového učení. Když algoritmus predikuje výsledek, může být tato předpověď sdílena zpět se zákazníkem prostřednictvím stávajícího prostředí.

Přečtěte si další informace o tom, jak vytvořit prostředí okolí prostřednictvím upraveného řešení reality.

Další kroky

Projděte si preskriptivní architekturu, která zahrnuje nástroje, programy a obsah (osvědčené postupy, šablony konfigurace a pokyny k architektuře), aby se zjednodušilo přijetí pro následující scénáře inovací.