Freigeben über

Prädiktive Modellierung und Einflussnahme des Kundenverhaltens

Es gibt zwei Anwendungsklassen in der digitalen Wirtschaft: historisch und prädiktiv. Viele Kundenanforderungen können ausschließlich mithilfe von historischen Daten, einschließlich nahezu Echtzeitdaten, erfüllt werden. Die meisten Lösungen konzentrieren sich in erster Linie auf das Aggregieren von Daten im Moment. Sie verarbeiten dann diese Daten und teilen sie an den Kunden in Form einer digitalen oder Umgebungserfahrung.

Im Gegensatz zur historischen Modellierung handelt es sich um prädiktive Modellierung. Aber was ist Predictive Modeling? Predictive Modeling verwendet Statistiken und bekannte Ergebnisse, um Modelle zu verarbeiten und zu erstellen, die verwendet werden können, um zukünftige Ergebnisse innerhalb des Grunds vorherzusagen. Da die Predictive Modeling kostengünstiger und leicht verfügbar wird, fordern Kunden zukunftsorientierte Erfahrungen, die zu besseren Entscheidungen und Aktionen führen. Diese Nachfrage schlägt jedoch nicht immer eine prädiktive Lösung vor. In den meisten Fällen kann eine historische Ansicht genügend Daten bereitstellen, damit der Kunde eine eigene Entscheidung treffen kann.

Leider nehmen Kunden oft eine myopische Ansicht, die zu Entscheidungen auf der Grundlage ihrer unmittelbaren Umgebung und Einflusssphäre führt. Da Optionen und Entscheidungen in Anzahl und Wirkung wachsen, kann diese myopische Ansicht die Bedürfnisse des Kunden nicht erfüllen. Gleichzeitig kann das Unternehmen, das die Lösung bereitstellt, tausende oder Millionen von Kundenentscheidungen erkennen, da eine Hypothese im Großen und Ganzen nachgewiesen wird. Dieser big-picture-Ansatz ermöglicht es, breite Muster und die Auswirkungen dieser Muster zu sehen. Predictive Modeling Capability ist eine kluge Investition, wenn ein Verständnis dieser Muster erforderlich ist, um Entscheidungen zu treffen, die den Kunden am besten dienen.

Beispiele für prädiktive Modellierung und ihren Einfluss auf das Kundenverhalten

Verschiedene Anwendungen und Umgebungsumgebungen verwenden Daten, um Vorhersagen zu erstellen:

  • E-Commerce: Basierend auf dem, was andere ähnliche Verbraucher gekauft haben, schlägt eine E-Commerce-Website Produkte vor, die es wert sein können, Ihrem Warenkorb hinzuzufügen.
  • Angepasste Realität: IoT bietet erweiterte Instanzen von Vorhersagefunktionen. Angenommen, ein Gerät in einer Montagelinie erkennt einen Anstieg der Temperatur einer Maschine. Ein cloudbasiertes Prädiktivmodell bestimmt, wie reagiert werden soll. Basierend auf dieser Vorhersage verlangsamt ein anderes Gerät die Montagelinie, bis die Maschine abkühlen kann.
  • Verbraucherprodukte: Mobiltelefone, Smart Homes, sogar Ihr Auto, verwenden alle predictive Funktionen, die sie analysieren, um das Benutzerverhalten basierend auf Faktoren wie Standort oder Tageszeit vorzuschlagen. Wenn eine Vorhersage und die Ausgangshypothese ausgerichtet sind, führt die Vorhersage zu Maßnahmen. In einer sehr ausgereiften Phase kann diese Ausrichtung Produkte wie ein selbstfahrenden Auto zur Realität machen.

Entwickeln von Vorhersagefunktionen

Lösungen, die konsistente Prädiktivfunktionen bieten, umfassen häufig fünf Kernmerkmale. Die fünf wichtigsten Prädiktivmodellierungsmerkmale sind:

  • Daten
  • Erkenntnisse
  • Muster
  • Vorhersagen
  • Interaktionen

Jeder Aspekt ist erforderlich, um Vorhersagefunktionen zu entwickeln. Wie alle großen Innovationen erfordert die Entwicklung von Vorhersagefunktionen eine Verpflichtung zur Iteration. Bei jeder Iteration wird ein oder mehrere der folgenden Merkmale gereift, um zunehmend komplexere Kundenhypothesen zu validieren.

Schritte zu prädiktiven Fähigkeiten

Vorsicht

Wenn die Kundenhypothese, die unter Erstellen von Lösungen mit Blick auf die Kundenanforderungen entwickelt wurde, prädiktive Fähigkeiten umfasst, könnten die dort beschriebenen Prinzipien durchaus gelten. Predictive Capabilities erfordern jedoch erhebliche Investitionen in Zeit und Energie. Wenn Vorhersagefähigkeiten technische Spitzen sind, im Gegensatz zu einer Quelle echten Kundennutzens, empfehlen wir, die Vorhersagen zu verzögern, bis die Kundenhypothesen in großem Maßstab validiert wurden.

Daten

Die Daten sind die elementalsten Merkmale, die weiter oben erwähnt wurden. Jede der Disziplinen für die Entwicklung digitaler Erfindungen generiert Daten. Diese Daten tragen natürlich zur Entwicklung von Vorhersagen bei. Weitere Informationen zu Möglichkeiten zum Abrufen von Daten in eine prädiktive Lösung finden Sie unter:

Verschiedene Datenquellen können verwendet werden, um Vorhersagefunktionen bereitzustellen:

Erkenntnisse

Fachexperten verwenden Daten zu Kundenbedürfnissen und -verhalten, um grundlegende Geschäftseinblicke aus einer Studie der Rohdaten zu entwickeln. Diese Erkenntnisse können Vorkommen des gewünschten Kundenverhaltens (oder alternativ unerwünschte Ergebnisse) feststellen. Bei Iterationen der Vorhersagen können diese Erkenntnisse dabei helfen, potenzielle Korrelationen zu identifizieren, die letztendlich positive Ergebnisse erzielen könnten. Anleitungen dazu, wie Fachexperten Einblicke entwickeln können, finden Sie unter "Demokratisierung von Daten mit digitaler Erfindung".

Muster

Die Leute haben immer versucht, Muster in großen Datenmengen zu erkennen. Computer wurden für diesen Zweck entwickelt. Maschinelles Lernen beschleunigt diese Suche, indem genau solche Muster erkannt werden, eine Fähigkeit, die das Machine Learning-Modell umfasst. Diese Muster werden dann durch Maschinelle Lernalgorithmen angewendet, um Ergebnisse vorherzusagen, wenn eine neue Datenmenge in die Algorithmen eingegeben wird.

Mithilfe von Erkenntnissen als Ausgangspunkt entwickelt und wendet maschinelles Lernen prädiktive Modelle an, um die Muster in Daten auszunutzen. Durch mehrere Iterationen von Schulungen, Tests und Einführungen können diese Modelle und Algorithmen zukünftige Ergebnisse genau vorhersagen.

Azure Machine Learning ist der cloudeigene Dienst in Azure zum Erstellen und Trainieren von Modellen basierend auf Ihren Daten. Dieses Tool enthält auch einen Workflow zur Beschleunigung der Entwicklung von Machine Learning-Algorithmen. Dieser Workflow kann verwendet werden, um Algorithmen über eine visuelle Schnittstelle oder Python zu entwickeln.

Vorhersagen

Nachdem ein Muster erstellt und trainiert wurde, können Sie es über APIs anwenden, die vorhersagen können, während der Bereitstellung einer digitalen Erfahrung. Die meisten dieser APIs basieren auf einem gut trainierten Modell basierend auf einem Muster in Ihren Daten. Wenn mehr Kunden alltägliche Workloads in der Cloud bereitstellen, führen die von Cloudanbietern verwendeten Vorhersage-APIs zu einer immer schnelleren Einführung.

Mit Azure Machine Learning können Sie benutzerdefinierte Algorithmen bereitstellen, die Sie basierend ausschließlich auf Ihren eigenen Daten erstellen und trainieren können. Informationen zum Bereitstellen von Vorhersagen mit Azure Machine Learning finden Sie unter Bereitstellen von Machine Learning-Modellen in Azure.

Interaktionen

Nachdem eine Vorhersage über eine API verfügbar gemacht wurde, können Sie sie verwenden, um das Kundenverhalten zu beeinflussen. Dieser Einfluss nimmt die Form von Interaktionen an. Eine Interaktion mit einem Maschinellen Lernalgorithmus erfolgt innerhalb Ihrer anderen digitalen oder Umgebungserfahrungen. Da Daten über die Anwendung oder Erfahrung gesammelt werden, wird sie durch die Algorithmen für maschinelles Lernen durchlaufen. Wenn der Algorithmus ein Ergebnis vorhersagt, kann diese Vorhersage über die vorhandene Erfahrung wieder mit dem Kunden geteilt werden.

Erfahren Sie mehr darüber, wie Sie eine Umgebungserfahrung über eine angepasste Reality-Lösung erstellen.

Nächste Schritte

Überprüfen Sie ein präskriptives Framework, das die Tools, Programme und Inhalte (bewährte Methoden, Konfigurationsvorlagen und Architekturleitfaden) enthält, um die Einführung für die folgenden Innovationsszenarien zu vereinfachen.