Notes
L’accès à cette page nécessite une autorisation. Vous pouvez essayer de vous connecter ou de modifier des répertoires.
L’accès à cette page nécessite une autorisation. Vous pouvez essayer de modifier des répertoires.
Il existe deux classes d’applications dans l’économie numérique : historique et prédictif. De nombreux besoins des clients peuvent être satisfaits uniquement à l’aide de données historiques, y compris des données quasiment en temps réel. La plupart des solutions se concentrent principalement sur l’agrégation des données dans le moment. Ils traitent et partagent ensuite ces données au client sous la forme d’une expérience numérique ou ambiante.
À l’opposé de la modélisation historique, il y a la modélisation prédictive. Mais qu’est-ce que la modélisation prédictive ? La modélisation prédictive utilise des statistiques et des résultats connus pour traiter et créer des modèles qui peuvent être utilisés pour prédire les résultats futurs, dans la raison. Au fur et à mesure que la modélisation prédictive devient plus rentable et facilement disponible, les clients demandent des expériences d’avant-pensée qui mènent à de meilleures décisions et actions. Toutefois, cette demande ne suggère pas toujours une solution prédictive. Dans la plupart des cas, une vue historique peut fournir suffisamment de données pour permettre au client de prendre une décision par elle-même.
Malheureusement, les clients prennent souvent une vision myopice qui conduit à des décisions basées sur leur environnement immédiat et leur sphère d’influence. À mesure que les options et les décisions augmentent en nombre et en impact, cette vue myopice peut ne pas servir les besoins du client. En même temps, comme une hypothèse est prouvée à grande échelle, l’entreprise fournissant la solution peut voir des milliers ou des millions de décisions client. Cette approche globale permet de voir les grands modèles et les impacts de ces modèles. La fonctionnalité de modélisation prédictive est un investissement judicieux quand une compréhension de ces modèles est nécessaire pour prendre des décisions qui servent le mieux le client.
Exemples de modélisation prédictive et de façon dont elle influence le comportement des clients
Diverses applications et expériences ambiantes utilisent des données pour effectuer des prédictions :
- E-commerce : Sur la base de ce que d’autres consommateurs similaires ont achetés, un site web de commerce électronique suggère des produits qui peuvent être dignes d’être ajoutés à votre panier.
- Réalité ajustée : IoT offre des instances plus avancées de fonctionnalités prédictives. Par exemple, supposons qu’un appareil sur une ligne d’assemblage détecte une augmentation de la température d’une machine. Un modèle prédictif basé sur le cloud détermine comment répondre. En fonction de cette prédiction, un autre appareil ralentit la ligne d’assemblage jusqu’à ce que la machine puisse refroidir.
- Produits de consommation : Les téléphones cellulaires, les maisons intelligentes, même votre voiture, utilisent toutes des fonctionnalités prédictives, qu’ils analysent pour suggérer le comportement de l’utilisateur en fonction de facteurs tels que l’emplacement ou l’heure de la journée. Lorsqu’une prédiction et l’hypothèse initiale sont alignées, la prédiction mène à l’action. À un stade très mature, cet alignement peut faire des produits comme une voiture auto-conduite une réalité.
Développer des fonctionnalités prédictives
Les solutions qui fournissent constamment des fonctionnalités prédictives précises incluent généralement cinq caractéristiques principales. Les cinq principales caractéristiques de modélisation prédictive sont les suivantes :
- Données
- Aperçus
- Modèles
- Prévisions
- Interactions
Chaque aspect est requis pour développer des fonctionnalités prédictives. Comme toutes les grandes innovations, le développement de fonctionnalités prédictives nécessite un engagement à l’itération. Dans chaque itération, une ou plusieurs des caractéristiques suivantes sont matures pour valider des hypothèses client de plus en plus complexes.
Avertissement
Si l’hypothèse du client développée dans Build avec empathie client inclut des fonctionnalités prédictives, les principes décrits ici peuvent s’appliquer. Toutefois, les capacités prédictives nécessitent un investissement important en temps et en énergie. Lorsque les fonctionnalités prédictives sont des pics techniques, plutôt qu’une source de valeur client réelle, nous vous suggérons de retarder les prédictions jusqu’à ce que les hypothèses des clients aient été validées à grande échelle.
Données
Les données sont les plus élémentaires des caractéristiques mentionnées précédemment. Chacune des disciplines permettant de développer des inventions numériques génère des données. Bien sûr, ces données contribuent au développement de prédictions. Pour plus d’informations sur les façons d’obtenir des données dans une solution prédictive, consultez :
Différentes sources de données peuvent être utilisées pour fournir des fonctionnalités prédictives :
Aperçus
Les experts en matières concernées utilisent des données sur les besoins et les comportements des clients pour développer des insights métier de base à partir d’une étude des données brutes. Ces insights peuvent identifier les occurrences des comportements des clients souhaités (ou, alternativement, des résultats indésirables). Pendant les itérations sur les prédictions, ces insights peuvent aider à identifier les corrélations potentielles susceptibles de générer des résultats positifs. Si vous souhaitez savoir comment permettre aux experts de développer des insights, consultez Démocratiser les données avec l’invention numérique.
Modèles
Les utilisateurs ont toujours essayé de détecter des modèles dans de grands volumes de données. Les ordinateurs ont été conçus à cet effet. Le Machine Learning accélère cette quête en détectant précisément ces modèles, une compétence qui comprend le modèle Machine Learning. Ces modèles sont ensuite appliqués via des algorithmes de Machine Learning pour prédire les résultats lorsqu’un nouvel ensemble de données est entré dans les algorithmes.
À l’aide d’insights comme point de départ, le Machine Learning développe et applique des modèles prédictifs pour tirer parti des modèles dans les données. Grâce à plusieurs itérations de formation, de test et d’adoption, ces modèles et algorithmes peuvent prédire avec précision les résultats futurs.
Azure Machine Learning est le service natif cloud dans Azure pour créer et entraîner des modèles basés sur vos données. Cet outil inclut également un flux de travail permettant d’accélérer le développement d’algorithmes de Machine Learning. Ce flux de travail peut être utilisé pour développer des algorithmes via une interface visuelle ou Python.
Prévisions
Une fois qu’un modèle est créé et formé, vous pouvez l’appliquer via des API, ce qui peut effectuer des prédictions pendant la livraison d’une expérience numérique. La plupart de ces API sont générées à partir d’un modèle bien formé basé sur un modèle dans vos données. À mesure que d’autres clients déploient des charges de travail quotidiennes sur le cloud, les API de prédiction utilisées par les fournisseurs de cloud entraînent une adoption toujours plus rapide.
Azure Machine Learning vous permet de déployer des algorithmes personnalisés, que vous pouvez créer et entraîner uniquement en fonction de vos propres données. Pour plus d’informations sur le déploiement de prédictions avec Azure Machine Learning, consultez Déployer des modèles Machine Learning sur Azure.
Interactions
Une fois qu’une prédiction est rendue disponible via une API, vous pouvez l’utiliser pour influencer le comportement du client. Cette influence prend la forme d’interactions. Une interaction avec un algorithme machine learning se produit dans vos autres expériences numériques ou ambiantes. À mesure que les données sont collectées par le biais de l’application ou de l’expérience, elles sont exécutées via les algorithmes de Machine Learning. Lorsque l’algorithme prédit un résultat, cette prédiction peut être partagée avec le client via l’expérience existante.
Apprenez-en davantage sur la création d’une expérience ambiante via une solution de réalité ajustée.
Étapes suivantes
Passez en revue une infrastructure prescriptive qui inclut les outils, les programmes et le contenu (meilleures pratiques, modèles de configuration et conseils d’architecture) pour simplifier l’adoption pour les scénarios d’innovation suivants.