Prediktív modellezés és az ügyfél viselkedésének befolyásolása

  • Cikk

A digitális gazdaságban két alkalmazásosztály létezik: történelmi és prediktív. Számos ügyféligényt csak előzményadatok, köztük közel valós idejű adatok használatával lehet kielégíteni. A legtöbb megoldás elsősorban az adatok jelenleg történő összesítésére összpontosít. Ezt követően digitális vagy környezeti élmény formájában dolgozzák fel és osztják meg ezeket az adatokat az ügyféllel.

Az előzménymodellezéssel ellentétben a prediktív modellezés. De mi az a prediktív modellezés? A prediktív modellezés statisztikákat és ismert eredményeket használ fel és hoz létre olyan modelleket, amelyek felhasználhatók a jövőbeli eredmények előrejelzésére az okkal. Ahogy a prediktív modellezés költséghatékonyabbá és könnyen elérhetőbbé válik, az ügyfelek előretekintő tapasztalatokat igényelnek, amelyek jobb döntésekhez és műveletekhez vezetnek. Ez az igény azonban nem mindig javasol prediktív megoldást. A legtöbb esetben egy előzménynézet elegendő adatot képes biztosítani ahhoz, hogy az ügyfél önállóan döntsön.

Sajnos az ügyfelek gyakran miopikus nézetet kapnak, amely közvetlen környezetük és befolyási körük alapján hoz döntéseket. A lehetőségek és döntések számának és hatásának növekedésével ez a myopikus nézet nem feltétlenül szolgálja ki az ügyfél igényeit. Ugyanakkor, mivel a hipotézis nagy léptékben bizonyított, a megoldást nyújtó vállalat több ezer vagy több millió ügyfél döntését láthatja. Ez a nagy képi megközelítés lehetővé teszi a széles minták és a minták hatásainak megtekintését. A prediktív modellezési képesség bölcs befektetés, ha ezeknek a mintáknak a megértésére szükség van az ügyfél számára legjobban szolgáló döntések meghozatalához.

Példák a prediktív modellezésre és arra, hogy ez hogyan befolyásolja az ügyfelek viselkedését

A különböző alkalmazások és környezeti élmények adatokat használnak az előrejelzések készítéséhez:

  • E-kereskedelem: Attól függően, hogy más hasonló fogyasztók mit vásároltak, egy e-kereskedelmi webhely olyan termékeket javasol, amelyeket érdemes lehet hozzáadni a kosárhoz.
  • Igazított valóság: Az IoT a prediktív funkciók fejlettebb példányait kínálja. Tegyük fel például, hogy egy szerelősoron lévő eszköz észleli a gép hőmérsékletének emelkedését. A felhőalapú prediktív modell határozza meg a válaszadás módját. Az előrejelzés alapján egy másik eszköz lelassítja a szerelvénysort, amíg a gép le nem hűl.
  • Fogyasztói termékek: A mobiltelefonok, az intelligens otthonok, sőt az autó is prediktív képességeket használnak, amelyeket elemezve felhasználói viselkedést javasolnak olyan tényezők alapján, mint a tartózkodási hely vagy a nap időpontja. Ha egy előrejelzés és a kezdeti hipotézis igazodik, az előrejelzés művelethez vezet. Egy nagyon érett szakaszban ez az igazítás valósággá teheti az olyan termékeket, mint az önvezető autó.

Prediktív képességek fejlesztése

Azok a megoldások, amelyek következetesen pontos prediktív képességeket biztosítanak, általában öt alapvető jellemzőt tartalmaznak. Az öt alapvető prediktív modellezési jellemző a következő:

  • Adatok
  • Insights
  • Minták
  • Előrejelzések
  • Interakciók

A prediktív képességek fejlesztéséhez minden szempontra szükség van. Mint minden nagy innováció, a prediktív képességek fejlesztése is megköveteli az iteráció iránti elkötelezettséget. Az egyes iterációkban az alábbi jellemzők közül legalább egy kiforrott az egyre összetettebb ügyfélhipotézisek érvényesítéséhez.

A prediktív képességek lépései

Figyelemfelhívás

Ha a Build with customer empathy (Build with customer empathy) szolgáltatásban kifejlesztett ügyfélhipotézis prediktív képességeket is tartalmaz, az ott leírt alapelvek jól alkalmazhatók lehetnek. A prediktív képességek azonban jelentős idő- és energiabefektetést igényelnek. Ha a prediktív képességek technikai csúcsok, szemben a valós ügyfélérték forrásával, javasoljuk, hogy halassza el az előrejelzéseket, amíg az ügyfélhipotézisek nagy léptékben nem lettek érvényesítve.

Adatok

Az adatok a korábban említett jellemzők legelemibb elemei. A digitális találmányok fejlesztésének egyes tudományágai adatokat hoznak létre. Az adatok természetesen hozzájárulnak az előrejelzések fejlesztéséhez. További információ az adatok prediktív megoldásba való beolvasásának módjairól:

Különböző adatforrások használhatók prediktív képességek biztosítására:

Insights

A témaszakértők az ügyfelek igényeire és viselkedésére vonatkozó adatokat használják az alapszintű üzleti megállapítások kidolgozásához a nyers adatok tanulmányozása alapján. Ezek az elemzések megállapíthatják a kívánt ügyfél viselkedésének előfordulását (vagy más néven nemkívánatos eredményeket). Az előrejelzések iterációi során ezek a megállapítások segíthetnek azonosítani a potenciális korrelációkat, amelyek végső soron pozitív eredményeket eredményezhetnek. A témával foglalkozó szakértők betekintések fejlesztésének engedélyezésével kapcsolatos útmutatásért lásd: Adatok demokratizálása digitális találmányokkal.

Minták

Kapcsolatok mindig is nagy mennyiségű adat mintáit próbálta észlelni. A számítógépeket erre a célra tervezték. A gépi tanulás felgyorsítja ezt a küldetést azáltal, hogy pontosan észleli az ilyen mintákat, egy olyan készséget, amely a gépi tanulási modellt tartalmazza. Ezeket a mintákat ezután gépi tanulási algoritmusokkal alkalmazzák az eredmények előrejelzésére, amikor új adatkészletet adnak be az algoritmusokba.

Az elemzések kiindulási pontként való használata esetén a gépi tanulás prediktív modelleket fejleszt és alkalmaz az adatok mintáinak kihasználása érdekében. A betanítás, tesztelés és bevezetés több iterációjával ezek a modellek és algoritmusok pontosan előrejelezhetik a jövőbeli eredményeket.

Az Azure Machine Learning az Azure natív felhőszolgáltatása, amely az adatokon alapuló modellek létrehozására és betanítására szolgál. Ez az eszköz egy munkafolyamatot is tartalmaz a gépi tanulási algoritmusok fejlesztésének felgyorsításához. Ez a munkafolyamat algoritmusok vizuális felületen vagy Pythonon keresztüli fejlesztésére használható.

A robusztusabb gépi tanulási modellekhez az Azure HDInsight ML Services egy Apache Hadoop-fürtökre épülő gépi tanulási platformot biztosít. Ez a megközelítés lehetővé teszi a mögöttes fürtök, a tárolók és a számítási csomópontok részletesebb ellenőrzését. Az Azure HDInsight fejlettebb integrációt is kínál olyan eszközökkel, mint a ScaleR és a SparkR, amelyekkel integrált és betöltött adatokon alapuló előrejelzéseket hozhat létre, akár streamből származó adatokkal is dolgozhat. A járatkésés-előrejelzési megoldás ezeket a speciális képességeket mutatja be, amikor a repülési késések előrejelzésére szolgálnak az időjárási körülmények alapján. A HDInsight-megoldás lehetővé teszi a vállalati vezérlők használatát is, például az adatbiztonságot, a hálózati hozzáférést és a teljesítményfigyelést a minták működésbe hozásához.

Előrejelzések

A minta létrehozása és betanítása után api-kkal alkalmazhatja azt, amelyek előrejelzéseket készíthetnek a digitális élmény kialakítása során. Ezeknek az API-knak a többsége egy jól betanított modellből épül fel az adatok mintázata alapján. Mivel egyre több ügyfél helyez üzembe mindennapi számítási feladatokat a felhőben, a felhőszolgáltatók által használt előrejelzési API-k egyre gyorsabb bevezetést eredményeznek.

Az Azure Cognitive Services egy példa egy felhőalapú gyártó által létrehozott prediktív API-ra. Ez a szolgáltatás prediktív API-kat tartalmaz a tartalommoderáláshoz, az anomáliadetektáláshoz és a tartalom személyre szabására vonatkozó javaslatokhoz. Ezek az API-k használatra készek, és jól ismert tartalommintákon alapulnak, amelyeket a Microsoft a modellek betanításakor használt. Az API-k az API-ba betáplálási adatok alapján végeznek előrejelzéseket.

Az Azure Machine Learning lehetővé teszi egyéni algoritmusok üzembe helyezését, amelyeket kizárólag a saját adatai alapján hozhat létre és taníthat be. Az előrejelzések Azure Machine Learningben való üzembe helyezésével kapcsolatos információkért lásd: Gépi tanulási modellek üzembe helyezése az Azure-ban.

Az Azure HDInsightban az ML Serviceshez fejlesztett előrejelzési folyamatokról további információt a HDInsight-fürtök beállítása című témakörben talál.

Interakciók

Miután elérhetővé tett egy előrejelzést egy API-val, a használatával befolyásolhatja az ügyfelek viselkedését. Ez a hatás interakciók formájában valósul meg. A gépi tanulási algoritmusokkal való interakció a többi digitális vagy környezeti élményen belül történik. Mivel az adatok gyűjtése az alkalmazáson vagy a felületen keresztül történik, azokat a gépi tanulási algoritmusok futtatják. Amikor az algoritmus előrejelzi az eredményt, az előrejelzés a meglévő felületen keresztül megosztható az ügyféllel.

További információ arról, hogyan hozhat létre környezeti élményt egy módosított valósági megoldáson keresztül.

Következő lépések

Tekintse át az eszközöket, programokat és tartalmakat (ajánlott eljárásokat, konfigurációs sablonokat és architektúra-útmutatókat) tartalmazó előíró keretrendszert, amely leegyszerűsíti az alábbi innovációs forgatókönyvek bevezetését.