Pemodelan prediktif dan mempengaruhi perilaku pelanggan

  • Artikel

Ada dua kelas aplikasi dalam ekonomi digital: historis dan prediktif. Banyak kebutuhan pelanggan dapat dipenuhi hanya dengan menggunakan data historis, termasuk data yang mendekati real-time. Sebagian besar solusi berfokus terutama pada menggabungkan data saat ini. Solusi tersebut kemudian memproses dan membagikan data itu kembali kepada pelanggan dalam bentuk pengalaman digital atau sekitarnya.

Berbeda dengan pemodelan historis adalah pemodelan prediktif. Tetapi, apa itu pemodelan prediktif? Pemodelan prediktif menggunakan statistik dan hasil yang diketahui untuk memproses dan membuat model yang dapat digunakan untuk memprediksi hasil di masa mendatang, dengan alasan. Ketika pemodelan prediktif menjadi lebih hemat biaya dan segera tersedia, pelanggan menuntut pengalaman berpikiran maju yang mengarah pada keputusan dan tindakan yang lebih baik. Namun, permintaan itu tidak selalu menyarankan solusi prediktif. Dalam kebanyakan kasus, pandangan historis dapat memberikan data yang cukup untuk memberdayakan pelanggan untuk membuat keputusan sendiri.

Sayangnya, pelanggan sering mengambil pandangan rabun yang mengarah pada keputusan berdasarkan lingkungan terdekat dan lingkup pengaruh mereka. Ketika opsi dan keputusan tumbuh dalam jumlah dan dampak, pandangan rabun itu mungkin tidak melayani kebutuhan pelanggan. Pada saat yang sama, karena hipotesis terbukti dalam skala besar, perusahaan yang menyediakan solusi dapat melihat ribuan atau jutaan keputusan pelanggan. Pendekatan gambaran besar ini memungkinkan untuk melihat pola yang luas dan dampak dari pola-pola tersebut. Kemampuan pemodelan prediktif merupakan sebuah investasi yang bijaksana ketika pemahaman tentang pola tersebut diperlukan untuk membuat keputusan yang melayani pelanggan dengan sangat baik.

Contoh pemodelan prediktif dan pengaruhnya terhadap perilaku pelanggan

Berbagai aplikasi dan pengalaman sekitar menggunakan data untuk membuat prediksi:

  • E-niaga: Berdasarkan apa yang telah dibeli konsumen serupa lainnya, situs web e-niaga menyarankan produk yang mungkin layak ditambahkan ke keranjang Anda.
  • Realitas yang disesuaikan: IoT menawarkan contoh fungsionalitas prediktif yang lebih canggih. Misalnya, misalkan perangkat pada jalur perakitan mendeteksi kenaikan suhu mesin. Model prediktif berbasis cloud menentukan cara merespons. Berdasarkan prediksi itu, perangkat lain memperlambat jalur perakitan sampai mesin dapat mendingin.
  • Produk konsumen: Ponsel, rumah pintar, bahkan mobil Anda, semua menggunakan kemampuan prediktif, yang mereka analisis untuk menyarankan perilaku pengguna berdasarkan faktor-faktor seperti lokasi atau waktu. Ketika prediksi dan hipotesis awal selaras, prediksi mengarah pada tindakan. Pada tahap yang sangat matang, perataan ini dapat membuat produk seperti mobil otonom menjadi kenyataan.

Mengembangkan kemampuan prediktif

Solusi yang memberikan kemampuan prediktif akurat secara konsisten biasanya mencakup lima karakteristik inti. Lima karakteristik pemodelan prediktif inti adalah:

  • Data
  • Wawasan
  • Pola
  • Prediksi
  • Interaksi

Setiap aspek diperlukan untuk mengembangkan kemampuan prediktif. Seperti inovasi hebat lainnya, pengembangan kemampuan prediktif membutuhkan komitmen untuk perulangan. Dalam setiap perulangan, satu atau lebih karakteristik berikut dimatangkan untuk memvalidasi hipotesis pelanggan yang makin kompleks.

Langkah-langkah untuk kemampuan prediktif

Perhatian

Jika hipotesis pelanggan yang dikembangkan di Bangun dengan empati pelanggan mencakup kemampuan prediktif, prinsip-prinsip yang dijelaskan di sana bisa berlaku. Namun, kemampuan prediktif membutuhkan investasi waktu dan energi yang signifikan. Ketika kemampuan prediktif adalah lonjakan teknis, sebagai lawan dari sumber nilai pelanggan nyata, kami sarankan Anda menunda prediksi sampai hipotesis pelanggan telah divalidasi dalam skala besar.

Data

Data adalah unsur karakteristik yang paling banyak disebutkan sebelumnya. Setiap disiplin ilmu untuk mengembangkan penemuan digital menghasilkan data. Data itu, tentu saja, berkontribusi pada pengembangan prediksi. Untuk informasi selengkapnya tentang cara mendapatkan data ke dalam solusi prediktif, lihat:

Berbagai sumber data dapat digunakan untuk memberikan kemampuan prediktif:

Wawasan

Pakar materi pelajaran menggunakan data tentang kebutuhan dan perilaku pelanggan untuk mengembangkan wawasan bisnis dasar dari studi data mentah. Wawasan tersebut dapat menentukan kejadian perilaku pelanggan yang diinginkan (atau, sebagai alternatif, hasil yang tidak diinginkan). Selama perulangan pada prediksi, wawasan ini dapat membantu dalam mengidentifikasi korelasi potensial yang pada akhirnya dapat menghasilkan hasil positif. Untuk panduan tentang memungkinkan para ahli materi pelajaran untuk mengembangkan wawasan, lihat Demokratisasi data dengan penemuan digital.

Pola

Orang selalu mencoba mendeteksi pola dalam volume data yang besar. Komputer dirancang untuk tujuan itu. Pembelajaran mesin mempercepat pencarian itu dengan mendeteksi pola seperti itu, keterampilan yang terdiri dari model pembelajaran mesin. Pola-pola tersebut kemudian diterapkan melalui algoritma pembelajaran mesin untuk memprediksi hasil ketika satu set data baru dimasukkan ke dalam algoritma.

Menggunakan wawasan sebagai titik awal, pembelajaran mesin mengembangkan dan menerapkan model prediktif untuk memanfaatkan pola dalam data. Melalui beberapa perulangan pelatihan, pengujian, dan adopsi, model serta algoritma tersebut dapat memprediksi hasil di masa mendatang secara akurat.

Azure Machine Learning adalah layanan cloud-native di Azure untuk membangun dan melatih model berdasarkan data Anda. Alat ini juga mencakup alur kerja untuk mempercepat pengembangan algoritma pembelajaran mesin. Alur kerja ini dapat digunakan untuk mengembangkan algoritma melalui antarmuka visual atau Python.

Untuk model pembelajaran mesin yang lebih kuat, ML Services in Azure HDInsight menyediakan platform pembelajaran mesin yang dibangun di atas kluster Apache Hadoop. Pendekatan ini memungkinkan kontrol yang lebih terperinci dari kluster, penyimpanan, dan node komputasi yang mendasarinya. Azure HDInsight juga menawarkan integrasi yang lebih canggih melalui alat seperti ScaleR dan SparkR untuk membuat prediksi berdasarkan data yang terintegrasi dan terserap, bahkan bekerja dengan data dari aliran. Solusi prediksi penundaan penerbangan menunjukkan kemampuan canggih ini ketika digunakan untuk memprediksi penundaan penerbangan berdasarkan kondisi cuaca. Solusi HDInsight juga memungkinkan kontrol perusahaan, seperti keamanan data, akses jaringan, dan pemantauan performa untuk mengoperasionalkan pola.

Prediksi

Setelah pola dibangun dan dilatih, Anda dapat menerapkannya melalui API, yang dapat membuat prediksi selama pengiriman pengalaman digital. Sebagian besar API ini dibangun dari model terlatih berdasarkan pola dalam data Anda. Karena makin banyak pelanggan yang menerapkan beban kerja sehari-hari ke cloud, API prediksi yang digunakan oleh penyedia cloud mengarah pada adopsi yang makin cepat.

Azure Cognitive Services adalah contoh API prediktif yang dibangun oleh vendor cloud. Layanan ini mencakup API prediktif untuk moderasi konten, deteksi anomali, dan saran untuk mempersonalisasi konten. API ini siap digunakan dan didasarkan pada pola konten terkenal, yang digunakan Microsoft untuk melatih model. API membuat prediksi berdasarkan data yang Anda masukkan ke dalam API.

Azure Machine Learning memungkinkan Anda menyebarkan algoritma yang dibuat khusus, yang dapat Anda buat dan latih hanya berdasarkan data Anda sendiri. Untuk informasi tentang penerapan prediksi dengan Azure Machine Learning, lihat Menyebarkan model pembelajaran mesin ke Azure.

Informasi tentang proses untuk mengekspos prediksi yang dikembangkan untuk ML Services on Azure HDInsight, lihat Menyiapkan kluster HDInsight.

Interaksi

Setelah prediksi tersedia melalui API, Anda dapat menggunakannya untuk memengaruhi perilaku pelanggan. Pengaruh itu mengambil bentuk interaksi. Interaksi dengan algoritma pembelajaran mesin terjadi dalam pengalaman digital atau sekitar Anda yang lain. Karena data dikumpulkan melalui aplikasi atau pengalaman, data dijalankan melalui algoritma pembelajaran mesin. Ketika algoritma memprediksi hasil, prediksi itu dapat dibagikan kembali dengan pelanggan melalui pengalaman yang ada.

Pelajari lebih lanjut cara membuat pengalaman sekitar melalui solusi realitas yang disesuaikan.

Langkah berikutnya

Tinjau kerangka kerja preskriptif yang mencakup alat, program, dan konten (praktik terbaik, templat konfigurasi, dan panduan arsitektur) untuk menyederhanakan adopsi untuk skenario inovasi berikut.