Modellazione predittiva e influenza sul comportamento dei clienti
Nell'economia digitale, esistono due classi di applicazioni: cronologica e predittiva. Molte esigenze dei clienti possono essere soddisfatte usando solo dati cronologici, inclusi dati near real-time. La maggior parte delle soluzioni è incentrata principalmente sull'aggregazione dei dati del momento. Le soluzioni elaborano e quindi condividono i dati con il cliente sotto forma di esperienza digitale o basata sull'ambiente.
La modellazione cronologica è in contrasto con la modellazione predittiva. Che cos'è la modellazione predittiva? La modellazione predittiva usa statistiche e risultati noti per elaborare e creare modelli che è possibile usare per prevedere i risultati futuri, entro limiti ragionevoli. Man mano che la modellazione predittiva diventa più conveniente e prontamente disponibile, i clienti richiedono esperienze lungimiranti che portino a decisioni e azioni migliori. Tuttavia, questa domanda non sempre suggerisce una soluzione predittiva. Nella maggior parte dei casi, una visualizzazione cronologica può fornire dati sufficienti per consentire al cliente di prendere una decisione in autonomia.
Sfortunatamente, i clienti hanno un approccio miope che porta a decisioni basate sull'ambiente e sulla sfera di influenza immediati. Con l'aumentare del numero e dell'impatto delle opzioni e delle decisioni, questo approccio miope potrebbe non soddisfare le esigenze del cliente. Allo stesso tempo, poiché un'ipotesi viene verificata su larga scala, l'azienda che offre la soluzione ha la possibilità di esaminare migliaia o milioni di decisioni dei clienti. Questo approccio più ampio consente di esaminare modelli generali e il relativo impatto. La funzionalità di modellazione predittiva è un investimento intelligente nei casi in cui è necessario comprendere tali modelli per prendere decisioni che meglio soddisfano le esigenze del cliente.
Esempi di modellazione predittiva e di come influisce sul comportamento dei clienti
Varie applicazioni ed esperienze basate sull'ambiente usano i dati per effettuare previsioni:
- E-commerce: in base a ciò che altri consumatori con caratteristiche simili hanno acquistato, un sito Web di e-commerce può suggerire i prodotti che potrebbe valere la pena aggiungere al carrello.
- Realtà modificata: la tecnologia IoT offre istanze più avanzate di funzionalità predittiva. Si supponga, ad esempio, che un dispositivo di una linea di montaggio rilevi un aumento della temperatura di una macchina. Un modello predittivo basato sul cloud determina la modalità di risposta. In base a tale previsione, un altro dispositivo rallenta la linea di montaggio per consentire alla macchina di raffreddarsi.
- Prodotti consumer: i telefoni cellulari, le case intelligenti e perfino le auto usano funzionalità predittive per analizzare gli eventi e suggerire il comportamento dell'utente in base a fattori come la posizione o l'ora del giorno. Quando una previsione e l'ipotesi iniziale sono allineate, la previsione porta all'azione. In una fase molto matura, questo allineamento può trasformate in realtà prodotti come un'automobile con guida autonoma.
Sviluppare funzionalità predittive
Le soluzioni che forniscono in modo coerente funzionalità predittive accurate includono in genere cinque caratteristiche principali. Le cinque caratteristiche principali della modellazione predittiva sono:
- Data
- Informazioni dettagliate
- Modelli
- Stime
- Interazioni
Ogni aspetto è necessario per sviluppare funzionalità predittive. Come tutte le grandi innovazioni, lo sviluppo di funzionalità predittive richiede un impegno per l'iterazione. In ogni iterazione, una o più delle caratteristiche seguenti maturano per convalidare ipotesi sempre più complesse dei clienti.
Attenzione
Se l'ipotesi del cliente sviluppata nella fase Creare con empatia per i clienti include funzionalità predittive, i principi descritti potrebbero essere applicabili. Tuttavia, le funzionalità predittive richiedono investimenti significativi in termini di tempo ed energia. Quando le funzionalità predittive corrispondono a un picco tecnico, anziché a un'origine di valore effettivo del cliente, è consigliabile ritardare le previsioni fino a quando le ipotesi del cliente non sono state convalidate su larga scala.
Data
I dati sono la più elementare delle caratteristiche menzionate in precedenza. Ognuna delle discipline per lo sviluppo di invenzioni digitali genera dati. Questi dati, naturalmente, contribuiscono allo sviluppo delle previsioni. Per altre informazioni su come ottenere i dati in una soluzione predittiva, vedere:
Per offrire funzionalità predittive, è possibile usare varie origini dati:
Informazioni dettagliate
Gli esperti in materia usano i dati sulle esigenze e i comportamenti dei clienti per sviluppare informazioni aziendali di base a partire da uno studio sui dati non elaborati. Tali informazioni dettagliate consentono di individuare le occorrenze dei comportamenti desiderati dei clienti (o, in alternativa, i risultati indesiderati). Durante le iterazioni delle previsioni, queste informazioni dettagliate possono essere utili per identificare potenziali correlazioni che potrebbero infine generare risultati positivi. Per indicazioni su come consentire agli esperti in materia di sviluppare informazioni dettagliate, vedere Democratizzare i dati con l'invenzione digitale.
Modelli
Da sempre, gli utenti hanno provato a rilevare dei modelli nei grandi volumi di dati. I computer sono stati progettati a tale scopo. La tecnologia di Machine Learning accelera tale ricerca individuando con precisione questi modelli, una competenza che include il modello di Machine Learning. I modelli vengono quindi applicati tramite algoritmi di Machine Learning per prevedere i risultati quando viene immesso un nuovo set di dati negli algoritmi.
Usando le informazioni dettagliate come punto di partenza, la tecnologia di Machine Learning sviluppa e applica modelli predittivi per capitalizzare i modelli nei dati. Tramite più iterazioni di training, test e adozione, tali modelli e algoritmi sono in grado di prevedere con precisione i risultati futuri.
Azure Machine Learning è il servizio nativo del cloud in Azure per la creazione e il training di modelli basati sui dati. Questo strumento include anche un flusso di lavoro per accelerare lo sviluppo di algoritmi di Machine Learning. È possibile usare questo flusso di lavoro per sviluppare algoritmi tramite un'interfaccia visiva o Python.
Per modelli di Machine Learning più affidabili, ML Services in Azure HDInsight offre una piattaforma di Machine Learning basata su cluster Apache Hadoop. Questo approccio consente un controllo più granulare dei cluster, delle risorse di archiviazione e dei nodi di calcolo sottostanti. Azure HDInsight offre anche un'integrazione più avanzata mediante strumenti come ScaleR e SparkR che consentono di creare previsioni basate su dati integrati e inseriti, utilizzando anche i dati di un flusso. La soluzione di previsione dei ritardi dei voli è un esempio dimostrativo di queste funzionalità avanzate quando usata per prevedere i ritardi dei voli in base alle condizioni meteorologiche. La soluzione HDInsight consente anche controlli aziendali, ad esempio la sicurezza dei dati, l'accesso alla rete e il monitoraggio delle prestazioni per operare sui modelli.
Stime
Dopo aver creato ed eseguito il training di un modello, è possibile applicarlo tramite API, che possono eseguire previsioni durante la distribuzione di un'esperienza digitale. La maggior parte di queste API si basano su un modello sottoposto a un training efficace e individuato nei dati. Con l'aumento del numero di clienti che distribuiscono carichi di lavoro ogni giorno nel cloud, le API di previsione usate dai provider di servizi cloud portano a un'adozione sempre più rapida.
Servizi cognitivi di Azure è un esempio di API predittiva sviluppata da un fornitore di cloud. Il servizio include API predittive per la moderazione del contenuto e il rilevamento delle anomalie, nonché suggerimenti per personalizzare il contenuto. Le API sono pronte all'uso e basate su modelli di contenuto noti, usati da Microsoft per eseguire il training dei modelli. Le previsioni dell'API si basano sui dati forniti.
Azure Machine Learning consente di distribuire algoritmi personalizzati, che è possibile creare ed eseguire il training esclusivamente in base ai propri dati. Per informazioni sulla distribuzione di previsioni con Azure Machine Learning, vedere Distribuire modelli di Machine Learning in Azure.
Per informazioni sui processi per l'esposizione di previsioni sviluppate per ML Services in Azure HDInsight, vedere Configurare i cluster di HDInsight.
Interazioni
Dopo che una previsione è stata resa disponibile tramite un'API, è possibile usarla per influenzare il comportamento dei clienti. Tale influenza assume la forma di interazione. Un'interazione con un algoritmo di Machine Learning avviene all'interno di altre esperienze digitali o basate sull'ambiente. Quando i dati vengono raccolti mediante l'applicazione o l'esperienza, vengono eseguiti tramite gli algoritmi di Machine Learning. Quando l'algoritmo prevede un risultato, tale previsione può essere condivisa nuovamente con il cliente tramite l'esperienza esistente.
Altre informazioni su come creare un'esperienza basata sull'ambiente tramite una soluzione di realtà modificata.
Passaggi successivi
Esaminare un framework prescrittivo che include strumenti, programmi e contenuti (procedure consigliate, modelli di configurazione e linee guida per l'architettura) per semplificare l'adozione per gli scenari di innovazione che seguono.