予測モデリングと顧客の行動への影響

[アーティクル]
04/27/2023

デジタル経済のアプリケーションには、"履歴" と "予測" の 2 つのクラスがあります。多くの顧客のニーズは、ほぼリアルタイムなデータを含む履歴データのみを使用して満たすことができます。ほとんどのソリューションは、その時点のデータを集計することに主に焦点を当てています。その後、そのデータは処理され、デジタルまたはアンビエントエクスペリエンスの形式で顧客に戻されます。

履歴モデリングと対照的であるのが、予測モデリングです。しかし、予測モデリングとは何でしょうか。予測モデリングでは、統計と既知の結果を使用して、理にかなった範囲内で、将来の結果を予測するために使用できるモデルを処理および作成します。予測モデリングのコスト効率が高まり、すぐに利用できるようになってきているのに従い、より良い決定およびアクションを取ることができる先を見越したエクスペリエンスを顧客は求めるようになってきています。ただし、その要求は常に予測ソリューションを提示するとは限りません。ほとんどの場合、履歴ビューから顧客が自分自身で決定するのに十分なデータを得ることができます。

残念ながら、顧客は近視眼的なことが多く、自分のすぐ身の回りのことや影響の範囲に基づいて決定をしています。オプションや決定の数が増え、それらの影響が拡大するに従い、その近視眼的な見方では顧客のニーズが満たされない場合があります。同時に、仮説が大規模に証明されるに従い、ソリューションを提供している企業が数千から数百万の顧客の決定全体を見渡せるようになっています。この全体像のアプローチにより、広範なパターンとそれらのパターンの影響がわかるようになってきています。顧客に最も役立つ決定をするのにこれらのパターンの理解が必要な場合、予測モデリング機能への投資は賢明です。

予測モデリングとそれが顧客の行動に与える影響の例

さまざまなアプリケーションやアンビエントエクスペリエンスでは予測を行うためにデータが使用されます。

eコマース: eコマース Web サイトでは、他の類似するコンシューマーが購入したものに基づいて、カートに追加するお勧めの製品が提案されます。
Adjusted Reality (調整された現実): IoT では、予測機能のより高度なインスタンスが提供されます。たとえば、組み立てライン上の機器で、機器の温度の上昇が検知されるとします。クラウドベースの予測モデルが、それに対する対応を決定します。この予測に基づき、別のデバイスはマシンが冷えるまで組み立てラインを遅くします。
消費者製品: 携帯電話、スマートホーム、また車でさえも、場所や時刻などの要素に基づいてユーザーに行動を提案するために分析を行う予測機能が使用されています。予測と初期仮説が一致した場合、予測がアクションにつながります。とても成熟した段階では、この一致により自動運転車のような製品が実現されます。

予測機能の開発

常に正確な予測機能を提供するソリューションは、一般に次の 5 つの主要な特性を備えています。予測モデリングの 5 つの主要な特性は次のとおりです。

Data
洞察
パターン
予測
インタラクション

予測機能の開発には、各側面が必要です。すべての大きなイノベーション同様、予測機能の開発には反復に対するコミットメントが必要です。各反復では、次の 1 つ以上の特性が熟慮され、ますます複雑化する顧客の仮説が検証されます。

予測機能の手順

注意事項

顧客への共感での構築に関する記事で構築した顧客の仮説に予測機能が含まれる場合、そこで説明されている原則が適用されます。ただし、予測機能には時間とエネルギーをかなり投資する必要があります。予測機能が、実際の顧客価値のソースではなく、技術的スパイクである場合、顧客の仮説が大きな規模で検証されるまで、予測を遅らせることをお勧めします。

Data

データは、前述の特性で最も基本的なものです。データは、デジタル発明を開発するための各規範によって生成されます。当然ながら、そのデータが予測の開発に貢献します。予測ソリューションにデータを取り込む方法の詳細については、次を参照してください。

予測機能の提供には、さまざまなデータソースを使用できます。

洞察

分野の専門家は、顧客のニーズや行動に関するデータを使用して、生データを研究してビジネスの基本的な分析情報を作成します。それらの分析情報からは、期待される顧客の行動 (または望ましくない結果) の発生を指摘できます。予測の反復の間、これらの分析情報は、最終的に肯定的な結果を生成する可能性がある潜在的な相関関係の識別に役立つ場合があります。分野の専門家向けの分析情報の開発のガイダンスについては、「デジタル発明によるデータの民主化」を参照してください。

パターン

人々は常に大量のデータ内にパターンを検出しようとしてきました。コンピューターはその目的に開発されています。機械学習では、機械学習モデルを構成するスキルであるこのようなパターンの正確な検出によって、その探求を加速します。その後、それらのパターンは機械学習アルゴリズムを介して適用され、そのアルゴリズムに新しいデータセットが入力されたときの結果が予測されます。

機械学習では、分析情報を開始点として使用して、そのデータ内のパターンを利用する予測モデルを開発し、適用します。トレーニング、テストおよび採用を何度も繰り返すことにより、それらのモデルやアルゴリズムは将来の結果を正確に予測できるようになります。

Azure Machine Learning は、お使いのデータを使用してモデルを構築およびトレーニングする、Azure 内のクラウドネイティブなサービスです。このツールには、機械学習アルゴリズムの開発を加速させるワークフローも含まれます。このワークフローを使用すると、ビジュアルインターフェイスまたは Python を通じてアルゴリズムを開発できます。

より堅牢な機械学習モデルを実現するために、Azure HDInsight の ML サービスでは、Apache Hadoop クラスター上に構築された機械学習プラットフォームを提供します。このアプローチでは、基になっているクラスター、ストレージ、コンピューティングノードをより細かく制御できます。また、Azure HDInsight では、統合および取り込まれたデータに基づく予測を、ScaleR や SparkR などのツールをより高度に統合して作成できます。これでは、ストリーミングデータを使用することも可能です。気象条件に基づく航空便の遅延の予測に使用される場合、これらの高度な機能は、航空便遅延予測ソリューションでデモンストレーションされています。また、HDInsight ソリューションでは、データセキュリティ、ネットワークアクセス、パフォーマンス監視などのパターンでの操作を組織で制御できます。

予測

パターンを構築してトレーニングした後、デジタルエクスペリエンスを提供している間に予測を行える API を使用して適用することができます。これらの API の多くは、お使いのデータ内のパターンに基づく適切にトレーニングされたモデルから構築されています。クラウドに日常的なワークロードをデプロイする顧客が増えるに従い、クラウドプロバイダーによって使用される予測 API により、これまでにないペースで採用が増加します。

クラウドベンダーが開発した予測 API の例に、Azure Cognitive Services があります。このサービスには、コンテンツモデレーション、異常検出、およびコンテンツをカスタマイズするための提案用の予測 API が含まれています。これらの API は、すぐに使用できるように準備され、Microsoft がモデルのトレーニングに使用した既知のコンテンツパターンに基づいています。これらの API は、ユーザーが API にフィードするデータに基づいて予測を行います。

Azure Machine Learning では、ご自分のデータのみに基づいて作成およびトレーニングできる、カスタム作成したアルゴリズムをデプロイできます。 Azure Machine Learning を使用した予測のデプロイの詳細については、「機械学習モデルを Azure にデプロイする」を参照してください。

Azure HDInsight 上の ML Services 用に開発された予測を公開するプロセスについては、HDInsight クラスターの設定に関する記事を参照してください。

インタラクション

API を介して予測が利用可能になると、それを使用して顧客の行動に影響を与えることができます。その影響は、対話形式をとります。機械学習アルゴリズムを使用した対話は、他のデジタルまたはアンビエントエクスペリエンス内で起こります。アプリケーションまたはエクスペリエンスを介してデータが収集されると、それは機械学習アルゴリズムを介して実行されます。そのアルゴリズムが予測した結果は、既存のエクスペリエンスを介して顧客に戻すことができます。

調整された現実のソリューションを通じてアンビエントエクスペリエンスを作成する方法の詳細を参照してください。

次のステップ

ツール、プログラム、コンテンツ (ベストプラクティス、構成テンプレート、アーキテクチャガイダンス) を含む規範的なフレームワークを確認して、次のイノベーションシナリオの導入を簡略化します。