예측 모델링 및 고객 행동에 영향

  • 아티클

디지털 경제에는 과거 및 예측의 두 가지 애플리케이션 클래스가 있습니다. 거의 실시간 데이터를 포함하여 과거 데이터를 사용하는 것만으로도 많은 고객 요구를 충족할 수 있습니다. 대부분의 솔루션은 주로 현재 데이터를 집계하는 데 중점을 둡니다. 그런 다음 해당 데이터를 처리하고 디지털 또는 주변 환경의 형태로 고객에게 다시 공유합니다.

과거 모델링과 대조되는 것은 예측 모델링입니다. 그러나 예측 모델링이란 무엇인가요? 예측 모델링은 통계 및 알려진 결과를 사용하여 합리적 범위 내에서 미래 결과를 예측하는 데 사용할 수 있는 모델을 처리하고 만듭니다. 예측 모델링이 더 비용 효율적이고 쉽게 사용할 수 있게 됨에 따라 고객은 더 나은 결정과 작업으로 이어지는 미래 지향적인 환경을 요구합니다. 그러나 이러한 요구가 항상 예측 솔루션을 제안하는 것은 아닙니다. 대부분의 경우 기록 보기는 고객이 스스로 결정을 내릴 수 있도록 충분한 데이터를 제공할 수 있습니다.

불행히도 고객은 종종 주변 환경과 영향 범위를 기반으로 결정을 내리는 근시안적인 관점을 취합니다. 옵션과 결정의 수와 영향력이 커짐에 따라 그러한 근시안적인 관점은 고객의 요구에 부응하지 못할 수 있습니다. 동시에 가설이 대규모로 입증됨에 따라 솔루션을 제공하는 회사는 수천 또는 수백만 고객의 결정을 볼 수 있습니다. 이 큰 그림 방법을 통해 광범위한 패턴과 이러한 패턴의 영향을 볼 수 있습니다. 고객에게 가장 적합한 결정을 내리기 위해 이러한 패턴을 이해해야 하는 경우 예측 모델링 기능은 현명한 투자입니다.

예측 모델링의 예와 그것이 고객 행동에 미치는 영향

다양한 애플리케이션과 주변 환경은 데이터를 사용하여 예측합니다.

  • 전자상거래: 다른 유사한 소비자가 구매한 것을 기반으로 전자상거래 웹 사이트는 장바구니에 추가할 가치가 있는 제품을 제안합니다.
  • 조정된 현실: IoT는 예측 기능의 고급 인스턴스를 제공합니다. 예를 들어, 조립 라인의 디바이스가 컴퓨터 온도 상승을 검색한다고 가정합니다. 클라우드 기반 예측 모델은 대응 방법을 결정합니다. 그 예측에 따라 다른 디바이스는 기계가 과열되지 않도록 쿨다운될 때까지 조립 라인의 속도를 늦춥니다.
  • 소비자 제품: 휴대전화, 스마트 홈, 자동차까지 모두 예측 기능을 사용하고 분석하여 위치나 시간과 같은 요소를 기반으로 사용자 동작을 제안합니다. 예측과 초기 가설이 일치하면 예측이 작업으로 이어집니다. 매우 성숙한 단계에서 이러한 정렬은 자율주행차와 같은 제품을 현실로 만들 수 있습니다.

예측 기능 개발

정확한 예측 기능을 일관되게 제공하는 솔루션에는 일반적으로 5가지 핵심 특성이 포함됩니다. 예측 모델링의 5가지 핵심 특성은 다음과 같습니다.

  • 데이터
  • 자세한 정보
  • 패턴
  • 예측
  • 상호 작용

각 측면은 예측 기능을 개발하는 데 필요합니다. 모든 위대한 혁신과 마찬가지로 예측 기능을 개발하려면 반복에 대한 노력이 필요합니다. 각 반복에서 다음 특성 중 하나 이상이 점점 더 복잡해지는 고객 가설을 유효성 검사하기 위해 성숙됩니다.

예측 기능에 대한 단계

주의

고객 공감을 통한 빌드에서 개발한 고객 가설에 예측 기능이 포함된 경우 여기에 설명된 원칙이 잘 적용될 수 있습니다. 그러나 예측 기능에는 상당한 시간과 에너지 투자가 필요합니다. 예측 기능이 실제 고객 가치의 원천이 아니라 기술적 급증인 경우 고객 가설이 대규모로 유효성 검사될 때까지 예측을 연기하는 것이 좋습니다.

데이터

데이터는 앞서 언급한 특성 중 가장 기본적인 요소입니다. 디지털 발명을 개발하기 위한 각 분야는 데이터를 생성합니다. 물론 그 데이터는 예측 개발에 기여합니다. 데이터를 예측 솔루션으로 가져오는 방법에 대한 자세한 내용은 다음을 참조하세요.

다양한 데이터 원본을 사용하여 예측 기능을 제공할 수 있습니다.

자세한 정보

주제 전문가는 원시 데이터 연구에서 기본적인 비즈니스 인사이트를 개발하기 위해 고객의 요구와 고객 행동에 대한 데이터를 사용합니다. 이러한 인사이트는 원하는 고객 행동(또는 바람직하지 않은 결과)의 발생을 정확히 찾아낼 수 있습니다. 예측을 반복하는 동안 이러한 인사이트는 궁극적으로 긍정적인 결과를 생성할 수 있는 잠재적인 상관 관계를 식별하는 데 도움이 될 수 있습니다. 주제 전문가가 인사이트를 개발할 수 있도록 하는 방법에 대한 지침은 디지털 발명으로 데이터 민주화를 참조하세요.

패턴

사람들은 항상 많은 양의 데이터에서 패턴을 검색하려고 노력해 왔습니다. 컴퓨터는 그 목적을 위해 설계되었습니다. 기계 학습은 기계 학습 모델을 구성하는 기술인 이러한 패턴을 정확하게 검색하여 이러한 탐색을 가속화합니다. 그런 다음 이러한 패턴은 기계 학습 알고리즘을 통해 적용되어 새로운 데이터 집합이 알고리즘에 입력될 때 결과를 예측합니다.

인사이트를 출발점으로 사용하여 기계 학습은 예측 모델을 개발하고 적용하여 데이터의 패턴을 활용합니다. 학습, 테스트 및 채택의 여러 반복을 통해 이러한 모델과 알고리즘은 미래 결과를 정확하게 예측할 수 있습니다.

Azure Machine Learning은 데이터를 기반으로 모델을 빌드하고 학습시키기 위한 Azure의 클라우드 네이티브 서비스입니다. 이 도구에는 기계 학습 알고리즘 개발을 가속화하기 위한 워크플로도 포함되어 있습니다. 이 워크플로는 시각적 인터페이스 또는 Python을 통해 알고리즘을 개발하는 데 사용할 수 있습니다.

보다 강력한 기계 학습 모델을 위해 Azure HDInsight의 ML 서비스는 Apache Hadoop 클러스터에 빌드된 기계 학습 플랫폼을 제공합니다. 이 방법을 사용하면 기본 클러스터, 스토리지 및 컴퓨팅 노드를 보다 세부적으로 제어할 수 있습니다. Azure HDInsight는 또한 ScaleR 및 SparkR과 같은 도구를 통해 고급 통합을 제공하여 통합 및 수집된 데이터를 기반으로 예측을 만들고 스트림의 데이터로 작업할 수도 있습니다. 비행 지연 예측 솔루션은 기상 조건을 기반으로 비행 지연을 예측하는 데 사용할 때 이러한 고급 기능을 보여 줍니다. HDInsight 솔루션을 사용하면 데이터 보안, 네트워크 액세스 및 성능 모니터링과 같은 엔터프라이즈 제어를 통해 패턴을 운용할 수도 있습니다.

예측

패턴이 빌드되고 학습된 후에는 API를 통해 적용할 수 있으며 디지털 환경을 제공하는 동안 예측할 수 있습니다. 이러한 API의 대부분은 데이터의 패턴을 기반으로 잘 학습된 모델에서 빌드됩니다. 더 많은 고객이 일상적인 워크로드를 클라우드에 배포함에 따라 클라우드 공급자가 사용하는 예측 API는 그 어느 때보다 빠른 채택으로 이어집니다.

Azure Cognitive Services는 클라우드 공급업체에서 빌드한 예측 API의 예입니다. 이 서비스에는 콘텐츠 조정, 변칙 검색 및 콘텐츠 개인화에 대한 제안을 위한 예측 API가 포함됩니다. 이러한 API는 바로 사용할 수 있으며 Microsoft가 모델을 학습하는 데 사용한 잘 알려진 콘텐츠 패턴을 기반으로 합니다. API는 API에 제공하는 데이터를 기반으로 예측합니다.

Azure Machine Learning을 사용하면 자체 데이터만을 기반으로 만들고 학습시킬 수 있는 사용자 지정 알고리즘을 배포할 수 있습니다. Azure Machine Learning으로 예측을 배포하는 방법에 대한 자세한 내용은 Azure에 Machine Learning 모델 배포를 참조하세요.

Azure HDInsight의 ML 서비스용으로 개발된 예측을 노출하는 프로세스에 대한 자세한 내용은 HDInsight 클러스터 설정을 참조하세요.

상호 작용

API를 통해 예측을 사용할 수 있게 되면 이를 사용하여 고객 행동에 영향을 줄 수 있습니다. 그 영향력은 상호 작용의 형태를 취합니다. 기계 학습 알고리즘과의 상호 작용은 다른 디지털 또는 주변 환경 내에서 발생합니다. 애플리케이션이나 환경을 통해 데이터가 수집되면 기계 학습 알고리즘을 통해 실행됩니다. 알고리즘이 결과를 예측하면 그 예측을 기존 환경을 통해 고객과 다시 공유할 수 있습니다.

조정 현실 솔루션을 통해 주변 환경을 만드는 방법에 대해 자세히 알아봅니다.

다음 단계

도구, 프로그램 및 콘텐츠(모범 사례, 구성 템플릿 및 아키텍처 지침)를 포함하는 규범적 프레임워크를 검토하여 다음 혁신 시나리오에 대한 채택을 단순화합니다.