Udostępnij za pośrednictwem

Modelowanie predykcyjne i wpływanie na zachowanie klientów

Istnieją dwie klasy aplikacji w gospodarce cyfrowej: historyczne i predykcyjne. Wiele potrzeb klientów można spełnić wyłącznie przy użyciu danych historycznych, w tym danych niemal w czasie rzeczywistym. Większość rozwiązań koncentruje się głównie na agregowaniu danych w tej chwili. Następnie przetwarzają i udostępniają te dane klientowi w postaci cyfrowego doświadczenia lub doświadczenia środowiskowego.

W przeciwieństwie do modelowania historycznego jest modelowanie predykcyjne. Ale co to jest modelowanie predykcyjne? Modelowanie predykcyjne używa statystyk i znanych wyników do przetwarzania i tworzenia modeli, które mogą służyć do przewidywania przyszłych wyników w ramach rozumu. W miarę jak modelowanie predykcyjne staje się bardziej ekonomiczne i łatwo dostępne, klienci domagają się środowisk myślenia przyszłościowego, które prowadzą do lepszych decyzji i działań. Jednak to zapotrzebowanie nie zawsze sugeruje rozwiązanie predykcyjne. W większości przypadków widok historyczny może zapewnić wystarczającą ilość danych, aby umożliwić klientowi podjęcie decyzji samodzielnie.

Niestety, klienci często przyjmują krótkowzroczne podejście, które prowadzi do podejmowania decyzji na podstawie ich najbliższego otoczenia i sfery wpływów. W miarę jak zwiększa się liczba i wpływ opcji oraz decyzji, to wąskie spojrzenie może nie spełnić potrzeb klienta. Jednocześnie, gdy hipoteza zostanie potwierdzona na dużą skalę, firma dostarczająca rozwiązanie może analizować tysiące lub miliony decyzji klientów. Takie podejście z dużym obrazem pozwala zobaczyć szerokie wzorce i wpływ tych wzorców. Możliwość modelowania predykcyjnego to mądre inwestycje, gdy zrozumienie tych wzorców jest niezbędne do podejmowania decyzji, które najlepiej służą klientowi.

Przykłady modelowania predykcyjnego i wpływ na zachowanie klientów

Różne aplikacje i środowiska otoczenia używają danych do przewidywania:

  • Handel elektroniczny: Na podstawie tego, co kupili inni konsumenci, witryna internetowa handlu elektronicznego sugeruje produkty, które mogą być warte dodania do koszyka.
  • Skorygowana rzeczywistość: IoT oferuje bardziej zaawansowane przykłady funkcji predykcyjnych. Załóżmy na przykład, że urządzenie na linii zestawu wykrywa wzrost temperatury maszyny. Model predykcyjny oparty na chmurze określa sposób reagowania. Na podstawie tego przewidywania inne urządzenie spowalnia linię montażową, dopóki maszyna nie będzie mogła się ochłodzić.
  • Produkty konsumenckie: Telefony komórkowe, inteligentne domy, nawet samochód, wszystkie korzystają z możliwości predykcyjnych, które analizują, aby sugerować zachowanie użytkowników na podstawie czynników, takich jak lokalizacja lub pora dnia. Gdy przewidywanie i początkowa hipoteza są zgodne, wówczas przewidywania prowadzą do działania. Na bardzo dojrzałym etapie to dopasowanie może sprawić, że produkty takie jak samochód samojeżdżące są rzeczywistością.

Opracowywanie możliwości predykcyjnych

Rozwiązania, które stale zapewniają dokładne możliwości predykcyjne, często obejmują pięć podstawowych cech. Pięć podstawowych cech modelowania predykcyjnego to:

  • Dane
  • Spostrzeżenia
  • Wzory
  • Prognozy
  • Interakcje

Każdy aspekt jest wymagany do opracowania możliwości predykcyjnych. Podobnie jak wszystkie wspaniałe innowacje, rozwój możliwości predykcyjnych wymaga zaangażowania w iterację. W każdej iteracji co najmniej jedna z następujących cech jest dojrzała, aby zweryfikować coraz bardziej złożone hipotezy klientów.

Kroki umożliwiające predykcyjne możliwości

Ostrożność

Jeśli hipoteza klienta opracowana w Tworzenie z empatią klienta obejmuje możliwości predykcyjne, opisane tam zasady mogą być również stosowane. Jednak możliwości predykcyjne wymagają znacznych inwestycji w czas i energię. Gdy możliwości predykcyjne są skokami technicznymi, w przeciwieństwie do źródła rzeczywistej wartości klienta, sugerujemy opóźnienie przewidywań, dopóki hipotezy klienta nie zostaną zweryfikowane na dużą skalę.

Dane

Dane są najbardziej elementalnymi cechami wymienionymi wcześniej. Każda z dziedzin opracowywania wynalazków cyfrowych generuje dane. Te dane oczywiście przyczyniają się do rozwoju przewidywań. Aby uzyskać więcej informacji na temat sposobów uzyskiwania danych do rozwiązania predykcyjnego, zobacz:

Różne źródła danych mogą służyć do dostarczania możliwości predykcyjnych:

Spostrzeżenia

Eksperci z danej dziedziny używają danych dotyczących potrzeb i zachowań klientów, aby opracowywać podstawowe informacje biznesowe na podstawie analizy danych pierwotnych. Te szczegółowe informacje mogą określać wystąpienia żądanych zachowań klientów (lub, alternatywnie, niepożądane wyniki). Podczas iteracji w przewidywaniach te szczegółowe informacje mogą pomóc w identyfikowaniu potencjalnych korelacji, które ostatecznie mogą generować pozytywne wyniki. Aby uzyskać wskazówki dotyczące włączania ekspertów z danej dziedziny do opracowywania szczegółowych informacji, zobacz Demokratyzowanie danych za pomocą wynalazków cyfrowych.

Wzory

Ludzie zawsze próbowali wykrywać wzorce w dużych ilościach danych. Komputery zostały zaprojektowane w tym celu. Uczenie maszynowe przyspiesza to zadanie, wykrywając dokładnie takie wzorce, umiejętności składające się z modelu uczenia maszynowego. Te wzorce są następnie stosowane za pomocą algorytmów uczenia maszynowego w celu przewidywania wyników po wprowadzeniu nowego zestawu danych do algorytmów.

Korzystając ze szczegółowych informacji jako punktu wyjścia, uczenie maszynowe opracowuje i stosuje modele predykcyjne, aby wykorzystać wzorce w danych. Dzięki wielu iteracji trenowania, testowania i wdrażania te modele i algorytmy mogą dokładnie przewidywać przyszłe wyniki.

Usługa Azure Machine Learning to natywna dla chmury usługa na platformie Azure do tworzenia i trenowania modeli opartych na danych. To narzędzie zawiera również przepływ pracy przyspieszający opracowywanie algorytmów uczenia maszynowego. Ten przepływ pracy może służyć do opracowywania algorytmów za pomocą interfejsu wizualnego lub języka Python.

Prognozy

Po zbudowaniu i wytrenowaniu wzorca, możesz zastosować go za pomocą interfejsów API, które mogą wykonywać prognozy w trakcie realizacji cyfrowego doświadczenia. Większość z tych interfejsów API jest zbudowana na podstawie dobrze wytrenowanego modelu na podstawie wzorca danych. W miarę jak coraz więcej klientów przenosi codzienne obciążenia do chmury, prognozujące API stosowane przez dostawców usług chmurowych prowadzą do coraz szybszego ich przyjmowania.

Usługa Azure Machine Learning umożliwia wdrażanie niestandardowych algorytmów, które można tworzyć i trenować wyłącznie na podstawie własnych danych. Aby uzyskać informacje na temat wdrażania przewidywań za pomocą usługi Azure Machine Learning, zobacz Wdrażanie modeli uczenia maszynowego na platformie Azure.

Interakcje

Po udostępnieniu przewidywania za pośrednictwem interfejsu API można go użyć do wpływania na zachowanie klientów. Ten wpływ ma formę interakcji. Interakcja z algorytmem uczenia maszynowego odbywa się w innych środowiskach cyfrowych lub otoczenia. Gdy dane są zbierane za pośrednictwem aplikacji lub doświadczenia, są przetwarzane przez algorytmy uczenia maszynowego. Gdy algorytm przewiduje wynik, to przewidywanie można udostępnić klientowi za pośrednictwem istniejącego środowiska.

Dowiedz się więcej na temat tworzenia środowiska otoczenia za pomocą dostosowanego rozwiązania rzeczywistości.

Następne kroki

Przejrzyj strukturę preskrypcyjną obejmującą narzędzia, programy i zawartość (najlepsze rozwiązania, szablony konfiguracji i wskazówki dotyczące architektury), aby uprościć wdrażanie następujących scenariuszy innowacji.