Compartilhar via

Modelagem preditiva e influência do comportamento do cliente

Há duas classes de aplicativos na economia digital: histórico e preditivo. Muitas necessidades do cliente podem ser atendidas apenas usando dados históricos, incluindo dados quase em tempo real. A maioria das soluções se concentra principalmente na agregação de dados no momento. Em seguida, eles processam e compartilham esses dados de volta para o cliente na forma de uma experiência digital ou ambiente.

Em contraste com a modelagem histórica está a modelagem preditiva. Mas, o que é modelagem preditiva? A modelagem preditiva usa estatísticas e resultados conhecidos para processar e criar modelos que podem ser usados para prever resultados futuros, dentro do motivo. À medida que a modelagem preditiva se torna mais econômica e prontamente disponível, os clientes exigem experiências de pensamento futuro que levem a melhores decisões e ações. No entanto, essa demanda nem sempre sugere uma solução preditiva. Na maioria dos casos, uma exibição histórica pode fornecer dados suficientes para capacitar o cliente a tomar uma decisão por conta própria.

Infelizmente, os clientes geralmente têm uma visão tópica que leva a decisões baseadas em seu ambiente imediato e esfera de influência. À medida que as opções e as decisões aumentam em número e impacto, essa visão míope pode não atender às necessidades do cliente. Ao mesmo tempo, como uma hipótese é comprovada em escala, a empresa que fornece a solução pode ver milhares ou milhões de decisões de clientes. Essa abordagem geral possibilita ver padrões amplos e os impactos desses padrões. A capacidade de modelagem preditiva é um investimento sábio quando uma compreensão desses padrões é necessária para tomar decisões que melhor atendam ao cliente.

Exemplos de modelagem preditiva e como ela influencia o comportamento do cliente

Vários aplicativos e experiências de ambiente usam dados para fazer previsões:

  • Comércio eletrônico: Com base no que outros consumidores semelhantes compraram, um site de comércio eletrônico sugere produtos que podem valer a pena adicionar ao seu carrinho.
  • Realidade ajustada: A IoT oferece instâncias mais avançadas de funcionalidade preditiva. Por exemplo, suponha que um dispositivo em uma linha de assembly detecte um aumento na temperatura de um computador. Um modelo preditivo baseado em nuvem determina como responder. Com base nessa previsão, outro dispositivo reduz a velocidade da linha de assembly até que o computador possa esfriar.
  • Produtos de consumo: Celulares, casas inteligentes, até mesmo seu carro, todos usam recursos preditivos, que eles analisam para sugerir o comportamento do usuário com base em fatores como localização ou hora do dia. Quando uma previsão e a hipótese inicial são alinhadas, a previsão leva à ação. Em um estágio muito maduro, esse alinhamento pode tornar os produtos como um carro autônomo uma realidade.

Desenvolver funcionalidades preditivas

As soluções que fornecem recursos preditivos precisos geralmente incluem cinco características principais. As cinco principais características de modelagem preditiva são:

  • Dados
  • Inspirações
  • Padrões
  • Previsões
  • Interações

Cada aspecto é necessário para desenvolver recursos preditivos. Como todas as grandes inovações, o desenvolvimento de recursos preditivos requer um compromisso com a iteração. Em cada iteração, uma ou mais das seguintes características são amadurecidas para validar hipóteses cada vez mais complexas do cliente.

Etapas para recursos preditivos

Cuidado

Se a hipótese do cliente desenvolvida em Build with customer empathy incluir capacidades preditivas, os princípios descritos lá podem certamente se aplicar. No entanto, as capacidades preditivas exigem um investimento significativo de tempo e energia. Quando as capacidades preditivas são picos técnicos, em vez de uma fonte de valor real para o cliente, sugerimos que você adie as previsões até que as hipóteses do cliente sejam validadas em escala.

Dados

Os dados são os mais elementos das características mencionadas anteriormente. Cada uma das disciplinas para o desenvolvimento de invenções digitais gera dados. Esses dados, é claro, contribuem para o desenvolvimento de previsões. Para obter mais informações sobre maneiras de obter dados em uma solução preditiva, consulte:

Várias fontes de dados podem ser usadas para fornecer recursos preditivos:

Inspirações

Especialistas no assunto usam dados sobre necessidades e comportamentos do cliente para desenvolver insights básicos de negócios a partir de um estudo de dados brutos. Esses insights podem identificar ocorrências dos comportamentos desejados do cliente (ou, como alternativa, resultados indesejáveis). Durante iterações nas previsões, esses insights podem ajudar a identificar possíveis correlações que poderiam, em última análise, gerar resultados positivos. Para obter orientação sobre como habilitar especialistas no assunto para desenvolver insights, consulte Democratizar dados com invenção digital.

Padrões

As pessoas sempre tentaram detectar padrões em grandes volumes de dados. Computadores foram projetados para essa finalidade. O aprendizado de máquina acelera essa busca detectando precisamente esses padrões, uma habilidade que compreende o modelo de machine learning. Esses padrões são aplicados por meio de algoritmos de aprendizado de máquina para prever resultados quando um novo conjunto de dados é inserido nos algoritmos.

Usando insights como ponto de partida, o machine learning desenvolve e aplica modelos preditivos para capitalizar os padrões nos dados. Por meio de várias iterações de treinamento, teste e adoção, esses modelos e algoritmos podem prever com precisão os resultados futuros.

O Azure Machine Learning é o serviço nativo de nuvem no Azure para criar e treinar modelos com base em seus dados. Essa ferramenta também inclui um fluxo de trabalho para acelerar o desenvolvimento de algoritmos de aprendizado de máquina. Esse fluxo de trabalho pode ser usado para desenvolver algoritmos por meio de uma interface visual ou Python.

Previsões

Depois que um padrão é criado e treinado, você pode aplicá-lo por meio de APIs, que podem fazer previsões durante a entrega de uma experiência digital. A maioria dessas APIs é criada a partir de um modelo bem treinado com base em um padrão em seus dados. À medida que mais clientes implantam cargas de trabalho diárias na nuvem, as APIs de previsão usadas pelos provedores de nuvem levam à adoção cada vez mais rápida.

O Azure Machine Learning permite implantar algoritmos personalizados, que podem ser criados e treinados com base apenas em seus próprios dados. Para obter informações sobre como implantar previsões com o Azure Machine Learning, consulte Implantar modelos de machine learning no Azure.

Interações

Depois que uma previsão é disponibilizada por meio de uma API, você pode usá-la para influenciar o comportamento do cliente. Essa influência assume a forma de interações. Uma interação com um algoritmo de machine learning acontece dentro de outras experiências digitais ou ambientes. À medida que os dados são coletados por meio do aplicativo ou da experiência, eles são executados por meio dos algoritmos de aprendizado de máquina. Quando o algoritmo prevê um resultado, essa previsão pode ser compartilhada novamente com o cliente por meio da experiência existente.

Saiba mais sobre como criar uma experiência de ambiente por meio de uma solução de realidade ajustada.

Próximas etapas

Examine uma estrutura prescritiva que inclui as ferramentas, programas e conteúdo (práticas recomendadas, modelos de configuração e diretrizes de arquitetura) para simplificar a adoção para os seguintes cenários de inovação.