Прогнозное моделирование и влияние на поведение клиентов

  • Статья

В цифровой экономике есть два класса приложений: исторические и прогнозные. Многие потребности клиентов можно удовлетворить исключительно с помощью исторических данных, включая данные почти в реальном времени. Большинство решений в первую очередь предназначены для статистической обработки данных на текущий момент времени. Затем эти данные предоставляются клиентам в форме цифровой или внешней услуги.

Противоположностью историческому является прогнозное моделирование. Но что такое прогнозное моделирование? Прогнозное моделирование использует статистику и известные результаты для обработки и создания моделей, с помощью которых можно с некоторой степенью точности прогнозировать будущие результаты. По мере того как прогнозное моделирование становится все более экономичным и доступным, клиенты требуют перспективных возможностей, которые позволяют принимать более правильные решения. Однако для удовлетворения этого запроса не всегда требуется прогнозное решение. В большинстве случаев историческое представление может предоставить достаточно данных, чтобы клиент смог самостоятельно принять решение.

К сожалению, клиенты часто ведут себя недальновидно, принимая решения под влиянием ближайшего окружения и своих авторитетов. С учетом того, что решения приходится принимать все чаще и их последствия становятся все значительнее, такой недальновидный подход может не отвечать потребностям клиента. В то же время в процессе масштабного подтверждения гипотезы компания, предоставляющая решение, может проанализировать тысячи и миллионы решений клиентов. Такой широкий охват дает возможность тщательно изучить закономерности поведения и их последствия. Если понимание закономерностей необходимо для принятия оптимальных с точки зрения клиента решений, инвестиции в возможности прогнозного моделирования — разумное решение.

Примеры прогнозного моделирования и его влияния на поведение клиентов

Различные приложения и технологии используют данные для построения прогнозов:

  • Электронная коммерция. Исходя из того, какие товары приобрели другие аналогичные потребители, веб-сайт электронной коммерции предлагает подходящие товары.
  • Скорректированная реальность. Интернет вещей предлагает более сложные варианты прогнозирования. Например, устройство на сборочной линии обнаруживает повышение температуры механизма. Облачная прогнозная модель определяет способ реагирования. На основе прогноза другое устройство замедляет сборочную линию, чтобы механизм мог остыть.
  • Потребительские продукты. Сотовые телефоны, интеллектуальные дома, даже ваш автомобиль — во всем этом используются прогнозные возможности, которые анализируют данные и делают предположения о поведении пользователя на основе таких факторов, как местонахождение или время суток. Согласование прогноза и начальной гипотезы приводит к действию. На зрелом этапе такое согласование может позволить воплотить такие технологии, как автопилотируемый автомобиль.

Разработка прогнозных возможностей

Решения, которые согласованно предоставляют возможности точного прогнозирования, обычно обладают пятью основными характеристиками. Пять основных характеристик прогнозного моделирования:

  • Данные
  • Аналитика
  • Шаблоны
  • Прогнозы
  • Взаимодействия

Для разработки прогнозных возможностей необходим каждый аспект. Как и в случае с любыми другими прогрессивными инновациями, для разработки прогнозных возможностей требуется обязательство выполнять итерации. В каждой итерации развивается одна или несколько из приведенных ниже характеристик с целью подтверждения все более сложной гипотезы.

Шаги по прогнозированию возможностей

Внимание!

Если гипотеза клиента, разработанная в ходе выполнения руководства Разработка ориентированных на клиента решений, содержит прогнозные возможности, то описанные здесь принципы вполне могут быть применимы. Однако прогнозные возможности требуют значительных затрат времени и энергии. Если прогнозные возможности являются лишь техническим новшеством, а не источником реальной ценности для клиентов, мы рекомендуем отложить их реализацию до тех пор, пока гипотеза не будет подтверждена в требуемом масштабе.

Данные

Данные — это самая базовая из упомянутых выше характеристик. Каждая из дисциплин разработки цифровых инноваций создает данные. Эти данные, разумеется, задействуются при разработке прогнозов. Дополнительные сведения о способах включения данных в прогнозное решение см. в следующих статьях:

Для предоставления прогнозных возможностей можно использовать различные источники данных:

Аналитика

Эксперты в предметных областях используют данные о потребностях и поведении клиентов для разработки базовых средств бизнес-аналитики на основе необработанных данных. Эти средства аналитики позволяют распознавать случаи требуемого поведения клиента (или, наоборот, нежелательные результаты). Во время итераций по прогнозам аналитические сведения могут помочь в выявлении потенциальной корреляции, которая в конечном итоге приводит к положительным результатам. Рекомендации по привлечению экспертов в предметных областях к разработке аналитики см. в статье Упрощение доступа к данным с помощью разработки цифровых технологий.

Шаблоны

Люди всегда пытались обнаружить закономерности в больших объемах данных. Компьютеры были созданы с этой целью. Машинное обучение ускоряет этот поиск, выявляя закономерности с высокой точностью с помощью модели машинного обучения. Затем закономерности обрабатываются алгоритмами машинного обучения для прогнозирования результатов на основе нового набора данных.

Используя аналитику в качестве отправной точки, машинное обучение создает и применяет прогнозные модели для получения полезных сведений о закономерностях в данных. После нескольких итераций обучения, тестирования и внедрения эти модели и алгоритмы могут точно прогнозировать будущие результаты.

Машинное обучение Azure — это облачная служба в Azure для создания и обучения моделей на основе данных. Это средство также включает в себя рабочий процесс для ускорения разработки алгоритмов машинного обучения. Этот рабочий процесс позволяет разрабатывать алгоритмы с помощью визуального интерфейса или Python.

Более надежные модели машинного обучения можно получать с помощью служб машинного обучения в Azure HDInsight. Это платформа машинного обучения на основе кластеров Apache Hadoop. Такой подход обеспечивает более детализированное управление базовыми кластерами, хранилищем и вычислительными узлами. Azure HDInsight также предлагает более тесную интеграцию с помощью таких средств, как ScaleR и SparkR, позволяющих строить прогнозы на основе объединенных данных, в том числе принимаемых из потока. Решение для прогнозирования задержки авиарейсов демонстрирует эти расширенные возможности на примере прогнозирования задержки рейсов с учетом погодных условий. Решение HDInsight также позволяет использовать закономерности в корпоративных средствах управления, таких как безопасность данных, сетевой доступ и мониторинг производительности.

Прогнозы

После создания и обучения модели ее можно применить посредством интерфейсов API для предоставления прогнозов через цифровые интерфейсы. Большинство интерфейсов API создаются на основе модели, хорошо обученной на основе закономерностей в данных. По мере того, как все больше клиентов развертывают повседневные рабочие нагрузки в облаке, интерфейсы API прогнозирования, используемые поставщиками облачных служб, позволяют ускорить внедрение.

Azure Cognitive Services — это пример прогнозного API, созданного поставщиком облачных служб. Эта служба включает прогнозные интерфейсы API для модерации контента, обнаружения аномалий и выдачи предложений по персонализации содержимого. Интерфейсы API готовы к использованию и основаны на хорошо известных шаблонах содержимого, которые корпорация Майкрософт использовала для обучения моделей. Интерфейсы API делают прогнозы на основе данных, которые вы передаете в них.

Машинное обучение Azure позволяет развертывать пользовательские алгоритмы, которые вы можете создавать и обучать исключительно на основе собственных данных. Сведения о развертывании прогнозов с помощью Машинного обучения Azure см. в статье Развертывание моделей машинного обучения в Azure.

Сведения о предоставлении доступа к прогнозам, разработанным для служб машинного обучения в Azure HDInsight, см. в статье Настройка кластеров HDInsight.

Взаимодействия

После того как прогноз станет доступен через API, его можно использовать для оказания влияния на поведение клиента. Влияние оказывается в форме взаимодействия. Взаимодействие с алгоритмом машинного обучения происходит в рамках других цифровых или внешних услуг. Данные, собираемые через приложение или услугу, обрабатываются алгоритмами машинного обучения. Когда алгоритм прогнозирует результат, этот прогноз можно предоставить клиенту через существующий интерфейс.

Узнайте больше о создании внешнего интерфейса с помощью решения скорректированной реальности.

Дальнейшие действия

Ознакомьтесь с рекомендуемой платформой, включающей средства, программы и содержимое (рекомендации, шаблоны конфигурации и руководство по архитектуре), чтобы упростить внедрение в следующих сценариях инноваций.