Notions de base des grandes tendances technologiques dans l'analyse prédictive

Techniques analytiques prédictives traditionnelles ne peuvent fournir des indications sur la base des données historiques. Vos données - à la fois passé et entrant - peut vous offrir un prédicteur fiable qui peut vous aider à prendre de meilleures décisions pour atteindre vos objectifs d'affaires. L'outil pour accomplir cet objectif est l'analyse prédictive.

Comment explorer l'analyse prédictive en tant que service

Comme l'utilisation de l'analyse prédictive est devenue plus courante et généralisée, une tendance émergente est (naturellement) vers une plus grande facilité d'utilisation. Sans doute la meilleure façon d'utiliser l'analyse prédictive est que les logiciels - que ce soit comme un produit autonome ou comme un service basé sur le cloud fourni par une société dont l'activité est la fourniture de solutions d'analyse prédictive pour d'autres entreprises.

Si l'activité de votre entreprise est d'offrir l'analyse prédictive, vous pouvez fournir cette capacité de deux manières principales:

• Comme un logiciel autonome avec une interface utilisateur graphique facile à utiliser: Le client achète le produit d'analyse prédictive et l'utilise pour construire des modèles prédictifs personnalisés.

• Comme un ensemble d'outils logiciels qui aident l'utilisateur de choisir un modèle prédictif à utiliser basée sur le cloud: Le client applique les outils nécessaires pour remplir les exigences et les spécifications du projet à portée de main, et le type de données que le modèle sera appliqué. Les outils peuvent offrir prédictions rapidement, sans impliquer le client dans le fonctionnement des algorithmes utilisés ou la gestion des données en cause.

Un exemple simple peut être aussi simple que ces trois étapes:

1. Un client ajouts données à vos serveurs, ou choisit de données qui résident déjà dans le nuage.

2. Le client applique une partie du modèle de prédiction disponible pour ces données.

3. Les commentaires des internautes de visualiser des idées et des prédictions à partir des résultats de l'analyse ou du service.

Comment agréger des données distribuées pour l'analyse

Une tendance croissante est d'appliquer l'analyse prédictive des données recueillies auprès de diverses sources. Déploiement d'une solution typique d'analyse prédictive dans un environnement distribué nécessite la collecte de données - parfois Big Data - à partir de différentes sources-une approche qui doit compter sur les capacités de gestion des données. Les données doivent être collectées, pré-traitées, et géré avant il peut être considéré comme utilisable pour générer des prédictions à une action.

Les architectes de solutions d'analyse prédictive doivent toujours faire face au problème de la façon de recueillir et traiter les données provenant de différentes sources de données. Considérons, par exemple, une entreprise qui veut prédire le succès d'une décision d'affaires qui affecte l'un de ses produits par l'évaluation de l'une des options suivantes:

• Pour mettre les ressources de l'entreprise en augmentant le volume des ventes

• Pour terminer la fabrication du produit

• Pour changer la stratégie actuelle des ventes pour le produit

L'analyse prédictive architecte doit concevoir un modèle qui aide l'entreprise à prendre cette décision, en utilisant des données sur le produit de différents départements:

• Données techniques: Le département d'ingénierie dispose de données sur les spécifications, son cycle de vie, et les ressources et le temps du produit nécessaire pour le produire.

• Les données de ventes: Le département des ventes a des informations sur le volume de vente du produit, le nombre de ventes par région, et les profits générés par ces ventes.

• Les données des clients à partir d'enquêtes, critiques, et des postes: La société peut avoir aucun département dédié qui analyse la façon dont les clients se sentent sur le produit. Des outils existent, cependant, qui peut automatiquement analyser les données mises en ligne et extraire les attitudes des auteurs, haut-parleurs, ou des clients vers un sujet, un phénomène, ou (dans ce cas) un produit.

  

Par exemple, si un utilisateur affiche un avis sur le produit X qui dit, “ je vraiment comme produit X et je suis heureux avec le prix, n ° 148; un extracteur de sentiment étiquettes automatiquement ce commentaire comme positif.

Ces outils peuvent classer les réponses que “ heureux, ” “ triste, ” “ en colère, ” et ainsi de suite, en se basant sur la classification des mots que l'auteur utilise dans le texte mis en ligne. Dans le cas du produit X, la solution d'analyse prédictive aurait besoin d'agréger les évaluations des clients provenant de sources externes.

L'exemple est une agrégation de données provenant de sources multiples, à la fois internes et externes - de l'ingénierie et divisions (internes), et de la clientèle de commentaires glanés dans les réseaux sociaux (externe) - qui est aussi un exemple de l'utilisation de grands volumes de données dans l'analyse prédictive .

Notions de base de l'analyse axées sur les données en temps réel

Fournir des idées que de nouveaux événements se produisent en temps réel est une tâche difficile parce que beaucoup se passe si vite. Traitement haute vitesse moderne a changé la quête de la compréhension des affaires loin de l'entreposage de données traditionnelles et vers le traitement en temps réel.

Mais le volume de données est également élevé - une énorme quantité de données variées, provenant de sources multiples, générés en permanence et à des vitesses différentes. Les entreprises sont avides de solutions d'analyse prédictive évolutives qui peuvent découler aperçu en temps réel à partir d'un flot de données qui semble porter “ le monde et tout ce qu'il contient ”.

La demande est intensifie pour analyser les données en temps réel et générer rapidement des prédictions. Prenons l'exemple de la vie réelle de la rencontre d'un placement d'annonces en ligne qui correspond à un achat, vous étiez déjà sur le point de faire. Les entreprises sont intéressés par les solutions d'analyse prédictive qui peuvent fournir ces capacités que les suivantes:

• Prédire - en temps réel - l'annonce spécifique qui un visiteur du site serait probablement clic (une approche appelée le placement d'annonces en temps réel).

• Spéculer avec précision sur laquelle les clients sont sur le point de quitter un service ou un produit dans le but de cibler les clients avec une campagne de rétention (fidélisation de la clientèle et de la modélisation de désabonnement).

• Identifier les électeurs qui peuvent être influencées par une stratégie de communication spécifique comme la visite de la maison, la télévision annonce, appel téléphonique ou e-mail. (Vous pouvez imaginer l'impact sur les campagnes politiques.)

En plus d'encourager l'achat et le vote le long des lignes désirées, l'analyse prédictive en temps réel peuvent servir comme un outil essentiel pour la détection automatique des cyber-attaques.