Video: Apa Itu Big Data? (Oktober 2024)
Analitik prediktif adalah hasil praktis dari Big Data dan intelijen bisnis (BI). Apa yang Anda lakukan ketika bisnis Anda mengumpulkan volume data baru yang mengejutkan? Aplikasi bisnis saat ini sedang mencari pelanggan baru, pasar, mendengarkan sosial, dan aplikasi waktu nyata, cloud, atau data kinerja produk. Analitik prediktif adalah salah satu cara untuk memanfaatkan semua informasi itu, mendapatkan wawasan baru yang nyata, dan tetap terdepan dalam persaingan.
Organisasi menggunakan analitik prediktif dalam berbagai cara berbeda, mulai dari pemasaran prediktif dan penambangan data hingga penerapan algoritme pembelajaran mesin (ML) dan kecerdasan buatan (AI) untuk mengoptimalkan proses bisnis dan mengungkap pola statistik baru. Ini pada dasarnya adalah komputer yang belajar dari perilaku masa lalu tentang bagaimana melakukan proses bisnis tertentu dengan lebih baik dan memberikan wawasan baru tentang bagaimana organisasi Anda benar-benar berfungsi. Tetapi sebelum kita membahas semua cara yang menarik, bisnis dan perusahaan teknologi menggunakan analitik prediktif untuk menghemat waktu, menghemat uang, dan mendapatkan keunggulan di seluruh pasar, penting untuk berbicara tentang apa itu analitik prediktif dan apa yang tidak.
Apa itu Predictive Analytics?
Analitik prediktif bukanlah konsep hitam-putih atau fitur tersendiri dari manajer basis data modern. Ini adalah sekelompok teknologi analisis data dan teknik statistik yang digulung di bawah satu spanduk. Teknik inti adalah analisis regresi, yang memprediksi nilai-nilai terkait variabel berganda yang didasarkan pada membuktikan atau menolak asumsi tertentu. Analitik prediktif adalah tentang mengenali pola dalam data untuk probabilitas proyek, menurut Allison Snow, Analis Senior Pemasaran B2B di Forrester.
"Adalah kunci untuk mengenali bahwa analitik adalah tentang probabilitas, bukan absolut, " jelas Snow, yang membahas ruang pemasaran prediktif. "Tidak seperti analitik tradisional, ketika menerapkan analitik prediktif, seseorang tidak tahu sebelumnya data apa yang penting. Analitik prediktif menentukan data apa yang diprediksi hasil yang ingin Anda prediksi."
Pikirkan tentang perwakilan penjualan yang melihat profil utama dalam platform manajemen hubungan pelanggan (CRM) seperti Salesforce.com. Katakanlah anggapannya adalah, pemimpin akan membeli produk Anda. Asumsi lain adalah bahwa variabelnya adalah biaya produk, peran pemimpin dalam bisnis, dan rasio profitabilitas perusahaan saat ini. Sekarang masukkan variabel-variabel tersebut ke dalam persamaan regresi dan voila! Anda punya model prediktif yang digunakan untuk meramalkan strategi yang efektif untuk melempar dan menjual produk ke arahan yang tepat.
Selain dari analisis regresi (seluk-beluk dan himpunan bagian yang Anda bisa tentang di primer Harvard Business Review ini ), analitik prediktif juga menggunakan semakin banyak data mining dan ML. Penambangan data persis seperti apa itu: Anda memeriksa kumpulan data besar untuk menemukan pola dan mengungkap informasi baru. Teknik ML adalah, dengan keteraturan yang lebih besar, menjadi panci pengayak dan kapak untuk menemukan nugget data emas. Inovasi ML seperti jaringan saraf dan algoritma pembelajaran yang dalam dapat memproses set data tidak terstruktur ini lebih cepat daripada ilmuwan atau peneliti data tradisional, dan dengan akurasi yang lebih besar dan lebih besar ketika algoritma belajar dan meningkat. Ini adalah cara yang sama dengan IBM Watson bekerja, dan toolkit open-source seperti Google TensorFlow dan CNTK Microsoft menawarkan fungsionalitas ML di sepanjang jalur yang sama.
Perubahan besar yang dimasukkan ke dalam boom analitik prediktif bukan hanya kemajuan ML dan AI, tetapi bukan hanya ilmuwan data yang menggunakan teknik ini lagi. BI dan alat visualisasi data, bersama dengan organisasi open-source seperti Apache Software Foundation, membuat alat analisis Big Data lebih mudah diakses, lebih efisien, dan lebih mudah digunakan daripada sebelumnya. ML dan alat analisis data sekarang swalayan dan berada di tangan pengguna bisnis sehari-hari - mulai dari tenaga penjualan kami yang menganalisis data timbal atau eksekutif yang mencoba menguraikan tren pasar di ruang dewan hingga perwakilan layanan pelanggan yang meneliti titik-titik rasa sakit pelanggan yang umum dan media sosial manajer pemasaran mengukur demografi pengikut dan tren sosial untuk menjangkau khalayak sasaran yang tepat dengan kampanye. Kasing ini hanyalah puncak gunung es dalam mengeksplorasi semua cara analisis prediktif mengubah bisnis, banyak lagi yang akan kita bahas di bawah.
Yang mengatakan, analitik prediktif tidak seperti bola kristal atau almanak olahraga Biff Tannen dari Kembali ke Masa Depan 2. Algoritme dan model tidak dapat memberi tahu bisnis Anda di luar bayang-bayang keraguan bahwa produk berikutnya akan menjadi pemenang miliar dolar. atau bahwa pasar hampir habis. Data masih merupakan sarana untuk membuat tebakan yang berpendidikan; kami hanya berpendidikan jauh lebih baik dari dulu.
Memecah Analitik Prediktif, Preskriptif, dan Deskriptif
Dalam laporan Forrester lain yang berjudul 'Analisis Prediktif Dapat Memasukkan Aplikasi Anda Dengan' Keuntungan Tidak Adil, '"Analis Utama Mike Gualtieri menunjukkan bahwa" kata' analitik 'dalam' analisis prediktif 'sedikit keliru. Analitik prediktif bukanlah cabang analitik tradisional seperti pelaporan atau analisis statistik. Ini adalah tentang menemukan model prediksi yang dapat digunakan perusahaan untuk memprediksi hasil bisnis di masa depan dan / atau perilaku pelanggan."
Singkatnya, Snow menjelaskan bahwa istilah "prediktif" secara inheren menunjukkan kemungkinan atas kepastian, memecah lanskap alat analisis dan bagaimana faktor itu menjadi analitik preskriptif.
"Analitik deskriptif, walaupun tidak terlalu 'maju', hanya menangkap hal-hal yang terjadi, " kata Snow. "Analisis deskriptif atau historis adalah dasar di mana suatu algoritma dapat dikembangkan. Ini adalah metrik sederhana tetapi seringkali terlalu sulit untuk dikelola tanpa alat analisis.
"Secara umum, dasbor dan pelaporan adalah penggunaan paling umum untuk analisis prediktif dalam organisasi saat ini. Alat-alat ini sering tidak memiliki tautan ke keputusan bisnis, optimisasi proses, pengalaman pelanggan, atau tindakan lain apa pun. Dengan kata lain, model menghasilkan wawasan tetapi tidak eksplisit instruksi tentang apa yang harus dilakukan dengan mereka. Analitik preskriptif adalah di mana wawasan bertemu tindakan. Mereka menjawab pertanyaan, "Saya sekarang tahu probabilitas hasil apa yang dapat dilakukan untuk memengaruhinya ke arah yang positif bagi saya, " apakah itu mencegah pelanggan churn atau melakukan penjualan lebih mungkin."
Analisis Prediktif Ada Di Mana Saja
Seiring berkembangnya lanskap BI, analitik prediktif menemukan jalannya ke semakin banyak kasus penggunaan bisnis. Alat-alat seperti Pilihan Editor kami Tableau Desktop dan Microsoft Power BI sport desain dan kegunaan intuitif, dan koleksi besar konektor data dan visualisasi untuk memahami volume besar dari data bisnis yang diimpor dari sumber seperti Amazon Elastic MapReduce (EMR), Google Distribusi BigQuery, dan Hadoop dari pemain seperti Cloudera, Hortonworks, dan MapR. Alat swalayan ini belum tentu memiliki fitur analitik prediktif paling canggih, tetapi menjadikan Big Data jauh lebih kecil dan lebih mudah untuk dianalisis dan dipahami.
Snow mengatakan ada serangkaian luas kasus penggunaan untuk analitik prediktif dalam bisnis saat ini, mulai dari mendeteksi penipuan titik penjualan (POS), secara otomatis menyesuaikan konten digital berdasarkan konteks pengguna untuk mendorong konversi, atau memulai layanan pelanggan proaktif untuk risiko tinggi sumber pendapatan. Dalam pemasaran B2B, Snow mengatakan perusahaan dan UKM menggunakan pemasaran prediktif untuk alasan yang sama mereka menggunakan strategi, taktik, atau teknologi apa pun: untuk memenangkan, mempertahankan, dan melayani pelanggan lebih baik daripada mereka yang tidak.
Menelusuri lebih dalam, Snow mengidentifikasi tiga kategori kasus penggunaan pemasaran B2B yang katanya mendominasi keberhasilan prediktif awal dan meletakkan dasar untuk penggunaan yang lebih kompleks dari analisis pemasaran prediktif.
1. Skor Prediktif: Memprioritaskan prospek, prospek, dan akun yang diketahui berdasarkan kemungkinan mereka untuk mengambil tindakan.
"Titik masuk paling umum bagi pemasar B2B ke dalam pemasaran prediktif, penilaian prediktif menambah dimensi ilmiah, matematis pada prioritas konvensional yang mengandalkan spekulasi, eksperimen, dan iterasi untuk memperoleh kriteria dan bobot, " kata Snow. "Kasus penggunaan ini membantu penjualan dan pemasar mengidentifikasi akun yang produktif lebih cepat, menghabiskan lebih sedikit waktu pada akun yang lebih kecil kemungkinannya untuk berkonversi, dan memulai kampanye cross-sell atau promosi yang ditargetkan."
2. Model Identifikasi: Mengidentifikasi dan memperoleh prospek dengan atribut yang mirip dengan pelanggan yang sudah ada.
"Dalam kasus penggunaan ini, akun yang menunjukkan perilaku yang diinginkan (melakukan pembelian, memperbarui kontrak, atau membeli produk dan layanan tambahan) berfungsi sebagai dasar dari model identifikasi, " kata Snow. "Kasus penggunaan ini membantu penjualan dan pemasar menemukan prospek berharga lebih awal dalam siklus penjualan, mengungkap pemasar baru, memprioritaskan akun yang ada untuk ekspansi, dan inisiatif pemasaran berbasis rekening listrik (ABM) dengan membawa ke rekening permukaan yang secara wajar dapat diharapkan untuk menjadi lebih reseptif terhadap pesan penjualan dan pemasaran."
3. Segmentasi Otomatis: Prospek segmen untuk perpesanan yang dipersonalisasi.
"Pemasar B2B secara tradisional hanya dapat melakukan segmentasi dengan atribut generik, seperti industri, dan melakukannya dengan upaya manual sehingga personalisasi hanya diterapkan pada kampanye yang sangat diprioritaskan, " kata Snow. "Sekarang, atribut yang digunakan untuk memberi makan algoritma prediksi sekarang dapat ditambahkan ke catatan akun untuk mendukung segmentasi yang rumit dan otomatis. Kasus penggunaan ini membantu penjualan dan pemasar mendorong komunikasi keluar dengan pesan yang relevan, memungkinkan percakapan substansial antara penjualan dan prospek, dan menginformasikan strategi konten lebih cerdas."
Alat BI dan kerangka kerja sumber terbuka seperti Hadoop mendemokratisasikan data secara keseluruhan, tetapi, selain dari pemasaran B2B, analitik prediktif juga dimasukkan ke dalam platform perangkat lunak berbasis cloud yang semakin banyak di berbagai industri. Ambil situs web perusahaan kencan online eHarmony's Elevated Careers dan beberapa vendor lainnya dalam ruang "analytics prediktif untuk perekrutan". Platform ini masih sangat banyak di masa-masa awal mereka, tetapi gagasan untuk menggunakan data untuk memprediksi pencari kerja mana yang paling cocok untuk pekerjaan spesifik dan perusahaan memiliki potensi untuk menemukan kembali bagaimana manajer sumber daya manusia (SDM) merekrut bakat.
Penyedia meja bantuan seperti Zendesk juga mulai menambahkan kemampuan analitik prediktif untuk membantu perangkat lunak desk. Perusahaan menanamkan platformnya dengan kekuatan prediktif untuk membantu staf layanan pelanggan menangani masalah dengan sistem peringatan dini berbasis data yang disebut Prediksi Kepuasan. Fitur ini menggunakan algoritma ML untuk memproses hasil survei kepuasan, melempar variabel termasuk waktu untuk menyelesaikan tiket, latensi respons layanan pelanggan, dan kata-kata tiket spesifik ke dalam algoritma regresi untuk menghitung peringkat kepuasan yang diproyeksikan pelanggan.
Kami juga melihat analitik prediktif berdampak besar pada skala industri dan Internet of Things (IoT). Google menggunakan algoritme ML di pusat data untuk menjalankan pemeliharaan prediktif di server pertanian yang mendukung infrastruktur cloud publik Google Cloud Platform (GCP). Algoritme menggunakan data cuaca, beban, dan variabel lain untuk menyesuaikan pompa pendingin pusat data secara preemptive dan secara signifikan mengurangi konsumsi daya.
Pemeliharaan prediktif semacam ini menjadi biasa di pabrik juga. Perusahaan teknologi perusahaan seperti SAP menawarkan pemeliharaan prediktif dan platform layanan menggunakan data sensor dari perangkat manufaktur IoT yang terhubung untuk memprediksi kapan mesin berisiko mengalami masalah atau kegagalan mekanis. Perusahaan teknologi seperti Microsoft juga menjajaki pemeliharaan prediktif untuk aplikasi luar angkasa, membuat Cortana bekerja menganalisis data sensor dari mesin dan komponen pesawat.
Daftar aplikasi bisnis potensial terus berlanjut, mulai dari bagaimana analitik prediktif mengubah industri ritel menjadi fintech start-up menggunakan pemodelan prediktif pada analisis penipuan dan risiko transaksi keuangan. Kami hanya menggores permukaan, baik dalam cara industri yang berbeda dapat mengintegrasikan jenis analisis data ini dan kedalaman di mana alat dan teknik analisis prediktif akan mendefinisikan kembali bagaimana kami melakukan bisnis sejalan dengan evolusi AI. Ketika kita semakin dekat untuk benar-benar memetakan otak buatan, kemungkinannya tidak terbatas.
