예측 모델링 및 영향을 주는 고객 동작Predictive modeling and influencing customer behavior

디지털 경제에는 기록예측 의 두 가지 응용 프로그램 클래스가 있습니다.There are two classes of applications in the digital economy: historical and predictive. 대부분의 고객 요구는 거의 실시간 데이터를 포함 하 여 기록 데이터를 사용 하는 경우에만 충족 될 수 있습니다.Many customer needs can be met solely by using historical data, including nearly real-time data. 대부분의 솔루션은 주로 데이터를 집계 하는 데 중점을 둡니다.Most solutions focus primarily on aggregating data in the moment. 그런 다음이 데이터를 처리 하 고 디지털 또는 주변 환경의 형태로 고객에 게 다시 공유 합니다.They then process and share that data back to the customer in the form of a digital or ambient experience.

과거 모델링은 예측 모델링과 대조적입니다.In contrast to historical modeling is predictive modeling. 그러나 예측 모델링 이란?But, what is predictive modeling? 예측 모델링은 통계 및 알려진 결과를 사용 하 여 이유 내에서 이후 결과를 예측 하는 데 사용할 수 있는 모델을 처리 하 고 만듭니다.Predictive modeling uses statistics and known results to process and create models that can be used to predict future outcomes, within reason. 예측 모델링은 비용 효율적이 고 쉽게 사용할 수 있게 되 면 고객은 더 나은 결정 및 조치를 야기 하는 향후 경험을 요구 합니다.As predictive modeling becomes more cost-effective and readily available, customers demand forward-thinking experiences that lead to better decisions and actions. 그러나이 요구는 항상 예측 솔루션을 제시 하지는 않습니다.However, that demand doesn't always suggest a predictive solution. 대부분의 경우 기록 보기는 고객이 스스로 결정을 내릴 수 있도록 충분 한 데이터를 제공할 수 있습니다.In most cases, a historical view can provide enough data to empower the customer to make a decision on their own.

불행 하 게도 고객은 즉각적인 주변 및 영향의 구에 따라 결정을 내리는 데 종종 myopic 보기를 사용 합니다.Unfortunately, customers often take a myopic view that leads to decisions based on their immediate surroundings and sphere of influence. 옵션과 결정이 증가 함에 따라 해당 myopic 보기가 고객의 요구를 충족 하지 못할 수 있습니다.As options and decisions grow in number and impact, that myopic view may not serve the customer's needs. 이와 동시에, 가설을 대규모로 검증 하는 경우 솔루션을 제공 하는 회사는 수천 또는 수백만의 고객 결정을 볼 수 있습니다.At the same time, as a hypothesis is proven at scale, the company providing the solution can see across thousands or millions of customer decisions. 이러한 큰 그림 접근 방식을 통해 광범위 한 패턴 및 해당 패턴의 영향을 확인할 수 있습니다.This big-picture approach makes it possible to see broad patterns and the impacts of those patterns. 예측 모델링 기능은 고객에 게 가장 적합 한 결정을 내리는 데 필요한 패턴을 이해 하는 데 유용 합니다.Predictive modeling capability is a wise investment when an understanding of those patterns is necessary to make decisions that best serve the customer.

예측 모델링의 예와 고객 동작에 미치는 영향Examples of predictive modeling and how it influences customer behavior

다양 한 종류의 응용 프로그램 및 주변 환경에서는 데이터를 사용 하 여 예측을 수행 합니다.Different kinds of applications and ambient experiences use data to make predictions:

  • 전자 상거래: 전자 상거래 웹 사이트에서는 다른 유사한 소비자가 구매한 제품을 기반으로 카트에 추가 하는 데 도움이 될 수 있는 제품을 제안 합니다.E-commerce: Based on what other similar consumers have purchased, an e-commerce website suggests products that may be worth adding to your cart.
  • 조정 현실: IoT는 예측 기능의 고급 인스턴스를 제공 합니다.Adjusted reality: IoT offers more advanced instances of predictive functionality. 예를 들어, 어셈블리 줄의 장치가 컴퓨터의 온도에서 증가 하는 것을 감지 한다고 가정 합니다.For example, suppose a device on an assembly line detects a rise in a machine's temperature. 클라우드 기반 예측 모델은 응답 하는 방법을 결정 합니다.A cloud-based predictive model determines how to respond. 이 예측을 기반으로 하는 다른 장치는 컴퓨터가 쿨 가능 해질 때까지 어셈블리 라인을 저하 시킵니다.Based on that prediction, another device slows down the assembly line until the machine can cool.
  • 소비자 제품: 휴대폰, 스마트 홈, 자동차를 비롯 한 모든 기능을 사용 하 여 위치 또는 시간 등의 요소에 따라 사용자 동작을 제안 합니다.Consumer products: Cell phones, smart homes, even your car, all use predictive capabilities, which they analyze to suggest user behavior based on factors like location or time of day. 예측과 초기 가설이 정렬 되 면 예측은 작업으로 이어집니다.When a prediction and the initial hypothesis are aligned, the prediction leads to action. 이 맞춤은 매우 성숙 된 단계에서 자기 운전 자동차 같은 제품을 만들 수 있습니다.At a very mature stage, this alignment can make products like a self-driving car a reality.

예측 기능 개발Develop predictive capabilities

정확한 예측 기능을 일관 되 게 제공 하는 솔루션은 일반적으로 5 가지 핵심 특성을 포함 합니다.Solutions that consistently provide accurate predictive capabilities commonly include five core characteristics. 5 가지 핵심 예측 모델링 특성은 다음과 같습니다.The five core predictive modeling characteristics are:

  • 데이터Data
  • 자세한 정보Insights
  • 패턴Patterns
  • 예측Predictions
  • 상호 작용Interactions

각 측면은 예측 기능을 개발 하는 데 필요 합니다.Each aspect is required to develop predictive capabilities. 모든 놀라운 혁신 처럼 예측 기능을 개발 하려면 반복에 대 한 약정을 해야 합니다.Like all great innovations, the development of predictive capabilities requires a commitment to iteration. 각 반복에서 다음 특성 중 하나 이상을 성숙 하 여 점점 더 복잡 한 고객 가설 유효성을 검사 합니다.In each iteration, one or more of the following characteristics is matured to validate increasingly complex customer hypotheses.

예측 기능 단계

주의

고객 공감를 사용 하 여 빌드 에서 개발한 고객 가설에 예측 기능이 포함 되어 있으면이에 대해 설명 하는 원칙이 적용 될 수 있습니다.If the customer hypothesis developed in Build with customer empathy includes predictive capabilities, the principles described there might well apply. 그러나 예측 기능을 위해서는 시간과 에너지에 상당한 투자가 필요 합니다.However, predictive capabilities require significant investment of time and energy. 실제 고객 값의 원본과 달리 예측 기능이 기술적 스파이크인 경우 고객 가설의 유효성을 검사할 때까지 예측을 지연 하는 것이 좋습니다.When predictive capabilities are technical spikes, as opposed to a source of real customer value, we suggest that you delay predictions until the customer hypotheses have been validated at scale.

데이터Data

데이터는 앞에서 언급 한 특성의 가장 중요 한 부분입니다.Data is the most elemental of the characteristics mentioned earlier. 디지털 inventions 개발을 위한 각 분야는 데이터를 생성 합니다.Each of the disciplines for developing digital inventions generates data. 물론 이러한 데이터는 예측 개발에 기여 합니다.That data, of course, contributes to the development of predictions. 예측 솔루션으로 데이터를 가져오는 방법에 대 한 자세한 내용은 digital 발명를 사용 하 여 데이터 를 가져오는 방법 및 장치와 상호 작용을 참조 하세요.For more information on ways to get data into a predictive solution, see Democratize data with digital invention and Interact with devices.

다양 한 데이터 원본을 사용 하 여 예측 모델링 기능을 제공할 수 있습니다.A variety of data sources can be used to deliver predictive modeling capabilities.

자세한 정보Insights

실무 전문가는 고객 요구 사항 및 동작에 대 한 데이터를 사용 하 여 원시 데이터에 대 한 연구에서 기본적인 비즈니스 통찰력을 개발 합니다.Subject matter experts use data about customer needs and behaviors to develop basic business insights from a study of raw data. 이러한 정보를 통해 원하는 고객의 행동을 정확 하 게 찾을 수 있습니다 (또는 원치 않는 결과).Those insights can pinpoint occurrences of the desired customer behaviors (or, alternatively, undesirable results). 예측에서 반복 하는 동안 이러한 정보를 통해 궁극적으로 긍정적인 결과를 생성할 수 있는 잠재적 상관 관계를 식별할 수 있습니다.During iterations on the predictions, these insights can aid in identifying potential correlations that could ultimately generate positive outcomes. 실무 전문가가 정보를 개발할 수 있도록 하는 방법에 대 한 지침은 digital 발명를 사용 하 여 데이터작성을 참조 하세요.For guidance on enabling subject matter experts to develop insights, see Democratize data with digital invention.

패턴Patterns

사용자는 항상 대용량 데이터의 패턴을 감지 하려고 했습니다.People have always tried to detect patterns in large volumes of data. 컴퓨터는 이러한 용도로 설계 되었습니다.Computers were designed for that purpose. Machine learning은 기계 학습 모델을 구성 하는 기술로 정확히 이러한 패턴을 검색 하 여 quest를 가속화 합니다.Machine learning accelerates that quest by detecting precisely such patterns, a skill that comprises the machine learning model. 이러한 패턴은 새 데이터 집합이 알고리즘에 입력 될 때 결과를 예측 하기 위해 기계 학습 알고리즘을 통해 적용 됩니다.Those patterns are then applied through machine learning algorithms to predict outcomes when a new set of data is entered into the algorithms.

Machine learning은 예측 모델을 시작 점으로 사용 하 여 예측 모델을 개발 하 고 적용 하 여 데이터의 패턴에 대 한 정보를 대문자로 만듭니다.Using insights as a starting point, machine learning develops and applies predictive models to capitalize on the patterns in data. 이러한 모델과 알고리즘은 학습, 테스트 및 도입의 여러 반복을 통해 향후 결과를 정확 하 게 예측할 수 있습니다.Through multiple iterations of training, testing, and adoption, those models and algorithms can accurately predict future outcomes.

Azure Machine Learning 은 데이터를 기반으로 모델을 작성 하 고 학습 하는 Azure의 클라우드 기본 서비스입니다.Azure Machine Learning is the cloud-native service in Azure for building and training models based on your data. 이 도구 에는 기계 학습 알고리즘의 개발을 가속화하는 워크플로도 포함 되어 있습니다.This tool also includes a workflow for accelerating the development of machine learning algorithms. 이 워크플로는 시각적 인터페이스 또는 Python을 통해 알고리즘을 개발 하는 데 사용할 수 있습니다.This workflow can be used to develop algorithms through a visual interface or Python.

보다 강력한 기계 학습 모델의 경우 Azure HDInsight의 ML 서비스 는 Apache Hadoop 클러스터를 기반으로 하는 기계 학습 플랫폼을 제공 합니다.For more robust machine learning models, ML Services in Azure HDInsight provides a machine learning platform built on Apache Hadoop clusters. 이 방법을 사용 하면 기본 클러스터, 저장소 및 계산 노드를 보다 세밀 하 게 제어할 수 있습니다.This approach enables more granular control of the underlying clusters, storage, and compute nodes. 또한 Azure HDInsight는 stream의 데이터로 작업 하는 경우 통합 된 데이터 및 수집 데이터를 기반으로 예측을 만들 수 있는 ScaleR 및 SparkR 같은 도구를 통해 보다 고급 통합을 제공 합니다.Azure HDInsight also offers more advanced integration through tools like ScaleR and SparkR to create predictions based on integrated and ingested data, even working with data from a stream. 비행 지연 예측 솔루션 은 기상 조건에 따라 비행 지연을 예측 하는 데 사용 될 때 이러한 각 고급 기능을 보여 줍니다.The flight delay prediction solution demonstrates each of these advanced capabilities when used to predict flight delays based on weather conditions. 또한 HDInsight 솔루션은 데이터 보안, 네트워크 액세스 및 운영 패턴에 대 한 성능 모니터링과 같은 엔터프라이즈 제어를 허용 합니다.The HDInsight solution also allows for enterprise controls, such as data security, network access, and performance monitoring to operationalize patterns.

예측Predictions

패턴을 빌드하고 학습 한 후에는 디지털 환경을 제공 하는 동안 예측이 가능 하도록 Api를 통해 적용할 수 있습니다.After a pattern is built and trained, you can apply it through APIs, which can make predictions during the delivery of a digital experience. 이러한 Api의 대부분은 데이터의 패턴을 기반으로 잘 학습 된 모델에서 빌드됩니다.Most of these APIs are built from a well-trained model based on a pattern in your data. 고객이 일상 작업을 클라우드로 배포 하는 경우 클라우드 공급자가 사용 하는 예측 Api를 사용 하면 훨씬 빠르게 채택할 수 있습니다.As more customers deploy everyday workloads to the cloud, the prediction APIs used by cloud providers lead to ever-faster adoption.

Azure Cognitive Services 는 클라우드 공급 업체에서 작성 한 예측 API의 예입니다.Azure Cognitive Services is an example of a predictive API built by a cloud vendor. 이 서비스에는 콘텐츠 중재를 위한 예측 Api, 변칙 검색 및 콘텐츠를 개인 설정 하는 제안이 포함 됩니다.This service includes predictive APIs for content moderation, anomaly detection, and suggestions to personalize content. 이러한 Api는 사용할 준비가 되었으며 Microsoft가 모델을 학습 하는 데 사용한 잘 알려진 콘텐츠 패턴을 기반으로 합니다.These APIs are ready to use and are based on well-known content patterns, which Microsoft has used to train models. 이러한 각 Api는 API에 제공 하는 데이터를 기반으로 예측을 수행 합니다.Each of those APIs makes predictions based on the data you feed into the API.

Azure Machine Learning 를 사용 하 여 사용자 고유의 데이터에만 기반 하 여 만들고 학습할 수 있는 사용자 지정 작성 알고리즘을 배포할 수 있습니다.Azure Machine Learning lets you deploy custom-built algorithms, which you can create and train based solely on your own data. Azure Machine Learning와 함께 예측을 배포 하는 방법에 대 한 자세한 내용은 Azure에 기계 학습 모델 배포를 참조 하세요.For information about deploying predictions with Azure Machine Learning, see Deploy machine learning models to Azure.

Azure HDInsight에서 ML 서비스를 위해 개발 된 예측을 노출 하는 프로세스에 대 한 자세한 내용은 hdinsight 클러스터 설정을 참조 하세요.For information about the processes for exposing predictions developed for ML Services on Azure HDInsight, see Set up HDInsight clusters.

상호 작용Interactions

API를 통해 예측을 사용할 수 있게 된 후에는이를 사용 하 여 고객의 행동에 영향을 줄 수 있습니다.After a prediction is made available through an API, you can use it to influence customer behavior. 이러한 영향은 상호 작용의 형태를 취합니다.That influence takes the form of interactions. 기계 학습 알고리즘과의 상호 작용은 다른 디지털 또는 주변 환경 내에서 발생 합니다.An interaction with a machine learning algorithm happens within your other digital or ambient experiences. 데이터는 응용 프로그램 또는 환경을 통해 수집 되므로 기계 학습 알고리즘을 통해 실행 됩니다.As data is collected through the application or experience, it's run through the machine learning algorithms. 알고리즘이 결과를 예측 하는 경우 기존 환경을 통해 고객과 다시 해당 예측을 공유할 수 있습니다.When the algorithm predicts an outcome, that prediction can be shared back with the customer through the existing experience.

조정 된 현실 솔루션을 통해 주변 환경을 만드는 방법에 대해 자세히 알아보세요.Learn more about how to create an ambient experience through an adjusted reality solution.

다음 단계Next steps

발명혁신 방법론에 대해 잘 알고 있다면 이제 고객 공감로 빌드하는 방법을 배울 준비가 되었습니다.Having acquainted yourself with disciplines of invention and the Innovate methodology, you're now ready to learn how to build with customer empathy.