Voorspellen en beïnvloedenPredict and influence

Er zijn twee soorten toepassingen in de digitale economie: historisch en voor speld.There are two classes of applications in the digital economy: historical and predictive. Aan veel behoeften aan klanten kan alleen worden voldaan door gebruik te maken van historische gegevens, met inbegrip van bijna realtime gegevens.Many customer needs can be met solely by using historical data, including nearly real-time data. De meeste oplossingen zijn voornamelijk gericht op het samen voegen van gegevens op het moment.Most solutions focus primarily on aggregating data in the moment. Ze verwerken en delen die gegevens vervolgens terug naar de klant in de vorm van een digitale of omgevings ervaring.They then process and share that data back to the customer in the form of a digital or ambient experience.

Als Predictive-modellering wordt rendabeler en direct beschikbaar, kunnen klanten een voorwaartse ervaring aanvragen die leidt tot betere beslissingen en acties.As predictive modeling becomes more cost-effective and readily available, customers demand forward-thinking experiences that lead to better decisions and actions. Deze vraag stelt echter niet altijd een voorspellende oplossing voor.However, that demand doesn't always suggest a predictive solution. In de meeste gevallen kan een historische weer gave voldoende gegevens bieden om de klant in staat te stellen zelf een beslissing te nemen.In most cases, a historical view can provide enough data to empower the customer to make a decision on their own.

Helaas maken klanten vaak een Myopic-weer gave die is geïnteresseerd in beslissingen op basis van hun onmiddellijke omgeving en invloed.Unfortunately, customers often take a myopic view that leads to decisions based on their immediate surroundings and sphere of influence. Naarmate de opties en beslissingen groeien met aantal en impact, kan de Myopic-weer gave de behoeften van de klant mogelijk niet afleveren.As options and decisions grow in number and impact, that myopic view may not serve the customer's needs. Op het moment dat een hypo these op schaal wordt bewezen, kan het bedrijf dat de oplossing biedt, meer duizenden of miljoenen klant beslissingen zien.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. Deze uitgebreide-afbeeldings benadering maakt het mogelijk om brede patronen en de gevolgen van deze patronen te bekijken.This big-picture approach makes it possible to see broad patterns and the impacts of those patterns. Voorspellende mogelijkheid is een manier om te investeren wanneer u een goed idee van deze patronen nodig hebt om beslissingen te nemen die de klant het beste van dienst kunnen zijn.Predictive capability is a wise investment when an understanding of those patterns is necessary to make decisions that best serve the customer.

Voor beelden van voor spellingen en invloedExamples of predictions and influence

Diverse toepassingen en omgevings ervaringen gebruiken gegevens om voor spellingen te maken:A variety of applications and ambient experiences use data to make predictions:

  • E-commerce: Op basis van wat andere vergelijk bare consumenten hebben gekocht, suggereert een e-commerce website producten die mogelijk waard zijn voor het toevoegen van uw winkel wagen.E-commerce: Based on what other similar consumers have purchased, an e-commerce website suggests products that may be worth adding to your cart.
  • Aangepaste realiteit: IoT biedt meer geavanceerde exemplaren van voorspellende functionaliteit.Adjusted reality: IoT offers more advanced instances of predictive functionality. Een apparaat op een assembly-regel detecteert bijvoorbeeld een toename in de Tempe ratuur van een machine.For example, a device on an assembly line detects a rise in a machine's temperature. Een op de cloud gebaseerd voorspellend model bepaalt hoe moet worden gereageerd.A cloud-based predictive model determines how to respond. Op basis van deze voor spelling wordt de assembly-regel door een ander apparaat trager totdat de machine kan worden afkoelen.Based on that prediction, another device slows down the assembly line until the machine can cool.
  • Consumenten producten: Mobiele telefoons, slimme huizen, zelfs uw auto, zijn allemaal geschikt voor voorspellende mogelijkheden, die ze analyseren om gebruikers gedrag te suggereren op basis van factoren zoals locatie of tijdstip van de dag.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. Wanneer een voor spelling en de eerste hypo these worden uitgelijnd, leidt de voor spelling naar actie.When a prediction and the initial hypothesis are aligned, the prediction leads to action. In een zeer rijp stadium kan deze uitlijning producten zoals een zelf aangedreven auto een werkelijkheid maken.At a very mature stage, this alignment can make products like a self-driving car a reality.

Voorspellende mogelijkheden ontwikkelenDevelop predictive capabilities

Oplossingen die consequent nauw keurige voorspellende mogelijkheden bieden, zijn meestal vijf kern kenmerken:Solutions that consistently provide accurate predictive capabilities commonly include five core characteristics:

  • GegevensData
  • InzichtenInsights
  • PatronenPatterns
  • VoorspellingenPredictions
  • InteractiesInteractions

Elk aspect is vereist voor het ontwikkelen van voorspellende mogelijkheden.Each aspect is required to develop predictive capabilities. Net als bij alle geweldige innovaties is voor de ontwikkeling van voorspellende mogelijkheden een toezeg ging voor herhalingvereist.Like all great innovations, the development of predictive capabilities requires a commitment to iteration. In elke iteratie worden een of meer van de volgende kenmerken gerijpt om steeds complexe klant hypo Thesen te valideren.In each iteration, one or more of the following characteristics is matured to validate increasingly complex customer hypotheses.

Stappen voor voorspellende mogelijkheden

Waarschuwing

Als de hypo these van de klant in Build with Customer empathie bevat voorspellende mogelijkheden, zijn de beschreven principes mogelijk goed van toepassing.If the customer hypothesis developed in Build with customer empathy includes predictive capabilities, the principles described there might well apply. Voorspellende mogelijkheden vergen echter aanzienlijke investering van tijd en energie.However, predictive capabilities require significant investment of time and energy. Wanneer voorspellende mogelijkheden technische piekenzijn, in tegens telling tot een bron van echte klant waarde, wordt u aangeraden om voor spellingen te vertragen totdat de klant hypo theses op schaal zijn gevalideerd.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.

GegevensData

Gegevens zijn de meeste kenmerken van de eerder genoemde eigenschappen.Data is the most elemental of the characteristics mentioned earlier. Elk van de disciplines voor het ontwikkelen van digitale inventions genereert gegevens.Each of the disciplines for developing digital inventions generates data. Deze gegevens zijn uiteraard bijdraagt aan de ontwikkeling van voor spellingen.That data, of course, contributes to the development of predictions. Zie Democratizing data and with devices(Engelstalig) voor meer informatie over manieren om gegevens op te halen in een voorspellende oplossing.For more guidance on ways to get data into a predictive solution, see Democratizing data and interacting with devices.

Een verscheidenheid aan gegevens bronnen kan worden gebruikt om voorspellende mogelijkheden te bieden:A variety of data sources can be used to deliver predictive capabilities:

InzichtenInsights

Experts van onderwerpen gebruiken gegevens over de behoeften en het gedrag van klanten voor het ontwikkelen van eenvoudige zakelijke inzichten op basis van een studie van onbewerkte gegevens.Subject matter experts use data about customer needs and behaviors to develop basic business insights from a study of raw data. Deze inzichten kunnen instanties herkennen van het gewenste gedrag van de klant (of, eventueel, ongewenste resultaten).Those insights can pinpoint occurrences of the desired customer behaviors (or, alternatively, undesirable results). Tijdens iteraties van de voor spellingen kan deze inzichten helpen bij het identificeren van mogelijke correlaties die uiteindelijk positieve resultaten kunnen genereren.During iterations on the predictions, these insights can aid in identifying potential correlations that could ultimately generate positive outcomes. Zie Democratizing data(Engelstalig) voor meer informatie over het inschakelen van technici om inzichten te ontwikkelen.For guidance on enabling subject matter experts to develop insights, see Democratizing data.

PatronenPatterns

Mensen hebben altijd geprobeerd patronen te detecteren in grote hoeveel heden gegevens.People have always tried to detect patterns in large volumes of data. Computers zijn hiervoor ontworpen.Computers were designed for that purpose. Machine learning versnelt de zoek tocht door precies deze patronen te detecteren, een vaardigheid die het machine learning model omvat.Machine learning accelerates that quest by detecting precisely such patterns, a skill that comprises the machine learning model. Deze patronen worden vervolgens toegepast via machine learning algoritmen om resultaten te voors pellen wanneer een nieuwe set gegevens wordt ingevoerd in de algoritmen.Those patterns are then applied through machine learning algorithms to predict outcomes when a new set of data is entered into the algorithms.

Het gebruik van inzichten als uitgangs punt machine learning ontwikkelt en past voorspellende modellen toe om de patronen in gegevens te kapitaliseren.Using insights as a starting point, machine learning develops and applies predictive models to capitalize on the patterns in data. Door meerdere iteraties van training, testen en goed keuren kunnen deze modellen en algoritmen nauw keurige toekomstige resultaten voors pellen.Through multiple iterations of training, testing, and adoption, those models and algorithms can accurately predict future outcomes.

Azure machine learning is de Cloud-systeem eigen service in azure voor het bouwen en trainen van modellen op basis van uw gegevens.Azure Machine Learning is the cloud-native service in Azure for building and training models based on your data. Dit hulp programma bevat ook een werk stroom voor het versnellen van de ontwikkeling van machine learning-algoritmen.This tool also includes a workflow for accelerating the development of machine learning algorithms. Deze werk stroom kan worden gebruikt om algoritmen te ontwikkelen via een visuele interface of python.This workflow can be used to develop algorithms through a visual interface or Python.

Voor meer robuuste machine learning modellen biedt ml Services in azure HDInsight een machine learning platform dat op Apache Hadoop clusters is gebouwd.For more robust machine learning models, ML Services in Azure HDInsight provides a machine learning platform built on Apache Hadoop clusters. Deze aanpak biedt meer gedetailleerde controle over de onderliggende clusters, opslag en reken knooppunten.This approach enables more granular control of the underlying clusters, storage, and compute nodes. Azure HDInsight biedt ook meer geavanceerde integratie via hulpprogram ma's, zoals schalen en Spark, voor het maken van voor spellingen op basis van geïntegreerde en opgenomen gegevens, zelfs met gegevens uit een stroom.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. De oplossing voor de voor spellingen van de vlucht vertraging illustreert elk van deze geavanceerde mogelijkheden, wanneer deze worden gebruikt om vlucht vertragingen te voors pellen op basis van weers omstandigheden.The flight delay prediction solution demonstrates each of these advanced capabilities when used to predict flight delays based on weather conditions. De HDInsight-oplossing biedt ook ondersteuning voor Enter prise-besturings elementen, zoals gegevens beveiliging, netwerk toegang en prestatie bewaking voor operationeel maken patronen.The HDInsight solution also allows for enterprise controls, such as data security, network access, and performance monitoring to operationalize patterns.

VoorspellingenPredictions

Nadat een patroon is gebouwd en getraind, kunt u het Toep assen via Api's, wat voor spellingen kan doen tijdens de levering van een digitale ervaring.After a pattern is built and trained, you can apply it through APIs, which can make predictions during the delivery of a digital experience. De meeste van deze Api's zijn gebaseerd op een goed opgeleid model op basis van een patroon in uw gegevens.Most of these APIs are built from a well-trained model based on a pattern in your data. Naarmate meer klanten dagelijks workloads implementeren in de Cloud, kunnen de Voorspellings-Api's die worden gebruikt door cloud providers leiden tot een alsmaar snellere acceptatie.As more customers deploy everyday workloads to the cloud, the prediction APIs used by cloud providers lead to ever-faster adoption.

Azure Cognitive Services is een voor beeld van een voorspellende API die wordt gebouwd door een leverancier in de Cloud.Azure Cognitive Services is an example of a predictive API built by a cloud vendor. Deze service omvat voorspellende Api's voor het toezicht op inhoud, afwijkings detectie en suggesties voor het personaliseren van inhoud.This service includes predictive APIs for content moderation, anomaly detection, and suggestions to personalize content. Deze Api's zijn klaar voor gebruik en zijn gebaseerd op bekende inhouds patronen, die micro soft heeft gebruikt voor het trainen van modellen.These APIs are ready to use and are based on well-known content patterns, which Microsoft has used to train models. Elk van deze Api's maakt voor spellingen op basis van de gegevens die u in de API invoert.Each of those APIs makes predictions based on the data you feed into the API.

Met Azure machine learning kunt u aangepaste algoritmen implementeren, die u alleen op basis van uw eigen gegevens kunt maken en trainen.Azure Machine Learning lets you deploy custom-built algorithms, which you can create and train based solely on your own data. Meer informatie over het implementeren van voor spellingen met Azure machine learning.Learn more about deploying predictions with Azure Machine Learning.

HDInsight-clusters instellen hierin worden de processen beschreven voor het weer geven van voor spellingen die zijn ontwikkeld voor milliliter Services in azure HDInsight.Set up HDInsight clusters discusses the processes for exposing predictions developed for ML Services on Azure HDInsight.

InteractiesInteractions

Nadat een voor spelling beschikbaar is gesteld via een API, kunt u deze gebruiken om het gedrag van de klant te beïnvloeden.After a prediction is made available through an API, you can use it to influence customer behavior. Dit heeft invloed op de manier waarop interacties worden uitgevoerd.That influence takes the form of interactions. Een interactie met een machine learning-algoritme vindt plaats in uw andere digitale of omgevings ervaring.An interaction with a machine learning algorithm happens within your other digital or ambient experiences. Wanneer gegevens worden verzameld via de toepassing of de ervaring, wordt deze uitgevoerd via de machine learning-algoritmen.As data is collected through the application or experience, it's run through the machine learning algorithms. Wanneer het algoritme een resultaat voorspelt, kan de voor spelling worden gedeeld met de klant via de bestaande ervaring.When the algorithm predicts an outcome, that prediction can be shared back with the customer through the existing experience.

Meer informatie over het maken van een omgevings ervaring via een aangepaste Reality-oplossing.Learn more about how to create an ambient experience through an adjusted reality solution.

Volgende stappenNext steps

U hebt zelf kennis gemaakt met disciplines van ontwikkeld en de innoverende methodologie. u bent nu klaar om te leren hoe u met klant empathie kunt bouwen.Having acquainted yourself with disciplines of invention and the Innovate methodology, you're now ready to learn how to build with customer empathy.