Share via

Modelowanie predykcyjne i wpływanie na zachowanie klienta

  • Artykuł

Istnieją dwie klasy aplikacji w gospodarce cyfrowej: historyczne i predykcyjne. Wiele potrzeb klientów można spełnić wyłącznie przy użyciu danych historycznych, w tym danych niemal w czasie rzeczywistym. Większość rozwiązań koncentruje się głównie na agregowaniu danych w tej chwili. Następnie przetwarzają i udostępniają te dane klientowi w postaci środowiska cyfrowego lub otoczenia.

W przeciwieństwie do modelowania historycznego jest modelowanie predykcyjne. Ale co to jest modelowanie predykcyjne? Modelowanie predykcyjne używa statystyk i znanych wyników do przetwarzania i tworzenia modeli, które mogą służyć do przewidywania przyszłych wyników w ramach rozumu. Ponieważ modelowanie predykcyjne staje się bardziej ekonomiczne i łatwo dostępne, klienci żądają środowisk myślenia dalej, które prowadzą do lepszych decyzji i działań. Jednak to zapotrzebowanie nie zawsze sugeruje rozwiązanie predykcyjne. W większości przypadków widok historyczny może zapewnić wystarczającą ilość danych, aby umożliwić klientowi podjęcie decyzji samodzielnie.

Niestety, klienci często podejmują pogląd myopic, który prowadzi do decyzji w oparciu o ich bezpośrednie otoczenie i sferę wpływów. Gdy opcje i decyzje rosną w liczbie i wpływie, widok myopic może nie obsługiwać potrzeb klienta. Jednocześnie, gdy hipoteza jest udowodniona na dużą skalę, firma dostarczająca rozwiązanie może zobaczyć w tysiącach lub milionach decyzji klientów. Takie podejście z dużym obrazem pozwala zobaczyć szerokie wzorce i wpływ tych wzorców. Możliwości modelowania predykcyjnego to mądre inwestycje, gdy zrozumienie tych wzorców jest niezbędne do podejmowania decyzji, które najlepiej obsługują klienta.

Przykłady modelowania predykcyjnego i sposobu wpływania na zachowanie klienta

Różne aplikacje i środowiska otoczenia używają danych do przewidywania:

  • Handel elektroniczny: W oparciu o to, co kupili inni podobni konsumenci, witryna internetowa handlu elektronicznego sugeruje produkty, które mogą być warte dodania do koszyka.
  • Skorygowana rzeczywistość: Usługa IoT oferuje bardziej zaawansowane wystąpienia funkcji predykcyjnych. Załóżmy na przykład, że urządzenie na linii montażowej wykrywa wzrost temperatury maszyny. Model predykcyjny oparty na chmurze określa sposób reagowania. Na podstawie tego przewidywania inne urządzenie spowalnia linię montażową, dopóki maszyna nie będzie mogła się ochłodzić.
  • Produkty konsumenckie: Telefony komórkowe, inteligentne domy, nawet samochód, wszystkie korzystają z możliwości predykcyjnych, które analizują, aby sugerować zachowanie użytkownika na podstawie czynników, takich jak lokalizacja lub godzina dnia. Gdy przewidywanie i początkowa hipoteza są wyrównane, przewidywanie prowadzi do działania. Na bardzo dojrzałym etapie dopasowanie to może sprawić, że produkty takie jak samochód samojeżdżące są rzeczywistością.

Opracowywanie możliwości predykcyjnych

Rozwiązania, które konsekwentnie zapewniają dokładne możliwości predykcyjne, często obejmują pięć podstawowych cech. Pięć podstawowych cech modelowania predykcyjnego to:

  • Dane
  • Insights
  • Wzorce
  • Prognozy
  • Interakcje

Każdy aspekt jest wymagany do opracowania możliwości predykcyjnych. Podobnie jak wszystkie wspaniałe innowacje, rozwój możliwości predykcyjnych wymaga zaangażowania w iterację. W każdej iteracji dojrzała co najmniej jedna z następujących cech, aby zweryfikować coraz bardziej złożone hipotezy klientów.

Kroki dotyczące możliwości predykcyjnych

Przestroga

Jeśli hipoteza klienta opracowana w artykule Build with customer empatia obejmuje możliwości predykcyjne, opisane tam zasady mogą być stosowane. Jednak możliwości predykcyjne wymagają znacznych inwestycji w czas i energię. Gdy możliwości predykcyjne są skokami technicznymi, w przeciwieństwie do źródła rzeczywistej wartości klienta, sugerujemy opóźnienie przewidywań, dopóki hipotezy klienta nie zostaną zweryfikowane na dużą skalę.

Dane

Dane są najbardziej elementalne cech wymienionych wcześniej. Każda z dziedzin opracowywania wynalazków cyfrowych generuje dane. Te dane, oczywiście, przyczyniają się do rozwoju przewidywań. Aby uzyskać więcej informacji na temat sposobów uzyskiwania danych do rozwiązania predykcyjnego, zobacz:

Różne źródła danych mogą służyć do dostarczania funkcji predykcyjnych:

Insights

Eksperci z dziedziny używają danych dotyczących potrzeb i zachowań klientów w celu opracowania podstawowych szczegółowych informacji biznesowych z badania danych pierwotnych. Te szczegółowe informacje mogą wskazać wystąpienia żądanych zachowań klientów (lub, alternatywnie, niepożądane wyniki). Podczas iteracji w przewidywaniach te szczegółowe informacje mogą pomóc w identyfikowaniu potencjalnych korelacji, które ostatecznie mogą generować pozytywne wyniki. Aby uzyskać wskazówki dotyczące włączania ekspertów z dziedziny do opracowywania szczegółowych informacji, zobacz Demokratyzacja danych za pomocą wynalazku cyfrowego.

Wzorce

Osoby zawsze próbował wykrywać wzorce w dużych ilościach danych. Komputery zostały zaprojektowane do tego celu. Uczenie maszynowe przyspiesza to zadanie, wykrywając dokładnie takie wzorce, umiejętność obejmującą model uczenia maszynowego. Te wzorce są następnie stosowane za pomocą algorytmów uczenia maszynowego w celu przewidywania wyników po wprowadzeniu nowego zestawu danych do algorytmów.

Korzystając ze szczegółowych informacji jako punktu wyjścia, uczenie maszynowe opracowuje i stosuje modele predykcyjne, aby wykorzystać wzorce danych. Dzięki wielu iteracji trenowania, testowania i wdrażania te modele i algorytmy mogą dokładnie przewidywać przyszłe wyniki.

Usługa Azure Machine Learning to natywna dla chmury usługa na platformie Azure służąca do tworzenia i trenowania modeli na podstawie danych. To narzędzie zawiera również przepływ pracy umożliwiający przyspieszenie opracowywania algorytmów uczenia maszynowego. Ten przepływ pracy może służyć do tworzenia algorytmów za pomocą interfejsu wizualnego lub języka Python.

Aby uzyskać bardziej niezawodne modele uczenia maszynowego, usługi ML w usłudze Azure HDInsight udostępnia platformę uczenia maszynowego utworzoną na klastrach Apache Hadoop. Takie podejście umożliwia bardziej szczegółową kontrolę nad bazowymi klastrami, magazynem i węzłami obliczeniowymi. Usługa Azure HDInsight oferuje również bardziej zaawansowaną integrację za pomocą narzędzi, takich jak ScaleR i SparkR, w celu tworzenia przewidywań opartych na zintegrowanych i pozyskiwanych danych, nawet podczas pracy z danymi ze strumienia. Rozwiązanie do przewidywania opóźnień lotów pokazuje te zaawansowane możliwości, gdy są używane do przewidywania opóźnień lotów na podstawie warunków pogodowych. Rozwiązanie usługi HDInsight umożliwia również kontrolę przedsiębiorstwa, taką jak zabezpieczenia danych, dostęp do sieci i monitorowanie wydajności w celu operacjonalizacji wzorców.

Prognozy

Po skompiluj i wytrenowanym wzorcu możesz zastosować go za pomocą interfejsów API, które mogą przewidywać podczas dostarczania środowiska cyfrowego. Większość z tych interfejsów API jest tworzona na podstawie dobrze wytrenowanego modelu opartego na wzorcu danych. Ponieważ coraz więcej klientów wdraża codzienne obciążenia w chmurze, interfejsy API przewidywania używane przez dostawców usług w chmurze prowadzą do coraz szybszego wdrażania.

Usługi Azure Cognitive Services to przykład predykcyjnego interfejsu API utworzonego przez dostawcę chmury. Ta usługa obejmuje predykcyjne interfejsy API do moderowania zawartości, wykrywania anomalii i sugestii dotyczących personalizowania zawartości. Te interfejsy API są gotowe do użycia i są oparte na dobrze znanych wzorcach zawartości, które firma Microsoft użyła do trenowania modeli. Interfejsy API tworzą przewidywania na podstawie danych, które są wprowadzane do interfejsu API.

Usługa Azure Machine Learning umożliwia wdrażanie niestandardowych algorytmów, które można tworzyć i trenować wyłącznie na podstawie własnych danych. Aby uzyskać informacje na temat wdrażania przewidywań za pomocą usługi Azure Machine Learning, zobacz Wdrażanie modeli uczenia maszynowego na platformie Azure.

Aby uzyskać informacje na temat procesów ujawniania przewidywań opracowanych dla usług ML w usłudze Azure HDInsight, zobacz Konfigurowanie klastrów usługi HDInsight.

Interakcje

Po udostępnieniu przewidywania za pośrednictwem interfejsu API można go użyć do wywierania wpływu na zachowanie klienta. Wpływ ten ma postać interakcji. Interakcja z algorytmem uczenia maszynowego odbywa się w innych środowiskach cyfrowych lub otoczenia. Gdy dane są zbierane za pośrednictwem aplikacji lub środowiska, są uruchamiane przez algorytmy uczenia maszynowego. Gdy algorytm przewiduje wynik, przewidywanie można udostępnić klientowi za pośrednictwem istniejącego środowiska.

Dowiedz się więcej na temat tworzenia środowiska otoczenia za pomocą dostosowanego rozwiązania rzeczywistości.

Następne kroki

Przejrzyj strukturę preskrypcyjną obejmującą narzędzia, programy i zawartość (najlepsze rozwiązania, szablony konfiguracji i wskazówki dotyczące architektury), aby uprościć wdrażanie następujących scenariuszy innowacji.