Предиктивная аналитика: как работают прогнозы ltv в mytracker

Как компании могут использовать прогнозную аналитику?

Как было сказано ранее, прогностический анализ может применяться в самых разных приложениях. Предприятия могут использовать модели для достижения своих целей и улучшения своей деятельности. Предприятия обычно используют прогностические модели, чтобы помочь им улучшить обслуживание клиентов и охват.

Руководители и владельцы бизнеса используют этот тип статистического анализа для определения поведения клиентов. Например, владелец бизнеса может использовать методы прогнозирования для выявления и таргетинга на постоянных потребителей, которые могут отказаться и перейти к конкуренту.

Это важно в рекламе и маркетинге. Модели могут использоваться предприятиями, чтобы предсказать, какие клиенты, скорее всего, положительно отреагируют на маркетинговую деятельность и продажи

Вместо того, чтобы проводить широкий маркетинг, владельцы бизнеса могут сэкономить деньги, ориентируясь на клиентов, которые ответят положительно.

Вместо заключения

Учитывая повсеместную цифровизацию, можно сделать вывод, что аналитика данных становится неотъемлемой частью современного предприятия, независимо от его масштаба и специфики деятельности. Информация – это жизненная сила любого бизнеса, но, чтобы не потонуть в ее потоках, нужно уметь выделить главное среди множества показателей. В этом помогут специалисты по анализу данных и соответствующие программные продукты

Принимая во внимание их достаточно высокую стоимость, рассматривайте расходы на аналитику данных как инвестиции, которые, при грамотной постановке целей и задач, принесут вам гораздо большие дивиденды. Нанимайте Data Professional’ов и внедряйте программные решения постепенно, в зависимости от уровня зрелости бизнес-процессов, характера анализируемой информации и ИТ-инфраструктуры своего предприятия

Малому бизнесу достаточно недорогих облачных сервисов, а крупным компаниям нужны решения сложнее и точнее, а, значит, и более «дорогие» специалисты. Однако, эти вложения помогут бизнесу сэкономить время и деньги, решив с помощью аналитики множество стратегических и операционных задач, от маркетинга до производства.

Источники

Прогнозирование времени функционального отказа

Как только мы установили, что зарождающийся отказ (потенциальный сбой) существует на активе, и что последствия отказа будут таковы, что их следует избегать, следующий вопрос, который возникает, это «сколько у нас остается времени, прежде чем произойдет критический отказ» или, точнее, «сколько у нас времени для предотвращения этого критического отказа». Здесь мы вступаем в область прогнозирования, и технологии обработки больших данных могут как раз помочь в получении ответа. В настоящее время те, кто знаком с ремонтами, ориентированными на надежность (RCM), скорее всего, знают, что одним из ключевых параметров является PF-интервал (см. рис. 2) — это временной интервал от точки Р (точка, в которой мы можем впервые обнаружить существование потенциального отказа или зарождающегося дефекта) до точки F (точка, в которой этот отказ неизбежно произойдет). PF-интервал важен по двум причинам. Первая заключается в том, что если мы проводим периодические проверки состояния активов, мы должны проводить их с периодичностью меньше времени PF-интервала, чтобы быть в состоянии принять необходимые меры и избежать последствий функциональных отказов. Вторая заключается в том, что PF-интервал говорит нам, как быстро мы должны принять необходимые меры для предотвращения технических сбоев в будущем

Обратите внимание, что появление «Интернета вещей», в котором все больше и больше параметров состояния оборудования регистрируются в режиме реального времени, а не через периодические проверки, дает нам возможность выбирать точку потенциальных отказов (точка P на рис. 2) как можно ближе к точке F и при этом избежать последствий отказа

Так мы можем реализовывать стратегии профилактики отказов «точно в срок», тем самым продлевая срок службы компонентов

Это особенно важно для техники, такой как карьерные самосвалы и дорожные грузовики, где интервал времени между периодическими работами обычных проверок может быть довольно большим. Так как же определить, каков PF-интервал на самом деле? В настоящее время большинство организаций оценивают PF-интервал (за исключением, возможно, для особо важных видов отказов) методом экспертных оценок

Это часто происходит в режиме мозгового штурма на тему «как долго прослужит подшипник, пока его не заклинит?» Учитывая, что эти оценки могут быть неточными, обычно принимаются более консервативные оценки PF-интервала, что приводит к излишне частым проверкам. Прогнозная аналитика в сочетании с мониторингом состояния в режиме реального времени и технологией «Интернета вещей» может позволить нам оценить PF-интервал с большей точностью путем сбора информации о том, как состояние оборудования изменяется с течением времени в рамках текущей оценки PF-интервала. Затем технология больших данных может позволить нам определить дополнительные факторы, которые могут влиять на реальный PF-интервал для конкретного отказа, на определенную часть оборудования, с учетом конкретных условий эксплуатации. Например, измеряя электрическую нагрузку на электродвигатель с одновременной фиксацией информации о вибрации, мы можем определить влияние нагрузки на двигатель и скорость его износа от точки P до точки F. Как отмечалось ранее, основным препятствием для применения более сложных прогностических аналитических методов является недостаточность данных, потому что на практике мы редко доводим оборудование до точки F, так как последствия этого могут быть слишком велики. Но без этой информации мы должны делать лишь предположения на основе взвешенных данных о потенциальных отказах.

Рис. 2. Прогнозирование времени функционального отказа

Зачем она нужна

В бизнесе сквозная аналитика дает понимание того, как работает каждый маркетинговый инструмент и что он дает компании. Сквозная аналитика помогает:

• рассчитать окупаемость каждого инструмента, посчитать прибыль, которую приносят посты в соцсетях, баннеры, запросы в контекстной рекламе;
• сделать процесс работы более прозрачным, дать понимание, откуда приходит трафик и заявки, как менеджеры их обрабатывают;
• найти уязвимости в маркетинговой стратегии ― например выявить, что менеджеры поздно совершают обратный звонок или интерфейс неудобен для покупателя;
• сегментировать аудиторию, выделить отдельную группу клиентов, которые оставили контакты, но не дошли до сделки;
• автоматизировать отчетность.

Анализ поведения покупателей, интересующихся продуктом, помогает оценить работу рекламных инструментов и понять, какие из них приводят к продажам, а от каких стоит отказаться, потому что они тратят бюджет и не приносят результата. Рентабельность каждой кампании обозначается термином Return of Marketing Investment (или ROMI), который переводится как «возврат инвестиций в маркетинг».

Рассчитать ROMI можно по формуле:

Например, на продвижение товара через Facebook Ads (таргетированную рекламу в Facebook) компания тратит 40 тыс. рублей в месяц. При этом за последний месяц с этого канала продаж пришло всего 5 клиентов, которые совершили покупки на сумму 7 999 рублей. То есть доход с этого канала продаж составил 39 995 рублей, он немного не дотягивает даже до суммы расходов на рекламу. Чистая прибыль (часть дохода, которая остается после выплаты всех налогов, отчислений и других обязательных выплат) с всех этих сделок будет еще ниже. Предположим, она составит 70% от продаж ― 27 996 рублей:

В таком случае показатель возврата инвестиций окажется отрицательным, что было ожидаемо. Чтобы ROMI оказался положительным, стоит изучить портрет аудитории и выяснить, с какими рекламными каналами чаще всего взаимодействуют покупатели. Затем можно проводить тестирование выбранных каналов, чтобы выявить наиболее эффективные, и уже в них вкладывать наибольшие рекламные бюджеты. Предпочтение отдается каналам с самой большой вовлеченностью нужной аудитории и самой низкой стоимостью размещения.

Инструменты

Есть много инструментов прогнозного анализа. В дополнение к тому факту, что они позволяют запрашивать данные и манипулировать ими, каждая из них предлагает более или менее обширный выбор прогнозных моделей, которые при необходимости можно развернуть для индустриализации. Коммерческое программное обеспечение SAS, SPSS (IBM), Neural Designer (Intelnics), STATISTICA (StatSoft), CORICO (Coryent), HyperCube или Sidetrade больше предназначено для компаний или организаций с большими объемами данных для изучения. Бесплатное программное обеспечение OpenNN, R и Weka — хорошая альтернатива для начинающих .

Список литературы

1. Болотин Г.М. Анализ прогнозирующей способности финансовых аналитиков // Финансовый рынок России. Теория и практика развития. М.: Издательский дом ГУ-ВШЭ, 2009.
2. Болотин Г.М. Анализ прогнозирующей способности финансовых аналитиков на российском фондовом рынке // Вестник Чувашского университета. 2010. N 4.
3. Barber D., Lehavy R., McNichols M. и Trueman B. Can Investors Profit from the Prophets? Security Analyst Recommendations and Stock Returns // Journal of Finance. 2001. Вып. 56. N 2.
4. Brav A. и Lehavy R. An Empirical Analysis of Analysts’ Target Prices: Short-Term Informativeness and Long-Term Dynamics // The Journal of Finance. 2003. Вып. 58, N 5.
5. Crichfield T., Dyckman T. и Lakonishok J. An Evaluation of Security Analysts’ Forecasts // The Accounting Review. 1978. Вып. 53. N 3.
6. Dimson E. and Marsh P. An Analysis of Brokers’ and Analysts’ Unpublished Forecasts of UK Stock Returns // Journal of Finance. 1984. Вып. 39. N 5.
7. Jegadeesh N., Kim J., Krische S. и Lee C. When do recommendations Add Value? // Journal of Finance. 2004. Вып. 59. N 3.
8. Loh R. и Mujtaba G. Do accurate earnings forecasts facilitate superior investment recommendations? // Journal of Financial Economics. 2006. Вып. 80. С. 455 — 483.
9. Womack K. Do Brokerage Analysts’ Recommendations Have Investment Value? // Journal of Finance. 1996. Вып. 51. N 1.

Г.М.Болотин

Национальный

исследовательский университет

«Высшая школа экономики»

В каких профессиях используется предиктивная аналитика?

Вот некоторые позиции, которые используют предиктивную аналитику:

• Руководитель проекта: Руководители проектов используют инструменты аналитики для отслеживания своей эффективности, управлять и следить за прогрессом команды и повышать производительность путем изменения процессов.

• Аналитик медицинских данных: Аналитики медицинских данных помогают врачам и ученым находить ответы и поддерживают их диагностику или гипотезу.

• Аналитик ИТ-систем: Системные аналитики разрабатывают системы решения проблем в области информационных технологий с использованием прогнозной аналитики.

• Операционный аналитик: Операционные аналитики концентрируются на внутренних процессах бизнеса. Они могут включать внутренние системы отчетности, общую реструктуризацию бизнес-операций, производство и распространение продукции.

  

  

  

  

  

  

  

  

  

  

Инструменты

Исторически сложилось так, что использование инструментов прогнозной аналитики, а также понимание получаемых ими результатов требовали продвинутых навыков. Однако современные инструменты прогнозной аналитики больше не ограничиваются ИТ-специалистами. По мере того, как все больше организаций внедряют прогнозную аналитику в процессы принятия решений и интегрируют ее в свою деятельность, они создают сдвиг на рынке в сторону бизнес-пользователей как основных потребителей информации. Бизнес-пользователям нужны инструменты, которые они могут использовать самостоятельно. Поставщики отвечают, создавая новое программное обеспечение, которое устраняет математическую сложность, предоставляет удобный графический интерфейс и / или создает короткие пути, которые могут, например, распознавать типы доступных данных и предлагать подходящую модель прогнозирования. Инструменты прогнозной аналитики стали достаточно сложными, чтобы адекватно представлять и анализировать проблемы с данными, так что любой информационный работник, разбирающийся в данных, может использовать их для анализа данных и получения значимых и полезных результатов. Например, современные инструменты представляют результаты с помощью простых диаграмм, графиков и оценок, которые указывают на вероятность возможных результатов.

На рынке доступно множество инструментов, которые помогают в выполнении прогнозной аналитики. Они варьируются от тех, которые требуют очень небольшого опыта пользователя, до тех, которые предназначены для опытных практиков. Разница между этими инструментами часто заключается в уровне настройки и разрешенном подъеме тяжелых данных.

PMML

Язык разметки прогнозных моделей (PMML) был предложен в качестве стандартного языка для выражения прогнозных моделей. Такой язык на основе XML позволяет различным инструментам определять прогнозные модели и обмениваться ими. PMML 4.0 был выпущен в июне 2009 года.

Анализ относительной прогнозирующей способности аналитиков: дескриптивная статистика и результаты t-теста показателя IC

     Все данные     

     До кризиса     

       Кризис       

Ср. знач. IC

p-value<1>

Ср. знач. IC

p-value

Ср. знач. IC

p-value

1. Альфа- Банк      

     0,08   

  0,11 

     0,10   

  0,15 

     0,07   

  0,26 

2. Тройка Диалог    

     0,04   

  0,24 

     0,09   

  0,12 

     0,00   

  0,51 

3. ФК     "Открытие"

    -0,05   

  0,77 

    -0,09   

  0,81 

    -0,01   

  0,56 

4.        Citigroup 

     0,03   

  0,29 

     0,24** <2>

  0,01 

    -0,17   

  0,99 

5. UBS    

     0,05   

  0,24 

     0,18** 

  0,03 

    -0,09   

  0,83 

6. RMG    

    -0,05   

  0,80 

     0,01   

  0,46 

    -0,12   

  0,91 

7.        Метрополь 

     0,05   

  0,21 

    -0,03   

  0,65 

     0,13*  <3>

  0,07 

8. Велес  Капитал   

    -0,02   

  0,61 

    -0,04   

  0,68 

     0,01   

  0,47 

9. Банк   Москвы    

    -0,05   

  0,77 

    -0,06   

  0,74 

    -0,04   

  0,64 

Примечание.

<1> Среднее значение IC = 0; среднее значение IC > 0.<2> С помощью «*» обозначены аналитические департаменты, чья средняя прогнозирующая сила статистически значимо превышает 0 (при 5%-ном уровне значимости).<3> С помощью «**» обозначены аналитические департаменты, чья средняя прогнозирующая сила статистически значимо превышает 0 (при 10%-ном уровне значимости).

Анализ данных за весь исследуемый период свидетельствует об отсутствии у аналитиков какой-либо статистически значимой относительной прогнозирующей силы. Согласно значениям p-value только аналитики Альфа-Банка (p-value: 11%) оказались близки к пороговому уровню значимости, равному 10%. Все остальные аналитики, попавшие в исследование, показали крайне низкое среднее значение IC, и гипотеза о наличии у этих аналитиков прогнозирующей силы была отвергнута даже при достаточно высоком уровне значимости.

Результаты анализа данных докризисного периода свидетельствуют о наличии статистически значимой прогнозирующей силы у двух аналитических департаментов: Citigroup и UBS. Интересен тот факт, что эти банки являются единственными представителями иностранных финансовых институтов в исследуемой выборке. Следует также отметить, что результаты, свидетельствующие о положительной прогнозирующей способности этих аналитиков, действительны даже при консервативном уровне значимости в 5%. Аналитики Citi демонстрировали на протяжении докризисного периода крайне высокий средний уровень IC на уровне 0,24.

Переходя к анализу данных кризисного периода, следует отметить, что аналитики Citigroup и UBS, в отличие от первого подпериода, демонстрировали крайне низкую прогнозирующую способность. В то же время аналитический департамент компании «Метрополь», единственный из всей выборки, продемонстрировал невысокую (0,13), но статистически значимую прогнозирующую способность.

Следует также отметить результаты теста на отрицательную прогнозирующую способность (в качестве альтернативной гипотезы использовалось предположение о том, что среднее значение IC за период было отрицательным), проведенного на основе данных за кризисный период. Тестирование выявило значения p-value для аналитиков Citigroup и RMG на уровне 1 и 9% соответственно. Таким образом, можно сделать вывод о том, что аналитики Citigroup и RMG не просто «не обладали положительной прогнозирующей способностью», а обладали статистически значимой отрицательной прогнозирующей способностью.

В качестве объяснения тому факту, что аналитические департаменты иностранных компаний показывали лучшие результаты прогнозирования на растущем рынке, но оказались худшими в прогнозировании доходности акций в период кризиса, можно привести то, что при прогнозировании иностранные компании больше полагаются на финансовые модели, чем российские компании. То, что финансовые модели показывают неудовлетворительные результаты в кризисные периоды, является общеизвестным фактом. В данной работе приведен математический анализ, подтверждающий этот факт.

Следует также отметить наличие возможности агрегирования прогнозов различных аналитиков. К примеру, для докризисного периода композитный прогноз, построенный на основе прогнозов двух лучших аналитиков — Citigroup и UBS, характеризуется следующими показателями: (1) среднее значение IC: 0,24; (2) p-value: 0,6%. То есть при сопоставимом с лучшими аналитиками уровне прогнозирующей способности композитный прогноз обладает более высоким уровнем значимости, характеризующимся значением p-value, чем каждый из первоначальных прогнозов по отдельности. Это свидетельствует о потенциальной выгоде агрегирования отдельных прогнозов лучших аналитиков для получения более надежного и стабильного прогноза.

Проводим тщательный анализ

Сравним реальные данные и модель, чтобы понять ее качество.

В p-значении (или p-value, столбик рядом с переменными) результаты должны быть ниже 0.05. Почему такая цифра? При таком уровне значимости оптимально распределяются риски неправильного вывода в результате проверки гипотезы. Если значение больше, значит, переменная для модели не значима.

Графики рассчитанных и реальных значений должны быть близки (в недостижимом идеале они совпадают) — фактический показатель не должен резко отличаться от моделируемого.

Лаги (задержки): понятно, что чаще всего величина какого-то регрессора сегодня влияет на зависимую переменную сегодня. А что, если влияют еще и значения предыдущих дней? Например, вчерашняя рассылка влияет на сегодняшние сессии. Лаги можно «включить» (шаг 2).

Критерии Акаике, Шварца, Хеннана-Куинна: эта толпа поможет сделать модель еще точнее. В их формулы логарифм правдоподобия входит с минусом, поэтому чем выше значения критериев, тем лучше.

Черная линия на рисунке — «образец» нормального распределения, на нормальность проверяем столбцы: они должны быть максимально похожи. В разных программах есть разные тесты на нормальность.

Если p-value теста >= 0.05, то остатки распределены нормально. И все отлично.

Проверяем отсутствие автокорреляции остатков с помощью теста Льюинга-Бокса. Автокорреляция — это взаимосвязь остатков модели; если модель построена правильно, ее быть не должно. Если p-value теста >= 0.05, то автокорреляции нет, и все хорошо.

Заглянуть в будущее

Работа самых совершенных традиционных систем управления основана на определении пороговых значений. Они помогают понять, что вибрация подшипникового узла превысила допустимую, или температура теплоносителя вышла за пределы расчетной. Об этом оповещается оператор системы, срабатывают алгоритмы реагирования. Но событие уже произошло и требует вмешательства прямо сейчас.

Крайне полезно было бы знать, что подшипник разрушится через месяц, а задвижка в системе циркуляции теплоносителя заклинит через неделю? Как раз здесь нам на помощь и может прийти прогнозная аналитика, построенная на методах математического моделирования.

Прогнозная аналитика базируется на поиске развивающихся процессов в потоках данных от датчиков. Даже если таких датчиков тысячи, программное обеспечение может проанализировать их все. Используя инструменты математической статистики, такое ПО может заранее определить, через какое время тот или иной параметр достигнет порогового значения. А значит, отказ или аварию можно предотвратить. И это уже работает.

Самое ценное — данные

Построить модель просто так нельзя: это все-таки аналитика. Для любого прогноза нужны данные за прошедший период. 

У нас есть следующие:

• посещаемость сайта по дням;
• даты отправки email и их содержание;
• план рассылок на квартал и их содержание;
• другие случайные источники трафика.

Мы свои взяли из Google Analytics, но можно, конечно, и руками их собрать в Excel.

В нашем массиве разрез данных идет по дням. Проанализировав его, мы выделили следующие регрессоры:

• Sessions — сессии или посещаемость сайта;
• Letter — наличие письма: 0 — нет, 1 — есть;
• Prize — упоминание бонуса или приза: 0 — нет, 1 — да;
• Prize as CTA — упоминание бонуса или приза с кнопкой призыва к действию: 0 — нет, 1 — да;
• Header — упоминание приза в теме письма: 0 — нет, 1 — да.
• Total email impact — сумма Letter + Prize + Prize as CTA. Здесь максимальное значение будет у дней, когда письмо было и с бонусом, и с призывом. Нам это нужно, поскольку наша гипотеза зависит от содержимого писем.
• Days since last letter — число дней, прошедших с прошлого письма. Попробуем включить этот фактор, чтобы узнать, есть ли связь с частотой рассылок.

Перспективы развития

Сейчас видятся два основных пути совершенствования методов прогнозной аналитики в производстве. Первый — накопление данных о параметрах работы и статистики поломок не на реальном оборудовании, а на его математической модели — «цифровом двойнике», содержащем полную информацию обо всех физических свойствах реального объекта. Меняя состояние этой модели, можно имитировать самые разные отклонения в работе, а позже использовать полученные сценарии в системах предсказания поломок.

Второе направление развития технологии требует появления новых типов нейросетей, которые хотя бы в некотором приближении могли взять на себя функции эксперта, тем самым снизив фактор человеческого участия в оценке данных. Мы пока не знаем, как будут работать подобные элементы ИИ, но в долгосрочной перспективе они обязательно появятся — в этом заинтересованы многие участники рынка.

Улучшайте опыт взаимодействия

Вы можете открыть для себя много полезной информации о ваших потенциальных и существующих клиентах через конверсии и взаимодействия с ними. Эта информация может быть прикреплена к общей картине информации и ссылаться на конкретные результаты событий, такие как возобновления, увеличения или уменьшения в бизнесе. Это позволяет маркетологам идентифицировать характеристики клиентов от которых зависят позитивные результаты.

Прогнозная аналитика также может идентифицировать такие вещи как маркеры вовлечения, которые могут быть критичны для процесса превращения посетителей сайта в клиентов. К примеру, B2B компания которая предоставляет freemium подписку, подмечает тот факт, что лучшие клиенты имеют склонность залогиниваться несколько раз в день во время триал периода. Если триал-пользователь не залогинен, то кто-нибудь из вашей команды может связаться с этим человеком и предложить ответить на вопросы или предоставить помощь. Прогнозная аналитика может отметить маркеры как этот в определенный временной период – первая неделя триала, день пятнадцатый или пять дней до окончания триала. Сравнивая эти данные с тем, что делают ваши лучше клиенты, вы можете достоверно выяснить ожидания ваших предполагаемых клиентов и начать упорно работать над ними.

View the discussion thread.

blog comments powered by DISQUS

Системы прогнозной аналитики

Forrester 2017 год

Forrester 2013 год

Open source системы предикативного анализа:

• KNIME
• Orange
• Python
• R
• RapidMiner
• Weka

Коммерческие системы предикативного анализа:

• SAP BusinessObjects Predictive Analysis
• SAP Predictive Maintenance and Service
• SAP InfiniteInsight (ранее KXEN)
• SAS Rapid Predictive Modeler
• IBM Predictive Insights
• IBM Smarter Analytics Predictive Asset Maintenance and Quality for Smart Factory (IBM PMQ Solution)

• Tibco Spotfire — TIBCO
• Angoss KnowledgeSTUDIO
• Mathematica
• MathWorks MATLAB
• Oracle Data Mining (ODM)
• Oracle Retail Predictive Application Server
• Pervasive
• Statistica
• IBM SPSS Decision Management and IBM SPSS Modeler

• Loginom Аналитическая платформа
• Eglitec Цифровая платформа интеллектуализации бизнеса

Лидеры на рынке предикативного анализа в области больших данных

По данным исследования Forrester Wave за 2013 год, лидерами на рынке решений предикативного анализа в области больших данных являются SAS, SAP и IBM. Также довольно сильна экспертиза Tibco, Oracle, StatSoft и KXEN, тогда как перспективными вендорами являются Angoss, Revolution Analytics и Salford Systems.

Как работает предиктивная аналитика?

Как только аналитики организации обнаруживают закономерность в данных, они могут разрабатывать модели для выявления взаимосвязей между различными факторами. Эти модели позволяют аналитикам оценить, может ли совокупность условий привести к выгоде или риску. Именно так прогностический анализ может направлять принятие обоснованных решений в различных категориях цепочки поставок и закупок. Прогнозная аналитика — это задача, которую может выполнить любой бизнес, если он по-прежнему привержен инвестированию необходимого времени и средств в проект. После того, как модель создана, ваша организация должна поддерживать ее с постоянным анализом.

Как организации используют прогнозную аналитику?

Вот несколько примеров того, как различные отрасли используют прогнозную аналитику.

• Автомобильная промышленность: эта отрасль включает записи о прочности и отказе компонентов в предстоящие планы производства автомобилей. Они также изучают поведение водителей, чтобы разработать более эффективные технологии помощи водителю и, в конечном итоге, автономные транспортные средства.

• Производство: в этой области необходимо прогнозировать местонахождение и частоту отказов оборудования. Профессионалы в этой отрасли используют прогнозы будущих потребностей для оптимизации поставок сырья.

• Финансовые услуги: Специалисты по финансовым услугам разрабатывают модели кредитного риска с помощью аналитики. Аналитики прогнозируют тенденции экономического рынка. Они могут прогнозировать влияние новых законов и правил на бизнес и рынки.

• Аэрокосмическая промышленность: в аэрокосмической отрасли прогнозная аналитика может прогнозировать расход топлива и надежность самолетов для конкретных операций технического обслуживания.

• Погода. Прогнозирование погоды значительно улучшилось за последние несколько десятилетий благодаря моделям прогнозной аналитики. Например, синоптики могут предоставить точные прогнозы движения ураганов на 72 часа.

• Энергетика: специалисты в области энергетики прогнозируют долгосрочное соотношение цены и спроса. Они также используют прогнозную аналитику для определения влияния погодных явлений, отказа оборудования, правил и других переменных на стоимость обслуживания.

• Розничная торговля: Розничная торговля использует прогнозный анализ для улучшения своих продаж и улучшения отношений с клиентами.

• Правоохранительные органы: эта отрасль может использовать данные о тенденциях преступности для определения районов, которые могут нуждаться в дополнительной защите в определенные периоды года.

О предиктивной аналитике

Так почему же предиктивная аналитика столь востребована? Разберем простейшие кейсы. Компания произвела скоропортящуюся продукцию, но не смогла ее реализовать по причине сократившегося спроса. Или, наоборот спрос на услуги в выходной день был высоким, а доступных специалистов не хватило, чтобы полностью его удовлетворить. Этих проблем можно было бы избежать при наличии прогнозных оценок спроса на продукцию.

Предиктивная аналитика может использоваться в совершенно разных сферах деятельности: в здравоохранении для прогнозирования заболеваний и осложнений у пациентов; в промышленности для прогнозирования поломок оборудования, планирования технического обслуживания оборудования и оптимизация параметров его работы; в маркетинге для формирования персональных предложений клиентам, оптимизации маркетинговых каналов и для прогнозирования поведения потребительской аудитории; в страховании для определения размера страховой премии с учетом ожидаемых убытков. И этот список можно продолжать довольно долго…

Максимально увеличивайте компактные данные в прогнозной аналитике

Когда вы смотрите на верные данные в нужном количестве, прогнозная аналитика определенно поможет вам определить и проанализировать модель использования. К примеру, ретейлер может использовать прогнозную аналитику для открытия разных способов, какими могут воспользоваться его клиенты для взаимодействия с ним же. Это могут быть данные о количестве времени на сайте, количестве залогиненного времени, сколько раз пользователь использует поиск или контактирует со службой технической поддержки. Само собой, эти события предоставляют разнообразные возможности. Потенциальные клиенты могут искать товар определенное время, пока они готовы купить товар или они ищут две разные, но взаимосвязанные вещи и для них будет очень полезным увидеть релевантный товар в виде дополнительной информации.

Используя прогнозируемую аналитику, вы поймете то что вам нужно искать и оптимизировать в ваших кампаниях для максимально возможной выручки. Давайте рассмотрим B2B компанию, которая предоставляет программное обеспечение по freemium подписке и хочет понять, как охотно триал-пользователи переходят на платную подписку. Конечно компания может сравнить поведение триал-пользователей с клиентами, которые уже заплатили на подписку. Анализируя эти данные, компания определит триал-пользователей, которые больше всего хотят сконвертироваться и затем отправить им таргетированные персонализированные письма и другие предложения, такие как советы по использованию продукта или временную скидку на приобретение товара.

Что в итоге

Компанию-лидера от других отличает среди прочих эффективное использование данных о клиентах, расходах и доходах, управление рисками, — всё это невозможно без аналитики.

Самая большая зона роста в маркетинге и бизнесе в целом — в качестве управленческих решений. И аналитика здесь играет одну из главных ролей.

Компании, которые начинают раньше собирать данные и оптимизировать с их помощью процессы, получают преимущество над конкурентами.

Растёт потребность в аналитике, который организует сбор данных, систему отчётности и поможет руководителям проектов и команд регулярно получать ответы на adhoc-вопросы.

Получайте ценные инсайты и оптимизируйте бюджет с помощью аналитики.