Прогнозная аналитика

Прогнозная аналитика помогает компаниям заглядывать в будущее или заглядывать "за угол" с разумной степенью точности. Эта возможность всегда была важна, но теперь становиться очень важной. Порой компаниям приходилось преодолевать серьезные сбои в торговле, сбои в цепочке поставок, переживать внезапные скачки спроса, сталкиваться с новыми рискаии и проблемами. Действенные, точные прогнозы необходимы, чтобы помочь лицам, принимающим решения, ориентироваться в мире, где быстрые изменения и волатильность рынка стали постоянными.

Определение прогнозной аналитики.

Прогнозная (предиктивная) аналитика - это ветвь расширенной аналитики, которая делает прогнозы о будущих событиях, поведении и результатах. Для анализа текущих и исторических данных, для оценки вероятности того, что что-то произойдет используются статистические методы, включая алгоритмы машинного обучения и сложное прогнозное моделирование.

Прогностическая аналитика актуальна для большинства отраслей и имеет множество применений, в том числе для решения таких задач:

• Снижение оттока сотрудников и клиентов.
• Выявление клиентов, которые с наибольшей вероятностью не выполнят платежи.
• Прогнозирования продаж.
• Определение оптимальных цен.
• Планирование техническое обслуживание или замены оборудования.

Пример прогнозной аналитики в "графическом" исполнении:

Прогнозная аналитика сегодня

Согласно исследованию Allied Market Research , прогнозируется, что к 2027 году мировой рынок прогнозной аналитики достигнет 35,45 млрд долларов США, при этом среднегодовой темп роста (CAGR) составит 21,9%. Прогнозная аналитика хорошо применяется в местах, где генерируются огромные объемы данных, используются мощные компьютеры, а программное обеспечение - интерактивное и простое в использовании.

Компании собирают огромные объемы данных различного типа - от традиционных структурированных данных до неструктурированных массивов, таких как данные Интернета вещей (IoT), текст, видео и еще кое-что. Прогнозная аналитика может объединить данные из разных источников, может анализировать большие объемы данных, позволяет получать более точные прогнозы и далать более глубокие и действенные выводы.

Ключевым элементом для моделей прогнозной аналитики явлются облачные технологии, прежде всего в силу того, что облако позволяет подключать различные источники данных. Плюс, облачные хранилища и озера данных предоставляют более эффектиное, экономичное и масштабируемое хранение данных по сравнению с хранением данных в локальных базах данных.

Сегодняшняя прогнозная аналитика «дополнена» технологиями искусственного интеллекта (ИИ), такими как машинное обучение, глубокое обучение и нейронные сети. Эта расширенная аналитика может быстро анализировать большие объемы данных, выявлять идеи, которые люди могут упустить, точнее оценивать вероятность будущих событий. Они также автоматизируют сложные этапы процесса построения и тестирования моделей прогнозной аналитики.

Обработка естественного языка с помощью ИИ позволяет пользователям на разговорном языке задавать вопросы и получать ответы, что делает гораздо проще интерпретацию данных и понимание ответов. Исторически инструменты и методы, лежащие в основе прогнозной аналитики, были настолько сложными, что только специалисты по данным и профессиональные аналитики могли использовать их эффективно. Но с помощью расширенной аналитики бизнес-пользователи с минимальным обучением теперь могут генерировать точные прогнозы и принимать разумные, дальновидные решения без помощи специалистов ИТ. Преимущество, которое нельзя игнорировать в условиях жесткой конкуренции на рынке.

Примеры прогнозной аналитики

Прогнозная аналитика применима и ценится практически во всех отраслях - от финансовых услуг до авиакосмической отрасли. Прогностические модели используются для прогнозирования запасов, управления ресурсами, установки цен на билеты, управления техническим обслуживанием оборудования, разработки моделей кредитного риска и многого другого. Они помогают компаниям снизить риски, оптимизировать операции и увеличивать доход.

Прогнозная аналитика в HR

С помощью прогнозной аналитики данные о людях можно проанализировать, чтобы определить, соответствует ли потенциальный сотрудник культурной среде, какие сотрудники рискуют покинуть организацию, нужно ли компании повышать квалификацию сотрудника.

Прогнозная аналитика в здравоохранении

Используя прогнозную аналитику, руководители здравоохранения могут улучшить принятие финансовых и операционных решений, оптимизировать уровни запасов, улучшить укомплектования персоналом, более эффективно управлять цепочками поставок, прогнозировать потребности в обслуживании медицинского оборудования. Прогностическая аналитика также позволяет улучшить клинические результаты за счет выявления ранних признаков ухудшения состояния пациента, выявления пациентов с риском повторной госпитализации и повышения точности диагностики и лечения пациентов.

Прогнозная аналитика в ритейле

Розничные продавцы собирают огромное количество информации о покупателях как в Интернете, так и в реальном мире, например отслеживая, как покупатели перемещаются по магазину. Другая отслеживаемая информация включает контактные данные клиентов в точке продажи, их активность в социальных сетях, то, что они купили, как часто они покупают или посещают магазин. Используя прогнозную аналитику, розничные продавцы могут использовать эти данные для решения разных задач, от оптимизации запасов и прогнозирования доходов до поведенческой аналитики, таргетинга покупателей и обнаружения мошенничества.

Прогнозная аналитика в маркетинге

Модели, созданные с помощью прогнозной аналитики, чрезвычайно ценны для маркетологов, поскольку они делают маркетинговые кампании более целенаправленными и эффективными в мире, где клиенты могут заказывать то, что они хотят, когда они хотят, практически из любого места в Интернете. Прогнозная маркетинговая аналитика обеспечивает сегментацию клиентов, оценку потенциальных клиентов, привлечение новых клиентов, рекомендации по контенту и рекламе, а также персонализацию предложения и продаж. Маркетологи могут использовать данные клиентов для организации акций, рекламных кампаний, рассылки предложений по другим продуктам, которые могут понравиться клиентам.

Прогнозная аналитика в цепочке поставок

Прогнозная аналитика стала незаменимой для управления гибкой и устойчивой цепочкой поставок и предотвращения сбоев в поставках. Она анализирует массивные наборы данных из множества различных источников для создания точных прогнозов спроса и предложения, определения оптимальных уровней запасов, улучшения логистики и своевременности поставок.

Основные этапы процесса построения моделей прогнозной аналитики

Процесс построения прогнозной аналитики включает в себя

• Определение целей или задач моделей прогнозной аналитики.
• Сбор и очистку огромных объемов данных.
• Построение прогнозных моделей с использованием сложных прогнозных алгоритмов и методов.
• Ввод в эксплуатацию моделей.
• Мониторинг и улучшение моделей. 

Процесс построения моделей - традиционно сложный процесс. Но он становится все более автоматизированным и более доступным для среднего бизнес-пользователя благодаря новым технологиям искусственного интеллекта. Тем не менее, компаниям все еще могут потребоваться специалисты ИТ на определенных этапах ипостроения моделей.

Определение целей проекта

Каков желаемый результат? Какую проблему пытаемся решить? Первым шагом является определение целей, результатов, объема и необходимых данных.

Сбор данных

Сбор необходимых данные в одном месте. Подключение данных из различных источников - от транзакционных систем и датчиков до журналов колл-центров.

Очистка и подготовка данных

Очистка, подготовка и интегрирование данных для анализа. Удаление выбросов, определение недостающей информации для улучшения качества прогнозных данных.

Построение и тестированиее модели

Создание прогнозной модели, обучение модели на подготовленом наборе данных, тестирование модели. Оценка точности модели. Для создания безошибочной модели может потребоваться несколько итераций обучения модели.

Ввод модели в эксплуатацию

Ввод в эксплуатацию прогнозной модели и применение модели к новым данным. Получение результатов и отчетов. Автоматизация принятия решений на основе результатов прогнозной модели.

Мониторинг и улучшение модели

Регулярная проверка модели, оценка производительности модели. Убедитесь, что модель дает ожидаемые результаты. При необходимости уточните и оптимизируйте модель.

Предиктивная и предписывающая аналитика

Что дальше после создания и развертывания прогнозных моделей, которые генерируют точные и своевременные прогнозы? Многие компании рассматривают предписывающую аналитику как следующий логический шаг.

Предиктивная аналитика помогает вам определить, что может произойти дальше, тогда как предписывающая аналитика может сказать вам, что с этим делать - или как вы могли бы достичь лучшего результата, если бы вы сделали X, Y или Z. Этот тип расширенной аналитики основан на прогнозной аналитике. и принимает во внимание множество, множество различных факторов, чтобы предписать наилучший возможный курс действий или решения.

Более подробно изложено тут "What Is Predictive Analytics?"

https://insights.sap.com/what-is-predictive-analytics/?source=email-sapflash-topic1-20210315&sap-outbound-id=3101C5967735A6EF4E7127F80FE58517150C6A70&smc_campaign_id=0000015938&source=email-smc

* * *

Экономическая ценность цифры

Ниже "сэмпл" из книги "21 урок для XXI века". Юваль Ной Харари   

...развитие искусственного интеллекта может уничтожить экономическую ценность и политическое влияние большинства людей. В то же время развитие биотехнологий позволит превратить экономическое неравенство в биологическое. Сверхбогатые люди в конечном счете найдут действительно достойное применение своему богатству. Раньше они могли купить лишь символы статуса, но вскоре у них появится возможность купить саму жизнь. Если новые препараты для продления жизни или улучшения физических и когнитивных способностей будут очень дорогими, может образоваться глубокая биологическая пропасть между богатыми и бедными.

На протяжении всей истории человечества богачи и аристократы считали себя лучше остальных и утверждали, что именно поэтому власть принадлежит им. Как мы знаем, это неправда. Средний герцог был не более талантлив, чем средний крестьянин, а своим высоким положением он был обязан несправедливой юридической и экономической дискриминации. Тем не менее не исключено, что в 2100 году богатые действительно станут более талантливыми, умными и креативными личностями, чем обитатели трущоб. После того как образуется реальная пропасть между способностями богатых и бедных, преодолеть ее будет практически невозможно.

Таким образом, эти два процесса – биоинженерия и развитие искусственного интеллекта – совокупно могут привести к разделению человечества на небольшой класс суперлюдей и массовый низший класс бесполезных Homo sapiens. Ситуацию усугубляет то обстоятельство, что по мере утраты массами экономического значения и политической власти государство лишается по крайней мере части стимулов для инвестиций в здоровье, образование и благополучие людей. Изобилие очень опасно. В этом случае судьба масс будет зависеть от доброй воли немногочисленной элиты. Эта добрая воля, вполне вероятно, продержится пару десятилетий или даже больше. Но где гарантия, что в период кризиса – например, климатической катастрофы – элита устоит перед искушением выбросить лишних людей за борт?

Если мы не хотим, чтобы все богатства и власть концентрировались в руках немногочисленной элиты, нам необходимо регулировать владение данными. В древности самым ценным активом была земля, и политические силы сражались за контроль над ней; если в руках слишком маленького числа людей оказывалось слишком много земли, общество делилось на аристократов и простонародье. В новейшую эпоху машины и заводы стали более ценными, чем земля, и политическая борьба велась за контроль над этими жизненно важными средствами производства. Если слишком много машин оказывается в руках слишком маленького числа людей, общество делится на капиталистов и пролетариев. В XXI веке место земли и машин как главного актива займет информация и политики будут бороться за контроль над потоками данных. Если данные сконцентрируются в руках слишком маленького числа людей, человечество разделится на разные виды.

В отдаленном будущем цифровые гиганты, объединив огромные массивы данных и огромные вычислительные мощности, смогут проникать в самые глубокие тайны жизни, а затем использовать это знание не только для того, чтобы делать за нас выбор и манипулировать нами, но и для переделки органической жизни и создания ее неорганических форм. В краткосрочной перспективе цифровые гиганты еще будут нуждаться в продаже рекламы, но уже сейчас они часто оценивают приложения, товары и компании исходя не из того, сколько денег они на этом заработали, а из того, как много данных сумели на этом собрать. Популярное приложение сегодня может не соответствовать бизнес-модели или даже быть убыточным, но, если оно способствует сбору данных, завтра его ценность будет исчисляться миллиардами долларов[79]. Даже если сегодня вы не знаете, как заработать на накопленной информации, собирать ее все равно стоит, поскольку в будущем она даст вам ключ к контролю над меняющейся жизнью. Я не уверен, что цифровые гиганты преследуют именно такие цели, но их действия говорят о том, что сбор данных значит для них больше, чем доллары и центы.

Обычному человеку трудно сопротивляться этому процессу. Сегодня люди с готовностью отдают свой самый ценный актив – личные данные – в обмен на бесплатную почтовую программу и забавные видео с котиками. Точно так же коренные жители Африки и Америки наивно отдавали европейским колонизаторам целые страны в обмен на цветные бусы и дешевые безделушки. Если потом простые люди попытаются заблокировать поток данных, то выяснится, что сделать это очень трудно, особенно если алгоритмы начнут принимать за них все решения, в том числе касающиеся здоровья и физического выживания.

Слияние людей и компьютеров может стать настолько полным, что люди, отсоединившись от сети, просто не выживут. Они будут подключены к ней еще в утробе матери, а если захотят отключиться, то страховые агентства откажутся заключать с ними договоры, работодатели не примут на работу, а медицинские учреждения не станут их обслуживать. В битве между здоровьем и приватностью здоровье, скорее всего, одержит легкую победу.

По мере того как будет увеличиваться поток данных, поступающих к умным машинам от биометрических датчиков, корпорации и правительственные учреждения научатся понимать вас, манипулировать вами, принимать за вас решения. Но что еще важнее, они смогут расшифровать глубинные механизмы работы тела и мозга и таким образом получить власть над жизнью. Если мы хотим помешать немногочисленной элите монополизировать возможности, которые раньше приписывали богам, и не хотим, чтобы человечество разделилось на биологические касты, необходимо ответить на главный вопрос: кто владеет информацией? Кому принадлежат данные о нашей ДНК, нашем мозге и нашей жизни – нам, правительству, корпорации или человеческому сообществу?

Позволив государству национализировать данные, мы, вероятно, ограничим власть корпораций, но в результате получим ползучую цифровую диктатуру.

Частная собственность на персональные данные выглядит более привлекательным вариантом, чем приведенные выше, но не совсем понятно, что это значит.

Как же нам двигаться вперед и справиться с вызовами, которые несут с собой революции в ИТ и биотехнологиях?