Các khái niệm cơ bản về xu hướng công nghệ chủ yếu trong phân tích tiên đoán - những con cần có

Kỹ thuật phân tích tiên đoán truyền thống chỉ có thể cung cấp thông tin chi tiết trên cơ sở dữ liệu lịch sử. Dữ liệu của bạn - cả trong và ngoài - có thể cung cấp cho bạn một dự báo đáng tin cậy có thể giúp bạn đưa ra các quyết định tốt hơn để đạt được mục tiêu kinh doanh của mình. Công cụ để hoàn thành mục tiêu đó là phân tích tiên đoán.

Làm thế nào để khám phá các phân tích tiên đoán như là một dịch vụ

Khi việc sử dụng các phân tích tiên đoán đã trở nên phổ biến và phổ biến rộng rãi hơn, một xu hướng mới nổi là dễ hiểu hơn. Có thể cho rằng cách dễ nhất để sử dụng phân tích tiên đoán là phần mềm - cho dù là một sản phẩm độc lập hoặc là dịch vụ dựa trên đám mây được cung cấp bởi một công ty mà doanh nghiệp đang cung cấp các giải pháp phân tích tiên đoán cho các công ty khác.

Là một ứng dụng phần mềm độc lập với giao diện đồ họa người dùng dễ sử dụng: > Khách hàng mua sản phẩm phân tích tiên đoán và sử dụng nó để xây dựng các mô hình dự báo tùy chỉnh.

Là một tập hợp các công cụ phần mềm dựa trên đám mây giúp người dùng lựa chọn mô hình tiên đoán để sử dụng: Khách hàng áp dụng các công cụ để đáp ứng các yêu cầu và thông số kỹ thuật của dự án và loại dữ liệu mô hình sẽ được áp dụng cho. Các công cụ có thể cung cấp các dự đoán một cách nhanh chóng, mà không cần liên quan đến khách hàng trong hoạt động của các thuật toán đang sử dụng hoặc quản lý dữ liệu liên quan.
Một khách hàng tải lên dữ liệu đến các máy chủ của bạn, hoặc chọn dữ liệu đã có trong đám mây.
Khách hàng áp dụng một số mô hình dự đoán có sẵn đối với dữ liệu đó.

Khách hàng đánh giá các thông tin chi tiết và dự đoán được hình dung từ kết quả phân tích hoặc dịch vụ.

Cách tổng hợp dữ liệu phân phối để phân tích

Xu hướng phát triển là áp dụng phân tích tiên đoán vào dữ liệu thu thập được từ nhiều nguồn khác nhau. Triển khai giải pháp phân tích tiên đoán điển hình trong môi trường phân tán yêu cầu thu thập dữ liệu - đôi khi dữ liệu lớn - từ các nguồn khác nhau; một cách tiếp cận mà phải dựa vào khả năng quản lý dữ liệu. Dữ liệu cần phải được thu thập, xử lý trước và quản lý

trước
nó có thể được coi là có thể sử dụng được để tạo ra dự đoán khả thi.
Các kiến trúc sư về các giải pháp phân tích tiên đoán luôn phải đối mặt với vấn đề làm thế nào để thu thập và xử lý dữ liệu từ các nguồn dữ liệu khác nhau.Ví dụ, hãy xem xét một công ty muốn dự đoán sự thành công của một quyết định kinh doanh ảnh hưởng đến một trong những sản phẩm của họ bằng cách đánh giá một trong các lựa chọn sau: Đưa các nguồn lực của công ty vào việc tăng lượng bán hàng Để chấm dứt sản xuất sản phẩm

Để thay đổi chiến lược bán hàng hiện tại cho sản phẩm

Kiến trúc sư phân tích tiên đoán phải thiết kế một mô hình giúp công ty quyết định, sử dụng dữ liệu về sản phẩm từ các phòng ban khác nhau:

Dữ liệu kỹ thuật

: Phòng kỹ thuật có dữ liệu về các đặc điểm kỹ thuật của sản phẩm, vòng đời của nó, và các nguồn lực và thời gian cần thiết để sản xuất nó.

Dữ liệu bán hàng

: Phòng bán hàng có thông tin về khối lượng bán hàng của sản phẩm, số lượng bán hàng trên từng khu vực và lợi nhuận thu được từ các hoạt động bán hàng đó. Dữ liệu khách hàng từ các cuộc khảo sát, đánh giá và bài viết

: Công ty có thể không có bộ phận chuyên biệt để phân tích khách hàng cảm thấy thế nào về sản phẩm. Tuy nhiên, các công cụ có thể tự động phân tích dữ liệu được đăng trực tuyến và trích ra thái độ của các tác giả, diễn giả hoặc khách hàng đối với một chủ đề, một hiện tượng hoặc, trong trường hợp này, một sản phẩm. Ví dụ: nếu người dùng đăng bài đánh giá về Sản phẩm X nói rằng "Tôi thực sự thích Sản phẩm X và tôi hài lòng với mức giá", một

cảm giác trích xuất sẽ tự động gắn nhãn nhận xét này là tích cực.

Các công cụ như vậy có thể phân loại các câu trả lời là "vui vẻ", "buồn", "tức giận", và như vậy, dựa trên việc phân loại các từ mà tác giả sử dụng trong văn bản được đăng trực tuyến. Trong trường hợp của Sản phẩm X, giải pháp phân tích tiên đoán sẽ cần tổng hợp đánh giá của khách hàng từ các nguồn bên ngoài. Ví dụ là tổng hợp dữ liệu từ nhiều nguồn, cả nội bộ lẫn bên ngoài - từ phòng kỹ thuật và bán hàng (bên trong), và từ các đánh giá của khách hàng thu thập được từ mạng xã hội (bên ngoài) - cũng là một ví dụ về việc sử dụng dữ liệu lớn trong phân tích tiên đoán. Khái niệm cơ bản về phân tích theo thời gian thực

Cung cấp thông tin chi tiết như các sự kiện mới xảy ra trong thời gian thực là một nhiệm vụ đầy thách thức vì rất nhiều xảy ra quá nhanh. Quá trình xử lý tốc độ cao hiện đại đã chuyển nhiệm vụ tìm hiểu sâu hơn từ việc lưu trữ dữ liệu truyền thống và tiến tới xử lý thời gian thực.

Nhưng khối lượng dữ liệu cũng cao - một lượng lớn các dữ liệu khác nhau, từ nhiều nguồn, tạo ra liên tục và ở tốc độ khác nhau. Các công ty đang háo hức cho các giải pháp phân tích tiên đoán mở rộng có thể thu được những hiểu biết theo thời gian thực từ một lũ dữ liệu dường như mang "thế giới và tất cả những gì nó chứa. "

Nhu cầu được tăng cường để phân tích dữ liệu trong thời gian thực

và

tạo ra những dự đoán nhanh chóng. Hãy xem xét ví dụ cuộc sống thực của việc gặp phải một vị trí đặt quảng cáo trực tuyến tương ứng với mua hàng bạn đã chuẩn bị thực hiện. Các công ty quan tâm đến các giải pháp phân tích tiên đoán có thể cung cấp các khả năng như sau:

Dự đoán - trong thời gian thực - quảng cáo cụ thể mà khách truy cập trang web có thể sẽ nhấp chuột nhất (một cách gọi là vị trí đặt quảng cáo theo thời gian thực >). Đầu cơ chính xác về việc khách hàng sắp phải bỏ dịch vụ hoặc sản phẩm để nhắm mục tiêu những khách hàng đó bằng chiến dịch duy trì (

giữ chân khách hàng và tạo mô hình chèn ). Xác định cử tri có thể bị ảnh hưởng thông qua một chiến lược truyền thông cụ thể như thăm nhà, quảng cáo truyền hình, cuộc gọi điện thoại, hoặc e-mail. Bên cạnh việc khuyến khích mua và bỏ phiếu theo những đường nét mong muốn, phân tích tiên đoán trong thời gian thực có thể đóng vai trò như một công cụ quan trọng để tự động phát hiện các cuộc tấn công trên mạng.