Análise preditiva, big data e como fazê-los funcionar para você

A análise preditiva é o resultado prático do Big Data e BI (Business Intelligence). O que você faz quando sua empresa coleta volumes impressionantes de novos dados? Os aplicativos de negócios de hoje estão reunindo montanhas de novos dados de clientes, mercado, atendimento social e aplicativos em tempo real, nuvem ou desempenho de produtos. A análise preditiva é uma maneira de aproveitar todas essas informações, obter novas percepções tangíveis e ficar à frente da concorrência.

As organizações usam a análise preditiva de várias maneiras diferentes, do marketing preditivo e da mineração de dados à aplicação dos algoritmos de aprendizado de máquina (ML) e inteligência artificial (AI) para otimizar os processos de negócios e descobrir novos padrões estatísticos. Basicamente, os computadores aprendem com comportamentos passados ​​sobre como executar melhor certos processos de negócios e fornecem novas idéias sobre como sua organização realmente funciona. Mas, antes de conhecer todas as fascinantes maneiras pelas quais as empresas e as empresas de tecnologia estão empregando análises preditivas para economizar tempo, economizar dinheiro e obter uma vantagem sobre o resto do mercado, é importante falar exatamente sobre o que é a análise preditiva e o que não é..

O que é análise preditiva?

A análise preditiva não é um conceito em preto e branco ou um recurso discreto dos gerenciadores de banco de dados modernos. É um monte de tecnologias de análise de dados e técnicas estatísticas agrupadas sob um único banner. A técnica principal é a análise de regressão, que prevê os valores relacionados de múltiplas variáveis ​​correlacionadas, com base na prova ou refutação de uma suposição específica. A análise preditiva é sobre o reconhecimento de padrões nos dados para projetar a probabilidade, de acordo com Allison Snow, analista sênior de B2B Marketing da Forrester.

"É fundamental reconhecer que a análise é sobre probabilidades, não absolutas", explicou Snow, que cobre o espaço de marketing preditivo. "Ao contrário da análise tradicional, ao aplicar a análise preditiva, não se sabe com antecedência quais dados são importantes. A análise preditiva determina quais dados são preditivos do resultado que você deseja prever".

Pense em um representante de vendas que esteja olhando para um perfil de lead em uma plataforma de gerenciamento de relacionamento com clientes (CRM), como a Salesforce.com. Digamos que a suposição é que o lead comprará seu produto. Outras suposições são que as variáveis ​​são o custo do produto, o papel do líder em um negócio e a atual taxa de lucratividade da empresa. Agora coloque essas variáveis ​​em uma equação de regressão e pronto! Você tem um modelo preditivo para extrapolar uma estratégia eficaz para lançar e vender um produto para os leads certos.

Além da análise de regressão (os meandros e subconjuntos dos quais você pode abordar neste iniciador da Harvard Business Review ), a análise preditiva também está usando progressivamente mais mineração de dados e ML. A mineração de dados é exatamente o que parece: você examina grandes conjuntos de dados para descobrir padrões e descobrir novas informações. As técnicas de ML estão, com maior regularidade, se tornando as peneiras e as picaretas para encontrar as pepitas de dados douradas. As inovações de ML, como redes neurais e algoritmos de aprendizado profundo, podem processar esses conjuntos de dados não estruturados mais rapidamente do que um cientista ou pesquisador de dados tradicional, e com uma precisão cada vez maior à medida que os algoritmos aprendem e melhoram. É da mesma maneira que o IBM Watson funciona, e kits de ferramentas de código aberto, como o TensorFlow, do Google, e o CNTK da Microsoft, oferecem funcionalidade de ML nas mesmas linhas.

A grande mudança que alimenta o boom da análise preditiva não é apenas o avanço da ML e da IA, mas também não são apenas os cientistas de dados que usam essas técnicas. As ferramentas de BI e de visualização de dados, juntamente com organizações de código aberto como a Apache Software Foundation, estão tornando as ferramentas de análise de Big Data mais acessíveis, mais eficientes e mais fáceis de usar do que nunca. As ferramentas de análise de dados e ML agora são de autoatendimento e estão nas mãos de usuários comerciais comuns - desde o nosso vendedor analisando dados de leads ou o executivo tentando decifrar as tendências do mercado na sala de reuniões até o representante de atendimento ao cliente pesquisando pontos comuns de dor do cliente e as mídias sociais gerente de marketing que mede dados demográficos e tendências sociais dos seguidores para alcançar o público-alvo certo com uma campanha. Esses casos de uso são apenas a ponta do iceberg na exploração de todas as maneiras pelas quais a análise preditiva está mudando os negócios, muitas das quais abordaremos abaixo.

Dito isso, a análise preditiva não é como uma bola de cristal ou o almanaque esportivo de Biff Tannen de Back to the Future 2. Os algoritmos e modelos não podem dizer à sua empresa além da sombra de uma dúvida que seu próximo produto será um vencedor de bilhões de dólares ou que o mercado está prestes a afundar. Os dados ainda são um meio de fazer um palpite; somos simplesmente muito mais educados do que costumávamos ser.

Detalhamento da análise preditiva, prescritiva e descritiva

Em outro relatório da Forrester, intitulado 'Análise Preditiva Pode Infundir Seus Aplicativos Com' Vantagem Desleal '", o analista principal Mike Gualtieri ressalta que" a palavra' análise 'em' análise preditiva 'é um pouco inadequada. A análise preditiva não é um ramo da análise tradicional, como relatórios ou análises estatísticas. Trata-se de encontrar modelos preditivos que as empresas possam usar para prever futuros resultados de negócios e / ou comportamento do cliente ".

Em suma, Snow explicou que o termo "preditivo" denota inerentemente probabilidade acima da certeza, quebrando o cenário das ferramentas de análise e como isso se transforma em análise prescritiva.

"A análise descritiva, embora não seja particularmente 'avançada', simplesmente captura o que aconteceu", disse Snow. "A análise descritiva ou histórica é a base sobre a qual um algoritmo pode ser desenvolvido. Essas são métricas simples, mas geralmente muito volumosas para gerenciar sem uma ferramenta de análise.

"De um modo geral, painéis e relatórios são o uso mais comum para análises preditivas nas organizações hoje em dia. Essas ferramentas geralmente não têm o vínculo com decisões de negócios, otimização de processos, experiência do cliente ou qualquer outra ação. Em outras palavras, os modelos produzem insights, mas não explícitos A análise prescritiva é onde o insight encontra a ação. Eles respondem à pergunta: "Agora sei a probabilidade de um resultado, o que pode ser feito para influenciá-lo na direção que é positiva para mim", seja isso impedindo rotatividade de clientes ou maior probabilidade de venda ".

A Análise Preditiva Está Em Todo Lugar

À medida que o cenário de BI evolui, a análise preditiva está chegando a cada vez mais casos de uso de negócios. Ferramentas como o Escolhas dos Editores, o Tableau Desktop e o Microsoft Power BI, exibem design e usabilidade intuitivos e grandes coleções de conectores e visualizações de dados para dar sentido ao grande volume de dados importados pelas empresas de fontes como Amazon Elastic MapReduce (EMR), Google Distribuições do BigQuery e Hadoop de players como Cloudera, Hortonworks e MapR. Essas ferramentas de autoatendimento ainda não possuem necessariamente os recursos de análise preditiva mais avançados, mas tornam o Big Data muito menor e mais fácil de analisar e entender.

Snow disse que há uma ampla série de casos de uso de análise preditiva nos negócios hoje, desde a detecção de fraudes no ponto de venda (POS), ajustando automaticamente o conteúdo digital com base no contexto do usuário para gerar conversões ou iniciando um serviço proativo ao cliente por risco. Fontes de receita. No marketing B2B, Snow disse que empresas e pequenas e médias empresas usam marketing preditivo pelas mesmas razões que usam qualquer estratégia, tática ou tecnologia: para ganhar, reter e atender melhor os clientes do que aqueles que não usam.

Aprofundando ainda mais, Snow identificou três categorias de casos de uso de marketing B2B que, segundo ela, dominam o sucesso preditivo precoce e estabelecem as bases para o uso mais complexo das análises preditivas de marketing.

1. Pontuação preditiva: priorizar clientes em potencial, leads e contas conhecidos com base na probabilidade de agir.

"O ponto de entrada mais comum para os profissionais de marketing B2B no marketing preditivo, a pontuação preditiva adiciona uma dimensão científica e matemática à priorização convencional, que depende de especulação, experimentação e iteração para derivar critérios e ponderações", disse Snow. "Esse caso de uso ajuda as vendas e os profissionais de marketing a identificar contas produtivas mais rapidamente, a gastar menos tempo em contas com menor probabilidade de conversão e a iniciar campanhas direcionadas de venda cruzada ou upsell".

2. Modelos de identificação: identificação e aquisição de clientes potenciais com atributos semelhantes aos clientes existentes.

"Nesse caso de uso, contas que exibiram o comportamento desejado (fizeram uma compra, renovaram um contrato ou adquiriram produtos e serviços adicionais) servem como base para um modelo de identificação", disse Snow. "Esse caso de uso ajuda as vendas e os profissionais de marketing a encontrar perspectivas valiosas no início do ciclo de vendas, descobre novos profissionais de marketing, prioriza as contas existentes para expansão e as iniciativas de marketing baseado em contas (ABM), trazendo à tona as contas que podem ser razoavelmente esperadas. mais receptivo às mensagens de vendas e marketing ".

3. Segmentação automatizada: leads de segmento para mensagens personalizadas.

"Os profissionais de marketing B2B tradicionalmente conseguem segmentar apenas por atributos genéricos, como a indústria, e fazem isso com um esforço manual que a personalização se aplica apenas a campanhas altamente priorizadas", disse Snow. "Agora, os atributos usados ​​para alimentar algoritmos preditivos agora podem ser anexados aos registros da conta para oferecer suporte à segmentação intrincada e automatizada. Esse caso de uso ajuda as vendas e os profissionais de marketing a conduzir comunicações de saída com mensagens relevantes, possibilitar conversas substanciais entre vendas e prospects e informar a estratégia de conteúdo. de forma mais inteligente."

As ferramentas de BI e as estruturas de código aberto, como o Hadoop, estão democratizando os dados como um todo, mas, além do marketing B2B, a análise preditiva também está sendo incorporada em cada vez mais plataformas de software baseadas em nuvem em vários setores. Veja o site Elevated Careers da empresa de encontros on-line eHarmony's e vários outros fornecedores no espaço "análise preditiva para contratação". Essas plataformas ainda estão em seus primórdios, mas a idéia de usar dados para prever quais candidatos são os mais adequados para trabalhos específicos e empresas tem o potencial de reinventar como os gerentes de recursos humanos (RH) recrutam talentos.

Fornecedores de suporte técnico, como o Zendesk, também começaram a adicionar recursos de análise preditiva ao software de suporte técnico. A empresa imbuiu sua plataforma de poderes preditivos para ajudar os representantes de atendimento ao cliente a identificar áreas problemáticas com um sistema de alerta precoce baseado em dados chamado Previsão de Satisfação. O recurso usa um algoritmo ML para processar os resultados da pesquisa de satisfação, lançando variáveis, incluindo tempo para resolver um ticket, latência de resposta do serviço ao cliente e formulação específica do ticket em um algoritmo de regressão para calcular a taxa de satisfação projetada do cliente.

Também estamos vendo a análise preditiva causar um grande impacto nos resultados finais em escala industrial e com a Internet das Coisas (IoT). O Google usa algoritmos ML em seus data centers para executar manutenção preditiva nos farms de servidores que alimentam sua infraestrutura de nuvem pública do Google Cloud Platform (GCP). Os algoritmos usam dados sobre clima, carga e outras variáveis ​​para ajustar preventivamente as bombas de resfriamento do data center e reduzir significativamente o consumo de energia.

Esse tipo de manutenção preditiva também está se tornando comum nas fábricas. Empresas de tecnologia corporativa, como a SAP, oferecem plataformas preditivas de manutenção e serviço usando dados de sensores de dispositivos de fabricação de IoT conectados para prever quando uma máquina está em risco de problemas ou falhas mecânicas. Empresas de tecnologia como a Microsoft também estão explorando a manutenção preditiva para aplicativos aeroespaciais, colocando a Cortana trabalhando na análise de dados de sensores de motores e componentes de aeronaves.

A lista de aplicativos de negócios em potencial continua indefinidamente, desde como a análise preditiva está mudando o setor de varejo até as novas empresas de tecnologia usando modelagem preditiva na análise de fraudes e risco de transações financeiras. Nós apenas arranhamos a superfície, tanto na maneira como diferentes setores podem integrar esse tipo de análise de dados quanto na profundidade com que as ferramentas e técnicas de análise preditiva redefinirão a forma como fazemos negócios em conjunto com a evolução da IA. À medida que nos aproximamos do verdadeiro mapeamento de um cérebro artificial, as possibilidades são infinitas.