Principes de base des tendances technologiques majeures en analyse prédictive - Les nuls

Les techniques d'analyse prédictive traditionnelles ne peuvent fournir des informations que sur la base de données historiques. Vos données, qu'elles soient passées ou reçues, peuvent vous fournir un prédicteur fiable qui peut vous aider à prendre de meilleures décisions pour atteindre vos objectifs commerciaux. L'outil permettant d'atteindre cet objectif est l'analyse prédictive.

Comment explorer l'analyse prédictive en tant que service

L'utilisation de l'analyse prédictive étant devenue plus courante et plus répandue, une nouvelle tendance est (compréhensible) vers une plus grande facilité d'utilisation. On peut dire que la façon la plus simple d'utiliser l'analyse prédictive est le logiciel - qu'il s'agisse d'un produit autonome ou d'un service en nuage fourni par une entreprise dont les activités fournissent des solutions d'analyse prédictive à d'autres entreprises.

Si l'activité de votre entreprise consiste à offrir une analyse prédictive, vous pouvez fournir cette fonctionnalité de deux manières principales:

En tant qu'application logicielle autonome avec une interface utilisateur graphique facile à utiliser: > Le client achète le produit d'analyse prédictive et l'utilise pour créer des modèles prédictifs personnalisés. Ensemble d'outils logiciels basés sur le cloud qui aident l'utilisateur à choisir un modèle prédictif à utiliser:
Le client utilise les outils pour répondre aux exigences et aux spécifications du projet en cours, ainsi que le type de données le modèle sera appliqué à. Les outils peuvent offrir des prédictions rapidement, sans impliquer le client dans le fonctionnement des algorithmes utilisés ou la gestion des données impliquées.

Un exemple simple peut être aussi simple que ces trois étapes:

Un client télécharge des données sur vos serveurs ou choisit des données qui résident déjà dans le nuage.

Le client applique une partie du modèle prédictif disponible à ces données.
Le client examine les informations et les prévisions visualisées à partir des résultats de l'analyse ou du service.
Comment agréger des données distribuées pour l'analyse

Une tendance croissante consiste à appliquer l'analyse prédictive à des données provenant de diverses sources. Le déploiement d'une solution d'analyse prédictive type dans un environnement distribué nécessite la collecte de données - parfois des données volumineuses - provenant de différentes sources; une approche qui doit s'appuyer sur des capacités de gestion de données. Les données doivent être collectées, pré-traitées et gérées

avant . Elles peuvent être considérées comme utilisables pour générer des prédictions exploitables. Les architectes des solutions d'analyse prédictive doivent toujours faire face au problème de la collecte et du traitement des données provenant de différentes sources de données.Considérons, par exemple, une entreprise qui veut prédire le succès d'une décision commerciale affectant un de ses produits en évaluant l'une des options suivantes:

Mettre les ressources de l'entreprise en augmentation du volume des ventes

Mettre fin à la fabrication le produit
Pour modifier la stratégie de vente actuelle du produit
L'architecte d'analyse prédictive doit concevoir un modèle qui aide l'entreprise à prendre cette décision en utilisant des données sur le produit de différents départements:

Données techniques

: Le département d'ingénierie a des données sur les spécifications du produit, son cycle de vie, ainsi que les ressources et le temps nécessaires pour le produire. Données sur les ventes
: Le service des ventes dispose d'informations sur le volume des ventes du produit, le nombre de ventes par région et les bénéfices générés par ces ventes. Données client issues de sondages, avis et publications
: L'entreprise ne dispose peut-être pas d'un service spécialisé qui analyse les sentiments des clients à l'égard du produit. Des outils existent cependant, qui permettent d'analyser automatiquement les données mises en ligne et d'extraire les attitudes des auteurs, des intervenants ou des clients vers un sujet, un phénomène ou (dans ce cas) un produit. Par exemple, si un utilisateur publie un avis sur le produit X qui dit: «J'aime vraiment le produit X et je suis satisfait du prix», un extracteur de sentiment

indique automatiquement ce commentaire comme positif. De tels outils peuvent classer les réponses comme «heureuses», «tristes», «fâchées», etc., en basant la classification sur les mots qu'un auteur utilise dans un texte publié en ligne. Dans le cas du produit X, la solution d'analyse prédictive doit regrouper les avis des clients provenant de sources externes. L'exemple est une agrégation de données provenant de sources multiples, internes et externes - des divisions d'ingénierie et de vente (interne), et des commentaires de clients glanés à partir de réseaux sociaux (externes) - qui est également une instance d'utilisation de big data en analyse prédictive.

Principes de base de l'analyse en temps réel pilotée par les données

Fournir des informations sur les nouveaux événements en temps réel est une tâche difficile, car tant de choses se passent si vite. Le traitement moderne à grande vitesse a éloigné la recherche de données commerciales de l'entreposage de données traditionnel et du traitement en temps réel.

Mais le volume de données est également élevé - une quantité énorme de données variées, provenant de sources multiples, générées en permanence et à des vitesses différentes. Les entreprises sont avides de solutions d'analyse prédictive évolutives capables de tirer des informations en temps réel à partir d'un flot de données qui semble véhiculer «le monde et tout ce qu'il contient. "

La demande s'intensifie pour l'analyse des données en temps réel

et, générant rapidement des prévisions. Considérez l'exemple concret de la rencontre d'un emplacement d'annonce en ligne correspondant à un achat que vous étiez déjà sur le point de réaliser. Les entreprises s'intéressent aux solutions d'analyse prédictive capables de fournir les fonctionnalités suivantes: Prédire - en temps réel - l'annonce spécifique sur laquelle un internaute clique le plus probablement (une approche appelée placement d'annonces en temps réel >).

Spécifiez avec précision les clients qui sont sur le point de quitter un service ou un produit afin de cibler ces clients avec une campagne de rétention ( rétention de clients et modélisation de désabonnement ).
Identifiez les électeurs susceptibles d'être influencés par une stratégie de communication spécifique, telle qu'une visite à domicile, une publicité télévisée, un appel téléphonique ou un e-mail. (Vous pouvez imaginer l'impact sur la campagne politique.) En plus d'encourager l'achat et le vote selon les lignes désirées, l'analyse prédictive en temps réel peut servir d'outil critique pour la détection automatique des cyberattaques.