Présentation des classifications des données Predictive Analytics pour votre entreprise - Factures

Si votre entreprise n'a pas encore utilisé la classification des données utilisée dans analyse prédictive, il est peut-être temps de l'introduire comme un moyen de prendre de meilleures décisions de gestion ou d'exploitation. Ce processus commence par une étape d'investigation: Identifier une zone problématique dans l'entreprise où de nombreuses données sont disponibles mais qui ne sont actuellement pas utilisées pour prendre des décisions commerciales.

Une façon d'identifier un tel problème est d'organiser une réunion avec vos analystes, gestionnaires et autres décideurs pour leur demander quelles sont les décisions risquées ou difficiles qu'ils prennent à plusieurs reprises - et de quel type de données ils ont besoin pour prendre leurs décisions. Si vous avez des données qui reflètent les résultats des décisions passées, soyez prêt à y puiser. Ce processus d'identification du problème s'appelle la phase de découverte .

Après la phase de découverte, vous voudrez faire un suivi avec des questionnaires individuels adressés aux parties prenantes de l'entreprise. Pensez à poser les types de questions suivants:

• Que voulez-vous savoir à partir des données?

• Quelle action allez-vous entreprendre lorsque vous aurez votre réponse?

• Comment allez-vous mesurer les résultats des actions entreprises?

Si les résultats du modèle analytique prédictif produisent des aperçus significatifs, alors quelqu'un doit faire quelque chose avec - agir. Évidemment, vous voudrez voir si les résultats de cette action ajoutent de la valeur commerciale à l'organisation. Vous devrez donc trouver une méthode pour mesurer cette valeur, que ce soit en termes d'économies de coûts d'exploitation, d'augmentation des ventes ou de meilleure fidélisation de la clientèle.

Pendant que vous menez ces entretiens, cherchez à comprendre pourquoi certaines tâches sont effectuées et comment elles sont utilisées dans le processus d'affaires. Demander pourquoi les choses sont comme elles peuvent vous aider à découvrir des réalisations inattendues. Il est inutile de rassembler et d'analyser des données uniquement pour créer plus de données. Vous souhaitez utiliser ces données pour répondre à des besoins métier spécifiques.

Pour le data scientist ou modeler, cet exercice définit quels types de données doivent être classées et analysées - une étape essentielle pour développer un modèle de classification des données. Une distinction fondamentale pour commencer est de savoir si les données que vous utiliserez pour former le modèle sont internes ou externes:

• Les données internes sont spécifiques à votre entreprise, proviennent généralement des sources de données de votre entreprise et peuvent inclure de nombreux types de données, tels que structurés, semi-structurés ou non structurés.

• Les données externes proviennent de l'extérieur de l'entreprise, souvent sous la forme de données achetées auprès d'autres sociétés.

Peu importe si les données que vous utilisez pour votre modèle sont internes ou externes, vous devez d'abord les évaluer. Plusieurs questions sont susceptibles de surgir dans cette évaluation:

• Dans quelle mesure les données en question sont-elles critiques et précises? Si c'est trop sensible, cela peut ne pas servir vos objectifs.

• Quelle est l'exactitude des données en question et si leur exactitude est discutable, alors son utilité est limitée.

• Comment la politique de l'entreprise et les lois applicables permettent-elles l'utilisation et le traitement des données? Vous voudrez peut-être effacer l'utilisation des données auprès de votre service juridique pour tout problème juridique qui pourrait survenir. (Voir la barre latérale ci-jointe pour un exemple récent célèbre.).

Lorsque vous avez identifié des données à utiliser dans la construction de votre modèle, l'étape suivante consiste à les classer afin de créer et d'appliquer des étiquettes utiles à vos éléments de données. Par exemple, si vous travaillez sur des données sur le comportement d'achat des clients, les étiquettes peuvent définir des catégories de données en fonction de la façon dont certains groupes de clients achètent:

• Les clients saisonniers semi-régulier.

• Les clients axés sur les escomptes pourraient être ceux qui ont tendance à magasiner uniquement lorsque des remises importantes sont offertes.

• Les clients fidèles sont ceux qui ont acheté plusieurs de vos produits au fil du temps.

Prévoir la catégorie qu'un nouveau client conviendra peut être d'une grande valeur pour l'équipe marketing. L'idée est de dépenser du temps et de l'argent efficacement pour identifier les clients à qui faire de la publicité, déterminer les produits à recommander et choisir le meilleur moment pour le faire.

Beaucoup de temps et d'argent peuvent être gaspillés si vous ciblez les mauvais clients, les rendant probablement moins susceptibles d'acheter que si vous ne les aviez pas commercialisés en premier lieu. L'utilisation de l'analyse prédictive pour un marketing ciblé devrait viser non seulement des campagnes plus réussies, mais aussi éviter les pièges et les conséquences imprévues.