Conceptos básicos de las principales tendencias tecnológicas en el análisis predictivo

Técnicas analíticas de predicción tradicionales sólo pueden proporcionar información sobre la base de los datos históricos. Sus datos - tanto del pasado como entrante - puede proporcionarle un predictor confiable que puede ayudarle a tomar mejores decisiones para lograr sus objetivos de negocio. La herramienta para lograr ese objetivo es el análisis predictivo.

Cómo explorar el análisis predictivo como un servicio

Como el uso de análisis predictivo se ha vuelto más común y extendido, una tendencia emergente es (comprensiblemente) hacia una mayor facilidad de uso. Podría decirse que la forma más fácil de utilizar el análisis predictivo es como el software - ya sea como un producto independiente o como un servicio basado en la nube proporcionada por una empresa cuyo negocio es el suministro de soluciones de análisis predictivo para otras empresas.

Si el negocio de su empresa es ofrecer análisis predictivo, puede proporcionar esa capacidad de dos maneras principales:

• Como una aplicación de software independiente con una interfaz gráfica de usuario fácil de usar: El cliente compra el producto de análisis predictivo y la utiliza para construir modelos predictivos personalizados.

• Como un juego basado en la nube de herramientas de software que ayudan al usuario elegir un modelo predictivo de usar: El cliente aplica las herramientas necesarias para cumplir con los requisitos y especificaciones del proyecto que nos ocupa, y el tipo de datos que el modelo se aplicará a. Las herramientas pueden ofrecer predicciones de forma rápida, sin la participación del cliente en el funcionamiento de los algoritmos en el uso o la gestión de datos en cuestión.

Un ejemplo simple puede ser tan sencillo como estos tres pasos:

1. Subidos Un cliente de datos a sus servidores, o elige los datos que ya reside en la nube.

2. El cliente se aplica algo de la modelo predictivo a disposición de esos datos.

3. Las evaluaciones de clientes visualizar ideas y predicciones a partir de los resultados del análisis o servicio.

Cómo agregar datos distribuidos para el análisis

Una tendencia creciente es aplicar el análisis predictivo para datos recogidos de diversas fuentes. Implementación de una solución de análisis predictivo típica en un entorno distribuido requiere la recopilación de datos - a veces grande de datos - de diferentes fuentes- un enfoque que debe confiar en las capacidades de gestión de datos. Los datos deben recopilarse, pre-procesado, y gestionado antes de puede considerarse utilizable para generar predicciones procesables.

Los arquitectos de soluciones de análisis predictivo deben enfrentar siempre el problema de cómo recoger y procesar los datos de diferentes fuentes de datos. Consideremos, por ejemplo, una empresa que quiere predecir el éxito de una decisión empresarial que afecta a uno de sus productos mediante la evaluación de una de las siguientes opciones:

• Para poner recursos de la empresa en el aumento del volumen de ventas

• Para terminar la fabricación del producto

• Para cambiar la estrategia actual de ventas para el producto

El arquitecto análisis predictivo debe diseñar un modelo que ayuda a la empresa a tomar esta decisión, a partir de datos sobre el producto de los diferentes departamentos:

• Datos TECNICOS: El departamento de ingeniería tiene datos sobre las especificaciones del producto, su ciclo de vida, y los recursos y el tiempo necesario para producirlo.

• Los datos de ventas: El departamento de ventas tiene información sobre el volumen de ventas del producto, el número de ventas por región, y los beneficios generados por las ventas.

• Los datos del cliente a partir de encuestas, opiniones, y los puestos: La empresa puede tener ningún departamento dedicado que analiza cómo los clientes se sientan sobre el producto. Existen herramientas, sin embargo, que puede analizar automáticamente los datos publicados en línea y extraer las actitudes de los autores, altavoces o los clientes hacia un tema, un fenómeno, o (en este caso) de un producto.

  

Por ejemplo, si un usuario publica un comentario sobre X del producto que dice: " me gusta mucho del producto X y estoy contento con el precio, " la extractor de sentimiento etiquetas automáticamente este comentario tan positivo.

Estas herramientas se pueden clasificar las respuestas como " feliz, " " triste, " " enojado, " y así sucesivamente, basar la clasificación en las palabras que el autor utiliza en el texto publicado en línea. En el caso del producto X, la solución de análisis predictivo necesitaría agregar comentarios de los clientes de fuentes externas.

El ejemplo es una agregación de datos de múltiples fuentes, tanto internas como externas - de la ingeniería y las divisiones de ventas (internas), y de los clientes Reseñas obtenida de las redes sociales (externo) - que es también un ejemplo de la utilización de grandes volúmenes de datos en el análisis predictivo .

Fundamentos de análisis basados ​​en datos en tiempo real

La entrega de conocimientos a medida que ocurran nuevos eventos en tiempo real es una tarea difícil porque mucho está sucediendo tan rápido. Procesamiento de alta velocidad moderna ha cambiado la búsqueda de la visión empresarial fuera de almacenamiento de datos tradicional y hacia el procesamiento en tiempo real.

Pero el volumen de datos es también alta - una enorme cantidad de datos variados, desde múltiples fuentes, generados constante y a diferentes velocidades. Las empresas están ansiosos de soluciones de análisis predictivo escalables que pueden derivar conocimientos en tiempo real a partir de un flujo de datos que parece llevar " el mundo y todo lo que contiene ".

La demanda se está intensificando para el análisis de datos en tiempo real y generar predicciones rápidamente. Considere el ejemplo de la vida real de encontrar una ubicación de anuncios en línea que corresponde a una compra ya era a punto de hacer. Las empresas están interesadas en soluciones de análisis predictivo que pueden proporcionar estas capacidades como las siguientes:

• Predecir - en tiempo real - el anuncio específico que un visitante del sitio lo más probable clic (un enfoque llamado la colocación de anuncios en tiempo real).

• Especulan con precisión en el que los clientes están a punto de salir de un servicio o producto con el fin de apuntar a los clientes con una campaña de retención (la retención de clientes y el modelado de la rotación).

• Identificar los votantes que pueden ser influenciados a través de una estrategia de comunicación específica, como una visita al hogar, anuncio de televisión, llamada telefónica o correo electrónico. (Se puede imaginar el impacto en las campañas políticas.)

Además de fomentar la compra y la votación a lo largo de las líneas deseadas, análisis predictivo en tiempo real pueden servir como una herramienta fundamental para la detección automática de los ataques cibernéticos.