Co jsou prediktivní analytické nástroje?
Tato webová stránka byla pro vás přeložena strojovým překladem. Společnost SAP neposkytuje žádné záruky správnosti nebo úplnosti strojového překladu. Původní anglickou webovou stránku najdete pomocí mapy světa v pravém horním rohu této stránky.
Prediktivní analytika pomáhá podnikům dívat se do budoucnosti a propojit se s ostatními s rozumnou mírou přesnosti. Tato schopnost byla vždy důležitá – ale nikdy nebyla tak kritická jako nyní. Podniky se musely orientovat ve velkých narušeních obchodu a dodavatelského řetězce, náhlých náhlých náhlých výkyvů poptávky, nových rizik a výzev značky a celkově neregistrovaných vod. Proto se prediktivní analýza dostala do popředí seznamu priorit pro organizace po celém světě.
Definice prediktivní analýzy
Prediktivní analýza je odvětví pokročilé analýzy, která vytváří prognózy budoucích událostí, chování a výsledků. Využívá statistické techniky – včetně algoritmů strojového učení a sofistikovaného prediktivního modelování – k analýze aktuálních a historických dat a k posouzení pravděpodobnosti, že se něco uskuteční, i když něco není na obchodním radaru.
Prediktivní analýza je relevantní pro většinu odvětví a má nespočet použití, včetně:
- Snížení odlivu zaměstnanců a zákazníků
- Identifikace zákazníků, u nichž je největší pravděpodobnost selhání při platbách
- Podpora prognóz prodeje na základě dat
- Nastavení optimálního stanovení ceny
- Sledování, kdy budou stroje potřebovat údržbu nebo výměnu
Zásadní význam pro pomoc tvůrcům politik při orientaci ve světě, kde je rychlá změna a volatilita trhu konstantní, jsou akční a přesné předpovědi. A i když tomu tak bylo před pandemií COVID-19, schopnost uvést do pohybu a předpovídat a plánovat více možných scénářů je nyní kritičtější než kdykoli předtím.
Prediktivní analytické nástroje hrály také klíčovou roli v boji proti COVID-19. Nemocnice a zdravotní systémy používají prediktivní modely k měření rizika, předvídání výsledků onemocnění a řízení dodavatelských řetězců pro zdravotnické vybavení a OOP. Výzkumníci zase pomocí modelů mapují šíření viru, předpovídají počty případů a řídí sledování kontaktů, to vše s cílem snížit počet infekcí a úmrtí.
Prediktivní analýza, jak je uvedeno výše, může podnikům pomoci předvídat peněžní tok.
Prediktivní vs. normativní analýza
Po vytvoření a nasazení prediktivních modelů, které generují přesné a včasné prognózy – co dál? Mnoho podniků vidí jako další logický krok normativní analytiku.
Prediktivní analýza vám pomůže určit, co se pravděpodobně stane dál, zatímco normativní analýzy vám mohou říct, co s tím dělat – nebo jak byste mohli dosáhnout lepšího výsledku, když jste udělali X, Y nebo Z. Tento typ pokročilých analytických nástrojů vychází z prediktivní analýzy a při předepisování nejlepšího možného postupu nebo rozhodnutí bere v úvahu mnoho různých faktorů.
Preskriptivní analýzy jsou často popisovány jako „poslední fáze podnikových analytických nástrojů“. Je to také nejsložitější a relativně nové – v současnosti sedí na vrcholu cyklu Hype for Analytics and Business Intelligence 2020 společnosti Gartner.
Prediktivní analýza dnes
Podle studie z průzkumu trhu Allies Market Research se předpokládá, že celosvětový trh prediktivní analýzy dosáhne do roku 2027 35,45 miliardy dolarů, což by mělo vzrůst složeným ročním tempem růstu (CAGR) o 21,9 %. Prediktivní analytika se skutečně dostala do svého dnešního světa, kde se generují masivní množství dat, počítače mají exponenciálně rychlejší výkon při zpracování a software se stal interaktivnějším a snáze použitelným.
Společnosti nejen shromažďují obrovské objemy dat, ale shromažďují mnoho různých typů – od tradičních strukturovaných dat až po nestrukturovaná data, jako je Internet věcí (IoT), text, video a temná data. Díky schopnosti prediktivní analýzy kombinovat a analyzovat velká data z různých zdrojů vzniká přesnější prognóza a přehledy ploch, které jsou hlubší a výkonnější. Cloud je klíčem k propojení všech těchto různých zdrojů dat – ukládání dat do cloudových datových skladů a jezer je nákladově efektivnější a škálovatelnější než ukládání v místě.
Dnešní prediktivní analýza je také „rozšířena“ o technologie umělé inteligence (AI), jako je strojové učení, hluboké učení a neuronové sítě. Tyto rozšířené analýzy mohou rychle analyzovat velké objemy dat, odhalit poznatky, které by lidé mohli postrádat, a udělat předpověď pravděpodobnosti budoucích událostí přesnější a přesnější. Automatizují také komplikované kroky v procesu prediktivní analýzy, jako je vytváření a testování prediktivních modelů. A zpracování přirozeného jazyka (NLP), což je typ AI, který umožňuje uživatelům klást otázky a získávat odpovědi v konverzačním jazyce, usnadňuje interpretaci a porozumění těmto odpovědím než kdykoli předtím.
Z historického hlediska byly nástroje a techniky, které stojí za prediktivní analýzou, natolik sofistikované a natolik komplikované, že je dokázali efektivně využívat pouze datoví vědci a profesionální analytici. S rozšířenými analytickými nástroji jsou však podnikoví uživatelé s minimálním trénováním schopni vytvářet přesné prognózy a činit chytrá a progresivní rozhodnutí bez pomoci IT – což je výhoda, kterou nelze na silně konkurenčním trhu ignorovat.
Příklady prediktivní analýzy
Prediktivní analytické nástroje jsou použitelné a cenné téměř pro každé odvětví – od finančních služeb až po letecký a kosmický průmysl. Prediktivní modely se používají pro prognózu zásob, správu zdrojů, nastavení cen tiketů, správu údržby vybavení, vývoj modelů úvěrového rizika a mnoho dalšího. Pomáhají firmám snižovat rizika, optimalizovat provoz a zvyšovat výnosy.
Prediktivní analýza v HR
Personalistika je obor, který přirozeně sleduje velké množství dat lidí. Pomocí prediktivní analýzy lze tato data analyzovat, aby se zjistilo, zda je potenciální zaměstnanec pravděpodobně kulturním vhodným pracovníkem, kterému hrozí, že zaměstnanci opustí organizaci (viz níže), zda společnost potřebuje zvýšit kvalifikaci zaměstnance nebo zaměstnance, aby zaplnila nedostatky v dovednostech, a zda zaměstnanci produktivně přispívají k obchodním výsledkům. Tyto schopnosti znamenají, že personalistika může přispívat k celkovým obchodním výsledkům, a nikoli fungovat jako izolovaná funkce.
Prediktivní analýzu v HR lze použít k predikci odlivu zaměstnanců.
Prediktivní analýza ve zdravotnictví
V dnešním světě jsou nemocnice a zdravotnické organizace pod obrovským tlakem, aby maximalizovaly zdroje – a prediktivní analýzy to umožňují. Pomocí prediktivních analytických nástrojů mohou zdravotničtí pracovníci zlepšit finanční a provozní rozhodování, optimalizovat zásoby a úroveň personálního obsazení, efektivněji řídit své dodavatelské řetězce a předvídat potřeby údržby lékařského vybavení. Prediktivní analytické nástroje rovněž umožňují zlepšit klinické výsledky tím, že zjišťují časné známky zhoršení stavu pacienta, identifikují pacienty ohrožené zpětným přebíráním a zlepšují přesnost diagnózy a léčby pacientů.
Prediktivní analýza v maloobchodu
Maloobchodníci shromažďují obrovské množství informací o zákaznících jak online, jako je sledování online činnosti prostřednictvím souborů cookie, tak v reálném světě, jako je monitorování, jak zákazníci procházejí svou cestou prostřednictvím obchodu. Další sledované informace zahrnují kontaktní údaje zákazníků v místě prodeje, jejich činnost na sociálních sítích, to, co si zakoupili a jak často nakupují konkrétní artikly nebo navštěvují pobočku. Pomocí prediktivní analýzy mohou obchodníci využít tato data pro vše, od optimalizace zásob a prognóz výnosů až po analýzy chování, cílení nakupujícího a odhalování podvodů.
Prediktivní analýza v marketingu
Modely generované prediktivní analýzou jsou pro marketéry nesmírně cenné tím, že jejich kampaně jsou cílenější a efektivnější ve světě, kde si zákazníci mohou objednat to, co chtějí, když chtějí, téměř odkudkoli online. Prediktivní marketingová analýza podporuje segmentaci zákazníků a publika založenou na datech, získávání nových zákazníků, stanovení skóre tipů, obsah a doporučení reklamy a hyperpersonalizaci. Marketéři mohou využít zákazníkova data jako zdroj propagačních akcí, reklamních kampaní a návrhů pro další produkty, které se jim mohou právě ve správný čas líbit, a zlepšit tak zákaznickou zkušenost a udržet si je.
Prediktivní analýza v dodavatelském řetězci
Prediktivní analytické nástroje se staly nezbytnými pro fungování agilního, odolného dodavatelského řetězce a zabránění narušení. Analyzuje masivní datové sady z mnoha různých zdrojů pro generování přesných prognóz dodávek a potřeb, určování optimálních úrovní zásob, zlepšování logistiky a včasných dodávek, předvídání problémů s údržbou vybavení, zjišťování a přizpůsobování se neočekávaným podmínkám – a mnoho dalšího.
Společnosti používající prediktivní analýzy
Daewoong Pharmaceutical Co., Ltd. zasadit se o zlepšení života lidí po celém světě. Biofarmaceutická společnost, která vyvíjí nové farmaceutické výrobky s využitím inovativních systémů pro dodávky drog a přesouvání léků, prosperuje díky novému digitálnímu jádru a prediktivním analytickým nástrojům. Inteligentní a prediktivní podnikové operace jsou klíčem ke globální expanzi a růstu této společnosti.
Ottogi Corporation je jedna z největších potravinářských a nápojových společností v Koreji a celosvětově uznávaná značka curry prášku, instantních nudlí a mnoha dalších výrobků. Prognóza poptávky pomocí prediktivních analytických nástrojů je základní součástí podnikání a informuje o strategických rozhodnutích pro prodejní, marketingové, výrobní a finanční oddělení a umožňuje získat podrobný přehled o podílu na trhu a podniku.
Základní kroky v procesu prediktivní analýzy
Proces prediktivní analýzy zahrnuje definování cíle, shromažďování a čištění obrovských množství dat a pak vytváření prediktivních modelů pomocí sofistikovaných prediktivních algoritmů a technik. Tento tradičně složitý proces je díky novým technologiím umělé inteligence stále více automatizován a přístupnější průměrnému podnikovému uživateli, společnosti však stále mohou potřebovat IT, aby mohly pomoci v určitých krocích nebo vytvořit určité modely.
Zjednodušeně řečeno, kroky v procesu prediktivní analýzy jsou následující:
Kroky v procesu prediktivní analýzy.
- Definujte cíle vašeho projektu. Jaký je požadovaný výsledek? Jaký problém se snažíte vyřešit? Prvním krokem je definování cílů, předmětů dodání, rozsahu a požadovaných dat projektu.
- Shromážděte svá data. Shromážděte všechna data, která potřebujete, na jednom místě. Pro podrobnější výsledky zahrňte různé typy aktuálních a historických dat z různých zdrojů – od transakčních systémů a snímačů až po protokoly kontaktních středisek.
- Vyčistěte a připravte svá data. Vyčistěte, připravte a integrujte svá data, abyste je připravili k analýze. Odeberte odlehlé hodnoty a identifikujte chybějící informace, abyste zlepšili kvalitu vaší prediktivní množiny dat.
- Vytvořte a otestujte váš model. Vytvořte prediktivní model, trénujte ho podle vaší množiny dat a otestujte jej, abyste zajistili její přesnost. Generování bezchybného modelu může trvat více iterací.
- Nasaďte váš model. Nasaďte prediktivní model a zpracujte ho na nových datech. Získejte výsledky a výkazy – a automatizujte rozhodování na základě výstupu.
- Monitorování a upřesnění vašeho modelu. Pravidelně monitorujte svůj model, abyste zkontrolovali jeho výkonnost a zajistili, že poskytuje očekávané výsledky. Upřesněte a optimalizujte model podle potřeby.
Predikce výsledků stisknutím tlačítka
Prozkoumejte SAP Analytics Cloud – rozšířené a prediktivní analýzy v cloudu.
Newsletter SAP Insights
Přihlásit se k odběru dnes
Získejte důležité informace přihlášením k odběru našeho newsletteru.