Co je to prediktivní analýza?
Prediktivní analýza je odvětví pokročilých analytických nástrojů, které vytvářejí prognózy o budoucích událostech, chování a výsledcích.
Přehled prediktivní analýzy
Prediktivní analýza pomáhá podnikům dívat se do budoucnosti a porovnávat rohy s přiměřenou mírou přesnosti. Tato schopnost byla vždy důležitá, ale nikdy nebyla tak kritická jako nyní. Společnosti se musely orientovat v závažných narušeních obchodního a dodavatelského řetězce, náhlých náhlých nárůstech poptávky (nebo nosediv), zbrusu nových rizicích a výzvách a celkově nepronajatých vodách. Prediktivní analytika se proto dostala na seznam priorit pro organizace po celém světě.
Definice prediktivní analýzy
Prediktivní analýza je odvětví pokročilých analytických nástrojů, které vytvářejí prognózy o budoucích událostech, chování a výsledcích. Používá 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 nesčetné využití, včetně:
Snížení odlivu zaměstnanců a zákazníků
Identifikace zákazníků, u nichž je největší pravděpodobnost, že budou platit jako standardní
Podpora prognózy prodeje na základě dat
Nastavení optimálního stanovení ceny
Sledování, kdy stroje budou potřebovat údržbu nebo výměnu
Užitečné a přesné předpovědi mají zásadní význam pro to, aby se tvůrci rozhodnutí mohli orientovat ve světě, kde jsou rychlé změny a volatilita trhu konstantami. A i když to bylo pravda před COVID-19, schopnost pivotovat a předpovídat a plánovat několik možných scénářů je nyní kritičtější než kdy jindy.
Prediktivní analýza hrála rovněž klíčovou roli v boji proti COVID-19. Nemocnice a zdravotnické systémy používají prediktivní modely k měření rizika, predikci výsledků onemocnění a řízení dodavatelských řetězců pro zdravotnická zařízení a OOP. Výzkumníci zase pomocí modelů mapují šíření viru, předpovídají počty případů a spravují sledování kontaktů, to vše s cílem snížit počty infekcí a úmrtí.
Prediktivní analýza, jak je uvedeno výše, může pomoci podnikům předvídat peněžní tok.
Prediktivní vs. normativní analýza
Po vytvoření a nasazení prediktivních modelů, které generují přesné a včasné prognózy – co bude dál? Mnoho podniků považuje normativní analytiku za další logický krok.
Prediktivní analýza vám pomůže určit, co bude pravděpodobně následovat, zatímco normativní analýza vám může říct, co s tím udělat – nebo jak byste mohli dosáhnout lepšího výsledku, pokud jste udělali X, Y nebo Z. Tento typ pokročilých analýz vychází z prediktivní analýzy a bere v úvahu mnoho různých faktorů, aby předepisoval nejlepší možný postup nebo rozhodnutí.
Preskriptivní analýza je často popisována jako „poslední fáze podnikových analýz“. Je to také to nejsložitější a relativně nové – v současné době sedí na vrcholu cyklu Hype for Analytics a Business Intelligence 2020 společnosti Gartner.
Prediktivní analýza dnes
Podle studie společnosti Allied Market Research se předpokládá, že globální trh prediktivní analytiky dosáhne do roku 2027 35,45 miliardy dolarů, přičemž roste složenou roční mírou růstu (CAGR) 21,9 %. Prediktivní analytika skutečně přišla na své v dnešním světě, kde se generuje obrovské množství dat, počítače mají exponenciálně rychlejší zpracovatelský výkon a software se stal interaktivnějším a snadněji 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. Schopnost prediktivní analýzy kombinovat a analyzovat velká data z různých zdrojů vytváří přesnější prognózy a analýzy povrchů, které jsou hlubší a výkonnější. Cloud je klíčem k propojení všech těchto různých zdrojů dat – ukládání dat do cloudových datových skladů a jezer je navíc 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 analytické nástroje mohou rychle analyzovat velké objemy dat, odhalit poznatky, které by lidé mohli postrádat, a zvýšit přesnost predikce pravděpodobnosti budoucích událostí. Automatizují také složité kroky v procesu prediktivní analýzy, jako je vytváření a testování prediktivních modelů. A zpracování přirozeného jazyka (NLP), typ umělé inteligence, který umožňuje uživatelům pokládat otázky a získávat odpovědi v konverzačním jazyce, usnadňuje interpretaci a porozumění těmto odpovědím než kdy jindy.
V minulosti byly nástroje a techniky prediktivní analýzy tak sofistikované – a tak komplikované –, že je dokázali efektivně využívat pouze datoví vědci a profesionální analytici. Díky rozšířeným analytickým nástrojům mohou nyní podnikoví uživatelé s minimálním školením generovat přesné předpovědi a přijímat chytrá a výhledová rozhodnutí bez pomoci IT – což je výhoda, kterou nelze na silně konkurenčním trhu ignorovat.
Příklady prediktivní analýzy
Prediktivní analýza je použitelná a cenná pro téměř každé odvětví – od finančních služeb až po letectví a kosmonautiku. Prediktivní modely se používají pro prognózu zásob, správu zdrojů, nastavení cen jízdenek/letenek, správu údržby vybavení, vývoj modelů úvěrového rizika a mnoho dalšího. Pomáhají firmám snižovat rizika, optimalizovat provoz a zvyšovat tržby.
Prediktivní analýza v personalistice
HR je pole, které přirozeně sleduje velké množství údajů o lidech. Pomocí prediktivní analýzy lze tato data analyzovat, aby se zjistilo, zda je potenciální zaměstnanec pravděpodobně kulturně způsobilý, u kterých zaměstnanců hrozí, že odejdou z organizace (viz níže), zda společnost potřebuje zvýšit kvalifikaci zaměstnance nebo najmout zaměstnance, aby zaplnili nedostatky v dovednostech, a zda zaměstnanci produktivně přispívají k obchodním výsledkům. Tyto schopnosti znamenají, že personalisté mohou spíše přispívat k celkovým obchodním výsledkům než působit jako izolovaná funkce.
Prediktivní analýzu v personalistice 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 analýza to umožňuje. Pomocí prediktivní analýzy mohou úředníci ve zdravotnictví zlepšit finanční a provozní rozhodování, optimalizovat zásoby a personální obsazení, efektivněji řídit své dodavatelské řetězce a předvídat potřeby údržby lékařského vybavení. Prediktivní analýza také umožňuje zlepšit klinické výsledky detekcí časných příznaků zhoršení stavu pacienta, identifikací pacientů ohrožených zpětným přebíráním a zlepšením přesnosti diagnostiky a léčby pacienta.
Prediktivní analýza v maloobchodě
Prodejci shromažďují obrovské množství informací o zákaznících, a to jak online, jako je sledování online aktivit prostřednictvím souborů cookie, tak v reálném světě, například sledování toho, jak se zákazníci pohybují v obchodě. Další sledované informace zahrnují kontaktní údaje zákazníků v místě prodeje, jejich aktivitu na sociálních sítích, to, co si zakoupili, a jak často nakupují konkrétní položky nebo navštěvují obchod. Pomocí prediktivní analýzy mohou maloobchodníci využívat tato data pro vše, od optimalizace zásob a prognózy výnosů až po analýzu chování, cílení nakupujících a odhalování podvodů.
Prediktivní analýza v marketingu
Modely generované prediktivními analýzami jsou pro marketéry nesmírně cenné, protože jejich kampaně jsou cílenější a efektivnější ve světě, kde si zákazníci mohou objednat to, co chtějí, když chtějí, téměř odkudkoli online. Prediktivní marketingové analýzy řídí segmentaci zákazníků a cílových skupin založenou na datech, získávání nových zákazníků, hodnocení tipů, obsah a doporučení reklam a hyperpersonalizaci. Marketéři mohou data zákazníků použít k tomu, aby jim poskytovali propagační akce, reklamní kampaně a návrhy pro další produkty, které se jim mohou ve správný čas líbit, a zlepšit tak zákaznickou zkušenost a uchování.
Prediktivní analýza v dodavatelském řetězci
Prediktivní analýza se stala nezbytnou pro vedení agilního a odolného dodavatelského řetězce a pro zabránění narušení provozu. Analyzuje masivní datové sady z mnoha různých zdrojů za účelem vytvoření přesných prognóz nabídky a poptávky, stanovení optimální úrovně zásob, zlepšení logistiky a včasných dodávek, předvídání problémů s údržbou zařízení, detekce a adaptace na neočekávané podmínky – a mnoho dalšího.
Společnosti využívající prediktivní analytiku
Motor Oil Group je lídrem v oblasti rafinace ropy a prodeje ropných produktů v celém Řecku a regionu východního Středomoří. S podporou funkcí prediktivní analýzy využívali data snímačů k nepřetržitému monitorování stavu vybavení a předvídání potenciálních poruch dní před jejich vznikem. Výsledky? Dosáhli více než 77% přesnosti při vysvětlování abnormálních příhod od 120 do 20 hodin předem pomocí analýzy hlavních příčin historických dat.
Ottogi Corporation je jednou z největších potravinářských a nápojových společností v Koreji a celosvětově proslulou značkou kari prášku, instantních nudlí a mnoha dalších produktů. Prognózování poptávky prediktivní analytikou je nezbytnou součástí podnikání a poskytuje informace o strategických rozhodnutích pro odbyt, marketing, výrobu a finanční oddělení, což umožňuje získat hluboký přehled o podílu na trhu a podnikání.
Základní kroky v procesu prediktivní analýzy
Proces prediktivní analýzy zahrnuje definování cíle nebo cíle, sběr a čištění obrovského množství dat a pak vytváření prediktivních modelů pomocí sofistikovaných prediktivních algoritmů a technik. Tento tradičně složitý proces se stává automatizovanějším a dostupnějším pro průměrného podnikového uživatele díky novým technologiím umělé inteligence, ale společnosti mohou stále potřebovat IT, aby v určitých krocích pomáhaly nebo budovaly určité modely.
Velmi jednoduše řečeno, kroky v procesu prediktivní analýzy jsou následující:
Kroky v procesu prediktivní analýzy.
- Definujte cíle svého projektu. Jaký je požadovaný výsledek? Jaký problém se snažíte vyřešit? Prvním krokem je definovat cíle, předměty dodání, rozsah a požadovaná data vašeho projektu.
- Sbírejte vaše data. Shromážděte všechna potřebná data na jednom místě. Zahrnuje různé typy aktuálních a historických dat z různých zdrojů – od transakčních systémů a senzorů až po protokoly call centra – pro hlubší výsledky.
- Vyčistěte a připravte svá data. Vyčistěte, připravte a integrujte svá data, abyste je připravili na analýzu. Odstraňte odlehlé hodnoty a identifikaci chybějících informací, abyste zlepšili kvalitu vaší prediktivní množiny dat.
- Sestavte a otestujte váš model. Sestavte váš prediktivní model, trénujte ho na množině dat a otestujte ho, abyste zajistili jeho přesnost. Generování bezchybného modelu může trvat několik iterací.
- Nasaďte váš model. Nasaďte váš prediktivní model a vložte ho, aby fungoval na nových datech. Získat výsledky a výkazy – a automatizovat rozhodování na základě výstupu.
- Monitorujte a upřesněte váš model. Pravidelně sledujte váš model, abyste zkontrolovali jeho výkon 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.
Nápady, které jinde nenajdete
Zaregistrujte se pro dávku business intelligence doručenou přímo do vaší schránky.