Mi az a prediktív elemzés?
Ezt a weboldalt az Ön kényelme érdekében gépileg lefordították. Az SAP semmilyen garanciát nem vállal a gépi fordítás helyességére és teljességére vonatkozóan. Az eredeti angol weboldalt az oldal jobb felső sarkában található világtérkép segítségével lehet megtalálni.
A prediktív elemzések segítségével a vállalkozások ésszerű pontossággal tekinthetik meg a jövőt, és a sarkok köré kerülhetnek. Ez a képesség mindig is fontos volt – de soha nem volt olyan kritikus, mint most. A vállalatoknak jelentős kereskedelmi és ellátási lánc zavarokat, hirtelen tüskéket (vagy orrcsigolyákat) kellett a kereslethez, a vadonatúj kockázatokhoz és kihívásokhoz, valamint az általános, bérletlen vizekhez navigálniuk. Ezért kerültek a prediktív analitikák a világ szervezeteinek prioritási listái élére.
Prediktív elemzések definíciója
A prediktív analitika a fejlett elemzések ága, amely előrejelzéseket készít a jövőbeli eseményekről, viselkedésekről és eredményekről. Statisztikai technikákat használ – beleértve a gépi tanulási algoritmusokat és a kifinomult prediktív modellezést – az aktuális és történeti adatok elemzésére, valamint annak felmérésére, hogy mi fog történni, még akkor is, ha ez nem található meg a vállalkozás radarján.
A prediktív elemzések a legtöbb iparág számára relevánsak, és számtalan felhasználási területük van, többek között:
- Csökkentő munkavállalói és ügyfélelvándorlás
- Azon vevők azonosítása, akik a fizetéseknél a legvalószínűbben nemteljesítenek
- Adatalapú értékesítési előrejelzés támogatása
- Optimális árképzés beállítása
- Nyomon követés, amikor a gépeknek karbantartásra vagy cserére lesz szükségük
Az operatív, pontos előrejelzések elengedhetetlenek ahhoz, hogy a döntéshozók olyan világba jussanak, ahol a gyors változás és a piaci volatilitás állandó. És bár ez igaz volt a Covid19 előtt, most minden eddiginél kritikusabb az a képesség, hogy pivotáljunk, előre jelezzünk és tervezzünk több lehetséges forgatókönyvet.
A prediktív elemzések szintén kulcsszerepet játszottak a COVID-19 elleni küzdelemben. A kórházak és az egészségügyi rendszerek prediktív modelleket használnak a kockázatok felmérésére, a betegségek eredményeinek előrejelzésére, valamint az orvostechnikai eszközök és egyéni védőeszközök ellátási láncainak kezelésére. A kutatók viszont modelleket használnak a vírus terjedésének feltérképezésére, az esetszámok előrejelzésére és a kontaktkövetés kezelésére, mindezt azzal a céllal, hogy csökkentsék a fertőzések számát és a haláleseteket.
A prediktív elemzések a fentiek szerint segíthetik a vállalkozásokat a cash flow előrejelzésében.
Prediktív vs. előíró analitika
A pontos, időszerű előrejelzéseket generáló prediktív modellek összeállítása és bevezetése után mi a következő lépés? Sok vállalat a következő logikai lépésként az előíró elemzéseket látja.
A prediktív elemzések segítenek meghatározni, mi lesz a következő esemény valószínűsége, míg a normatív elemzések megmondják, mi a teendő vele – vagy hogyan érhetne el jobb eredményt, ha X, Y vagy Z. Ez a fajta fejlett analitika prediktív elemzésekre épül, és sok, sok különböző tényezőt figyelembe vesz, hogy a lehető legjobb intézkedési vagy döntési irányt írja elő.
Az előíró elemzéseket gyakran „az üzleti elemzések utolsó fázisaként” írják le. A Gartner „Hype Cycle for Analytics and Business Intelligence 2020” elnevezésű programjának csúcsán jelenleg ez a legösszetettebb és viszonylag új.
Prediktív elemzések ma
Az Allied Market Research egyik tanulmánya szerint a globális prediktív analitikai piac 2027-re várhatóan eléri a 35,45 milliárd dollárt, ami 21,9%-os összetett éves növekedési ütemben (CAGR) nő. A prediktív analitika valóban a mai világban jött létre, ahol hatalmas mennyiségű adat keletkezik, a számítógépek exponenciálisan gyorsabb feldolgozási erővel rendelkeznek, a szoftverek pedig interaktívabbá és könnyebben használhatóvá váltak.
A vállalatok nemcsak hatalmas mennyiségű adatot gyűjtenek, hanem számos különböző típust gyűjtenek – a hagyományos strukturált adatoktól a nem strukturált adatokig, mint például a dolgok internete (IoT), szöveges, videó- és sötét adatok. A prediktív elemzések képessége a különböző forrásokból származó Big Data kombinálására és elemzésére pontosabb előrejelzéseket és felületelemzéseket eredményez, amelyek mélyebbek és hatékonyabbak. A felhő kulcsfontosságú ezen különböző adatforrások összekapcsolásához – továbbá a felhőalapú adattárházakban és tavakban történő adattárolás költséghatékonyabb és skálázhatóbb, mint a helyszíni adattárolás.
A mai prediktív analitika a mesterséges intelligencia (AI) technológiákkal, például gépi tanulással, mély tanulással és neurális hálózatokkal is „kibővül”. Ezek a kibővített analitikák gyorsan elemezhetnek nagy mennyiségű adatot, bepillantást nyerhetnek az emberek esetleges hiányára, és árnyaltabbá és pontosabbá tehetik a jövőbeli események valószínűségét. Automatizálják a prediktív elemzési folyamat olyan bonyolult lépéseit is, mint a prediktív modellek összeállítása és tesztelése. A természetes nyelvfeldolgozás (NLP), amely lehetővé teszi a felhasználók számára, hogy kérdéseket tegyenek fel, és beszélgető nyelven kapják meg a válaszokat, minden eddiginél egyszerűbbé teszi e válaszok értelmezését és megértését.
Történelmileg a prediktív analitika mögött meghúzódó eszközök és technikák annyira kifinomultak – és annyira bonyolultak –, hogy csak adattudósok és professzionális elemzők tudták hatékonyan használni azokat. A kibővített analitika révén azonban a minimális képzettséggel rendelkező üzleti felhasználók pontos előrejelzéseket tudnak generálni, és intelligens, előretekintő döntéseket tudnak hozni az informatika segítsége nélkül – ez egy olyan előny, amelyet nem lehet figyelmen kívül hagyni egy hevesen versenyképes piacon.
Példák prediktív elemzésekre
A prediktív elemzések szinte minden ágazatban alkalmazhatók és értékesek – a pénzügyi szolgáltatásoktól az űrkutatásig. A prediktív modellek készlet-előrejelzésre, erőforrások kezelésére, jegyárak meghatározására, berendezés-karbantartás kezelésére, hitelkockázati modellek fejlesztésére és még sok más célra szolgálnak. Segítik a vállalatokat a kockázatok csökkentésében, a működés optimalizálásában és az árbevétel növelésében.
Prediktív elemzések HR-ben
A HR olyan mező, amely természetes módon nagy mennyiségű személyadatot nyomon követ. Prediktív elemzések segítségével az adatok elemezhetők annak megállapítása érdekében, hogy egy potenciális munkavállaló valószínűsíthetően alkalmas-e a kulturális alkalmasságra, mely munkavállalókat fenyegeti a szervezet elhagyásának kockázata (lásd alább), hogy egy vállalatnak dolgozót kell képeznie vagy alkalmaznia kell a kvalifikációhiányok pótlásához, és hogy a munkavállalók produktívan hozzájárulnak-e az üzleti eredményekhez. Ezek a képességek azt jelentik, hogy a HR ahelyett, hogy elszigetelt funkcióként működne, hozzájárulhat az általános üzleti eredményekhez.
A HR-beli prediktív elemzések felhasználhatók az alkalmazotti elvándorlás előrejelzésére.
Prediktív elemzések az egészségügyben
Napjaink világában a kórházakra és az egészségügyi szervezetekre óriási nyomás nehezedik az erőforrások maximalizálása érdekében – és a prediktív elemzések ezt lehetővé teszik. A prediktív analitikák használatával az egészségügyi tisztviselők javíthatják a pénzügyi és operatív döntéshozatalt, optimalizálhatják a készlet- és személyzeti szinteket, hatékonyabban kezelhetik ellátási láncaikat, és előrejelezhetik az orvosi berendezések karbantartási igényeit. A prediktív elemzések a klinikai eredmények javítását is lehetővé teszik a betegek állapotromlásának korai jeleinek észlelésével, a visszafogadás szempontjából veszélyeztetett betegek azonosításával, valamint a páciens diagnózisa és kezelése pontosságának javításával.
Prediktív elemzések a kiskereskedelemben
A kiskereskedők hatalmas mennyiségű ügyfélinformációt gyűjtenek online, például nyomon követik az online tevékenységeket cookie-kon keresztül, és a valós világban is, például nyomon követik, hogyan navigálnak az ügyfelek az üzletben. A nyomon követett egyéb információk közé tartoznak az ügyfelek elérhetőségei az értékesítés helyén, a közösségi médiában végzett tevékenységük, a megvásárolt információk, valamint az, hogy milyen gyakran vásárolnak bizonyos tételeket, vagy milyen gyakran látogat el egy boltba. Prediktív analitikák használatával a kiskereskedők mindenre felhasználhatják ezeket az adatokat, a készletoptimalizálástól és az árbevétel-előrejelzéstől kezdve a viselkedéselemzésig, a vásárlók célzásáig és a csalásfelderítésig.
Prediktív elemzések a marketingben
A prediktív elemzések által generált modellek rendkívül értékesek a marketingfelelősök számára abban, hogy kampányaikat célzottabbá és hatékonyabbá tegyék egy olyan világban, ahol a vevők szinte bárhonnan megrendelhetik, amit akarnak. A prediktív marketing analitika ösztönzi az adatvezérelt vevő- és közönségszegmentálást, az új vevővásárlást, a leadpontozást, a tartalmat és hirdetési javaslatokat, valamint a hiperszemélyre szabást. A marketingfelelősök felhasználhatják a vevő adatait promóciók, hirdetési kampányok és javaslatok készítésére más olyan termékekre vonatkozóan, amelyeket a megfelelő időben szeretnek, javítva ezzel az ügyfélélményt és megtartást.
Prediktív elemzések a logisztikai láncban
A prediktív elemzések elengedhetetlenné váltak az agilis, rugalmas logisztikai lánc működtetéséhez és a fennakadások elkerüléséhez. Számos különböző forrásból származó hatalmas adathalmazokat elemez, így pontos kereslet- és kínálat-előrejelzéseket generálhat, meghatározhatja az optimális készletszinteket, javíthatja a logisztikát és az időben történő szállításokat, előrejelezheti a berendezések karbantartásával kapcsolatos problémákat, észlelheti és alkalmazkodhat a váratlan feltételekhez, és még sok más is.
Prediktív analitikát használó vállalatok
A Motor Oil Group piacvezető a nyersolaj finomításában, valamit az olajtermékek eladásában Görögországban és a Kelet-mediterrán régióban. A prediktív analitika segítségével arra használták a szenzorokból származó adatokat, hogy a berendezéseik állapotát folyamatosan figyeljék és megjósolják az esetleges üzemzavarokat, még mielőtt azok bekövetkeznének. Milyen eredménnyel? Az előzményadatok ok-okozati elemzésével 77%-kal nagyobb pontossággal meg tudták magyarázni az abnormális eseményeket már 20-120 órával azelőtt, hogy azok bekövetkeztek volna.
Az Ottogi Corporation az egyik legnagyobb étel- és italgyártó vállalat Koreában, és világszerte elismert márkája a curry pornak, az azonnali tésztának és sok más terméknek. A kereslet előrejelzése prediktív analitikákkal az üzleti élet alapvető része, amely tájékoztat az értékesítési, marketing, gyártási és pénzügyi részlegek stratégiai döntéseiről, lehetővé téve a piaci részesedés és az üzlet mélyreható elemzését.
A prediktív analitikai folyamat alapvető lépései
A prediktív elemzési folyamat magában foglalja egy cél vagy cél meghatározását, nagy mennyiségű adat összegyűjtését és tisztítását, majd a kifinomult prediktív algoritmusokat és technikákat használó prediktív modellek építését. Ez a hagyományosan összetett folyamat az új mesterséges intelligencia technológiáknak köszönhetően egyre automatizáltabbá és hozzáférhetőbbé válik az átlagos üzleti felhasználó számára, de a vállalatoknak még mindig szükségük lehet informatikára, hogy segítsenek bizonyos lépésekben, vagy hogy bizonyos modelleket építsenek.
Nagyon egyszerű megfogalmazásban a prediktív elemzési folyamat lépései a következők:
A prediktív elemzési folyamat lépései.
- Határozza meg a projekt céljait. Mi a kívánt eredmény? Milyen problémát próbálsz megoldani? Az első lépés a projekt célkitűzéseinek, teljesítéseinek, terjedelmének és adatainak meghatározása.
- Gyűjtse össze az adatait. Egy helyen gyűjtse össze az összes szükséges adatot. Az aktuális és a történeti adatok különböző típusainak befoglalása különböző forrásokból – a tranzakciós rendszerektől és az érzékelőktől kezdve a call center naplókig – a részletesebb eredmények érdekében.
- Az adatok törlése és előkészítése. Az adatok tisztítása, előkészítése és integrálása az elemzésre való felkészülés érdekében. Távolítsa el a kiugró értékeket és azonosítsa a hiányzó információkat a prediktív adathalmaz minőségének javítása érdekében.
- A modell összeállítása és tesztelése. Állítsa össze a prediktív modellt, tanítsa az adathalmazra, és tesztelje a pontosság biztosítása érdekében. Hibátlan modell generálásához több iterációba is telhet.
- A modell üzembe helyezése. Helyezze üzembe a prediktív modellt, és helyezze új adatokkal való munkára. Eredmények és beszámolók beszerzése – és a döntéshozatal automatizálása a kimenet alapján.
- Figyelje és finomítsa a modellt. Rendszeresen figyelje a modellt, hogy ellenőrizze a teljesítményét, és biztosítsa, hogy az biztosítsa a várt eredményeket. Szükség szerint finomítsa és optimalizálja a modellt.
Eredmények előrejelzése gomb
megnyomásával
Fedezze fel az SAP Analytics Cloudot – kibővített és prediktív analitika a felhőben.
SAP Insights hírlevél
Feliratkozás ma
Kulcsfontosságú betekintést nyerhet hírlevelünkre való feliratkozással.