Przejdź do zawartości
Osoba wyglądająca przez okno

Co to jest analityka predykcyjna?    

Analityka predykcyjna pomaga firmom patrzeć w przyszłość i z dużą dokładnością przewidywać nadchodzące zagrożenia. Ta możliwość zawsze była istotna, ale nigdy nie miała tak krytycznego znaczenia jak obecnie. W ostatnich czasach przedsiębiorstwa zmagały się z poważnymi zakłóceniami w handlu i w łańcuchach dostaw, nagłymi wzrostami (lub spadkami) popytu, nowymi wyzwaniami i zagrożeniami — i, ogólnie, z koniecznością poruszania się po nieznanych wodach. Właśnie dlatego analityka predykcyjna znalazła się na szczycie listy priorytetów organizacji z całego świata.

Definicja analityki predykcyjnej

Analityka predykcyjna należy do zaawansowanych rozwiązań analitycznych i umożliwia przewidywanie przyszłych zdarzeń, zachowań i rezultatów. Wykorzystuje techniki statystyczne — w tym algorytmy uczenia maszynowego i zaawansowane modelowanie predykcyjne — do analizy aktualnych i historycznych danych w celu oceny prawdopodobieństwa wystąpienia danego zdarzenia (nawet jeśli firma zupełnie się go nie spodziewa). 

Analityka predykcyjna sprawdzi się w większości branż, ponieważ ma liczne zastosowania, w tym:

  • Zmniejszanie wskaźnika utraty pracowników i klientów
  • Identyfikowanie klientów, którzy najprawdopodobniej nie uregulują płatności
  • Wspieranie prognozowania sprzedaży w oparciu o dane
  • Ustalanie optymalnych cen
  • Monitorowanie statusu maszyn w celu określenia, kiedy wymagają konserwacji lub wymiany

W świecie, w którym nieustannie obserwujemy gwałtowne zmiany i wahania na rynku, precyzyjne, dające podstawę do działania prognozy są niezbędne do podejmowania decyzji. Mimo iż było tak jeszcze przed pandemią COVID-19, to dziś — w jej trakcie — elastyczność oraz zdolność do przewidywania wielu prawdopodobnych scenariuszy i planowania analogicznych działań jest ważniejsza niż kiedykolwiek wcześniej.

Analityka predykcyjna wykorzystywana jest także w walce z pandemią. Szpitale i systemy opieki zdrowotnej używają modeli predykcyjnych do oceny ryzyka i przewidywania skutków choroby, a także do zarządzania łańcuchami dostaw sprzętu medycznego i środków ochrony osobistej. Naukowcy z kolei wykorzystują te modele do sporządzania map rozprzestrzeniania się wirusa, przewidywania liczby zakażeń i zarządzania monitorowaniem kontaktów — wszystko to w celu ograniczenia liczby zachorowań i zgonów.

Analityka predykcyjna dziś

Według badania Allied Market Research globalny rynek analityki predykcyjnej do 2027 roku ma osiągnąć wartość 35,45 mld USD przy skumulowanym rocznym wskaźniku wzrostu (CAGR) na poziomie 21,9%. Analityka predykcyjna ma duże znaczenie w dzisiejszym świecie, w którym generuje się ogromne ilości danych, komputery mają możliwość znacznie szybszego ich przetwarzania, a oprogramowanie stało się bardziej interaktywne i łatwiejsze w obsłudze.

 

Firmy gromadzą nie tylko ogromne ilości danych, ale także wiele różnych ich rodzajów — od tradycyjnych uporządkowanych danych po dane nieustrukturyzowane, takie jak Internet rzeczy (IoT), dane tekstowe, wideo i tzw. dark data. Umożliwiając łączenie i analizę zbiorów Big Data z różnych źródeł, analityka predykcyjna zapewnia bardziej precyzyjne prognozy i bardziej precyzyjny, lepszy wgląd w dane. Chmura ma kluczowe znaczenie dla połączenia wszystkich tych źródeł danych. Ponadto przechowywanie danych w hurtowniach i repozytoriach opartych na chmurze jest rozwiązaniem bardziej opłacalnym i skalowalnym aniżeli przechowywanie ich lokalnie.

 

Analitykę predykcyjną „rozszerzają” obecnie technologie oparte na sztucznej inteligencji (AI), takie jak uczenie maszynowe, uczenie głębokie i sieci neuronowe. Tego rodzaju analizy rozszerzone dostarczają spostrzeżeń, które mogłyby umknąć ludzkiemu oku. Jednocześnie umożliwiają sprawne przetwarzanie ogromnych ilości danych oraz bardziej precyzyjne i szczegółowe przewidywanie prawdopodobieństwa wystąpienia poszczególnych zdarzeń w przyszłości. Oprócz tego automatyzują one złożone etapy procesów analityki predykcyjnej, w tym m.in. tworzenie i testowanie modeli predykcyjnych. Funkcja przetwarzania języka naturalnego (NLP) — czyli typ sztucznej inteligencji, który umożliwia użytkownikom zadawanie pytań i uzyskiwanie odpowiedzi w języku konwersacyjnym — sprawia ponadto, że interpretowanie i zrozumienie tych odpowiedzi jest łatwiejsze niż kiedykolwiek wcześniej.

Dawniej narzędzia i techniki analizy predykcyjnej były tak zaawansowane i skomplikowane, że tylko badacze danych i profesjonalni analitycy byli w stanie skutecznie z nich korzystać. Teraz jednak, za sprawą analiz rozszerzonych, nawet użytkownicy biznesowi z minimalnym przygotowaniem mogą generować precyzyjne prognozy i podejmować inteligentne, dalekosiężne decyzje bez pomocy działu IT. Warto wziąć to pod uwagę przy tak silnej konkurencji na rynku.

Przykłady zastosowania analityki predykcyjnej

Analityka predykcyjna ma zastosowanie i znaczenie w niemal każdej branży, poczynając od usług finansowych, a kończąc na lotnictwie. Modele predykcyjne służą m.in. do prognozowania stanu zapasów, zarządzania zasobami, ustalania cen biletów, zarządzania serwisowaniem urządzeń czy przewidywania ryzyka kredytowego. Pomagają one firmom ograniczać ryzyko, optymalizować działania i zwiększać przychody.

 

 

 

Analityka predykcyjna w zarządzaniu kadrami

 

 

Zarządzanie kadrami to obszar, w którym z natury przetwarzane są ogromne ilości danych dotyczących pracowników. Funkcje analityki predykcyjnej umożliwiają dokonanie analizy tych danych i określenie, czy potencjalny pracownik będzie pasował do kultury pracy firmy, w przypadku których pracowników istnieje ryzyko odejścia (ukazane poniżej), czy w celu uzupełnienia braków w kwalifikacjach firma powinna doszkolić pracownika lub zatrudnić nowe osoby, a także czy pracownicy w produktywny sposób przyczyniają się do osiągania wyników biznesowych. Dzięki temu dział kadr — zamiast funkcjonować jako odrębna jednostka — może wnosić wkład w całościowe wyniki biznesowe.

 

Analityka predykcyjna w sektorze opieki zdrowotnej

 

Szpitale i organizacje opieki zdrowotnej znajdują się dziś pod ogromną presją, która zmusza je do maksymalnego wykorzystania zasobów — a dzięki analityce predykcyjnej jest to możliwe. Przy pomocy analiz predykcyjnych pracownicy służby zdrowia są w stanie podejmować trafniejsze decyzje finansowe i operacyjne, optymalizować stan zapasów i liczebność personelu, skuteczniej zarządzać łańcuchami dostaw oraz przewidywać potrzeby w zakresie konserwacji sprzętu medycznego. Analizy predykcyjne mogą również wpłynąć pozytywnie na wyniki kliniczne, umożliwiając wykrywanie wczesnych objawów świadczących o pogarszającym się stanie zdrowia pacjenta i identyfikację pacjentów objętych ryzykiem powrotu do placówek medycznych oraz gwarantując większą precyzję w zakresie diagnostyki i leczenia. 

 

Analityka predykcyjna w sektorze handlowym

 

Sprzedawcy detaliczni gromadzą ogromne ilości informacji o klientach zarówno online (np. śledząc aktywność klienta za pomocą plików cookie), jak i w świecie rzeczywistym (np. monitorując sposób poruszania się klienta po sklepie). Inne gromadzone informacje to np. dane kontaktowe klientów pozyskiwane w punkcie sprzedaży, szczegóły aktywności w mediach społecznościowych, czy też dane dotyczące zakupionych produktów i częstotliwości zakupu poszczególnych artykułów lub odwiedzania sklepu. Analizy predykcyjne umożliwiają sprzedawcom detalicznym wykorzystanie tych danych we wszystkich aspektach działalności, poczynając od optymalizacji zapasów i prognozowania przychodu, a kończąc na analizie zachowań klientów, określaniu odbiorców docelowych i wykrywaniu nadużyć.

 

Analityka predykcyjna w marketingu

 

Modele generowane w ramach analityki predykcyjnej są niezwykle cenne dla specjalistów ds. marketingu, ponieważ umożliwiają tworzenie lepiej ukierunkowanych, skuteczniejszych kampanii w czasach, w których klienci mogą w dowolnym momencie i z niemal każdego miejsca na świecie zamawiać pożądane produkty za pośrednictwem internetu. Bazując na danych, analityka predykcyjna w marketingu wspomaga segmentację klientów i odbiorców, pozyskiwanie nowych klientów, ocenę wartości potencjalnych klientów, zalecenia odnośnie do treści i reklam oraz hiperpersonalizację. Specjaliści ds. marketingu mogą korzystać z danych klientów w celu udostępniania odbiorcom w odpowiednim momencie promocji, kampanii reklamowych i sugestii dotyczących innych potencjalnie interesujących ich produktów, zapewniając tym samym klientom lepszą obsługę i zwiększając wskaźnik ich zatrzymania. 

 

Analityka predykcyjna w obszarze łańcucha dostaw

 

Analizy predykcyjne stały się kluczowe dla utrzymania elastycznego, odpornego łańcucha dostaw i unikania zakłóceń. Dzięki przetwarzaniu ogromnych zbiorów danych z wielu różnych źródeł możliwe jest m.in. generowanie dokładnych prognoz podaży i popytu, określanie optymalnego poziomu zapasów, poprawianie terminowości dostaw i logistyki, prognozowanie problemów serwisowych dotyczących sprzętu oraz przewidywanie nieoczekiwanych okoliczności i dostosowywanie się do nich.

Firmy stosujące analitykę predykcyjną

AG Real Estate: największa belgijska grupa odpowiedzialna za nieruchomości, AG Real Estate, wykorzystuje analitykę predykcyjną do dokładniejszego przewidywania zachowań klientów. Dzięki połączeniu danych ze źródeł takich jak kamery w centrach handlowych czy prognozy pogody z danymi finansowymi firma zapewnia klientom lepsze doświadczenia i utrzymuje swoje centra handlowe na konkurencyjnym poziomie w dobie handlu elektronicznego.

 

Rainforest Connection: wycinka lasów deszczowych nawet w 90% odbywa się nielegalnie. Organizacja Rainforest Connection dąży do powstrzymania nielegalnej wycinki lasów poprzez umieszczanie na drzewach starych telefonów komórkowych w celu przechwytywania danych dźwiękowych. Analiza dźwięków wydawanych przez zwierzęta pozwala dokładnie przewidzieć, kiedy będzie miała miejsce nielegalna wycinka.

Podstawowe kroki w procesie analizy predykcyjnej

Proces analizy predykcyjnej obejmuje określenie celu oraz zgromadzenie i oczyszczenie ogromnych ilości danych, a następnie opracowanie modeli predykcyjnych przy użyciu zaawansowanych algorytmów i technik predykcyjnych. Proces ten zawsze cechował się dużą złożonością, jednak obecnie, dzięki wykorzystaniu nowych technologii opartych na sztucznej inteligencji, na coraz większą skalę ulega automatyzacji i staje się bardziej przystępny dla przeciętnego użytkownika biznesowego. Mimo to firmy nadal mogą wymagać pomocy zespołów IT podczas realizacji niektórych jego etapów lub tworzenia określonych modeli.

 

W najprostszym ujęciu proces analizy predykcyjnej składa się z następujących kroków:

Etapy procesu analizy predykcyjnej.
  1. Określenie celu projektu. Jakiego rezultatu oczekujesz? Jaki problem starasz się rozwiązać? Pierwszym krokiem jest określenie celów projektu, pożądanych rezultatów, zakresu i wymaganych danych.
  2. Zgromadzenie danych. Zbierz wszystkie potrzebne dane w jednym miejscu. Aby uzyskać bardziej szczegółowe rezultaty, uwzględnij różne rodzaje zarówno aktualnych, jak i historycznych danych z wielu źródeł — poczynając od systemów transakcyjnych i czujników, kończąc na dziennikach z centrum obsługi telefonicznej. 
  3. Oczyszczenie i przygotowanie danych. Oczyść, przygotuj i zintegruj dane, aby móc przystąpić do ich analizy. Usuń wartości odstające i brakujące dane umożliwiające identyfikację w celu poprawy jakości zbioru danych predykcyjnych.
  4. Stworzenie i przetestowanie modelu. Stwórz model predykcyjny i przetestuj jego dokładność na swoim zbiorze danych. Wygenerowanie bezbłędnego modelu może wymagać wielu prób.
  5. Wdrożenie modelu. Wdróż model predykcyjny i rozpocznij pracę na nowych danych. Generuj wyniki i raporty oraz zautomatyzuj proces podejmowania decyzji w oparciu o rezultaty.
  6. Monitorowanie i ulepszanie modelu. Regularnie kontroluj swój model pod kątem wydajności i oczekiwanych rezultatów. Ulepszaj go i optymalizuj stosownie do potrzeb.

Różnica między analityką predykcyjną a preskryptywną

Jaki jest następny krok po stworzeniu i wdrożeniu modeli predykcyjnych, które generują na czas precyzyjne prognozy? Wiele firm za kolejne logiczne posunięcie uznaje wdrożenie analityki preskryptywnej.

 

Analityka predykcyjna pozwala określić prawdopodobne przyszłe wydarzenia. Z kolei analityka preskryptywna wskazuje, jak wobec nich postępować — lub w jaki sposób osiągnąć lepsze wyniki w przypadku podjęcia działania X, Y lub Z. Ten rodzaj zaawansowanej analityki bazuje na analizach predykcyjnych i uwzględnia wiele różnych czynników, aby wskazać najlepszy kierunek działania lub optymalną decyzję.

 

Analityka preskryptywna jest często nazywana „ostatnim etapem analityki biznesowej”. To również najbardziej złożony i relatywnie nowy rodzaj analityki, który zajmuje obecnie miejsce na szczycie krzywej Hype Cycle firmy Gartner obrazującej trendy w zakresie analityki i Business Intelligence na 2020 rok.

Przewiduj rezultaty za naciśnięciem przycisku

Odkryj SAP Analytics Cloud — analitykę predykcyjną i rozszerzoną w chmurze.

Biuletyn SAP Insights

Zasubskrybuj już dziś

Zasubskrybuj newsletter i zyskaj dostęp do najważniejszych analiz.

Czytaj więcej

Powrót do góry