Ennakoiva Analytics

Ennakoiva analytiikka käyttää historiallista dataa ja tilastollisia tai koneoppimismalleja tulevien tulosten todennäköisyyden arvioimiseen. Kaupallisissa sovelluksissa tämä tarkoittaa tyypillisesti yksilöiden tai tilien pisteyttämistä todennäköisyyksien perusteella, kuten tietyn ajanjakson sisällä tapahtuva osto, asiakasvaihtuvuus, tarjoukseen vastaaminen, maksun laiminlyönti tai tietyn elinkaaren arvon saavuttaminen, ja sitten näiden pisteiden käyttämistä toimien priorisointiin.

Sen liiketoiminta-arvo tulee kokonaan päätöksistä, joita se muuttaa. Asiakasvaihtuvuusmalli, joka ennustaa tarkasti, mutta ei aiheuta erilaista käsittelyä, tuottaa raportin eikä tuottoa. Hyödyllinen lähestymistapa on siis aloittaa päätöksestä, tunnistaa, mitä tehtäisiin eri tavalla kullakin pistetasolla, varmistaa, että eriytetty toimenpide on toteuttamiskelpoinen ja kustannustensa arvoinen, ja vasta sitten rakentaa malli. Projektit, jotka alkavat saatavilla olevasta datasta ja etsivät jotain ennustettavaa, tuottavat rutiininomaisesti tarkkoja malleja, joita kukaan ei käytä.

Mallin laatu riippuu myös enemmän kohdemääritelmästä ja datasta kuin algoritmin valinnasta. Asiakasvaihtuvuuden määrittäminen, millä horisontilla ja mille asiakastyypeille lasketaan, määrää, mitä malli oppii. Epäselvä määritelmä tuottaa mallin, joka ennustaa epäjohdonmukaisen sekoituksen tuloksia. Ominaisuuksien on oltava käytettävissä sillä hetkellä, kun ennustetta tarvitaan, mikä sulkee pois kaiken jälkikäteen tallennetun tiedon. Vuoto, jossa ominaisuus koodaa tietoa ennustamastaan ​​tuloksesta, on yleisin syy siihen, miksi mallit toimivat erinomaisesti validoinnissa, mutta epäonnistuvat kokonaan tuotannossa.

Arvioinnin tulisi heijastaa operatiivista todellisuutta yleisen tarkkuusluvun sijaan. Harvinaisten tulosten kohdalla kokonaistarkkuus on merkityksetöntä, koska ennustaminen, ettei mitään tapahdu, on yleensä oikein. Tarkkuus ja odotusarvo operatiivisella kynnyksellä, nousu perustasoa korkeammalle segmentin sisällä, jota tosiasiallisesti käsitellään, ja tuloksena olevien päätösten odotusarvo ovat tärkeitä mittareita. Vakaus ajan kuluessa on yhtä tärkeää kuin tarkkuus tietyssä pisteessä, koska mallit heikkenevät käyttäytymisen, tuotteen ja markkinaolosuhteiden muuttuessa, ja valvomattomat mallit voivat ajautua kuukausia ennen kuin kukaan huomaa sitä.

Ennusteita on myös käsiteltävä huolellisesti, kun ne vaikuttavat toimintaan, koska niihin reagoiminen muuttaa dataa, josta seuraava malli oppii. Markkinoinnin tukahduttaminen asiakkaille, joiden ennustetaan todennäköisesti konvertoivan, poistaa heiltä mahdollisuuden konvertoida, mikä vahvistaa ennusteen ja vahvistaa kaavaa. Samoin korkean riskin asiakkaille annetut asiakaspysyvyyden tarjoukset muuttavat heidän käyttäytymistään, joten myöhempi koulutusdata ei enää heijasta käsittelemätöntä suhdetta. Satunnaisen kontrolliryhmän varaaminen on vakiosuoja, ja se tarjoaa myös ainoan luotettavan mittarin sille, luoko ohjelma arvoa.

Selitettävyys on kaupallisessa käyttöönotossa tärkeämpää kuin mallin suorituskyvyn vertailuarvot antavat ymmärtää. Malliin, jonka ennusteita ei voida selittää niiden pohjalta työskenteleville tiimeille, ei luoteta ja se jätetään huomiotta, erityisesti myynti- ja huoltohenkilöstön keskuudessa, joilla on oma näkemyksensä siitä, mitkä asiakkaat ovat riskissä. Yksittäisen pistemäärän sijaan tärkeimpien tekijöiden esittäminen parantaa käyttöönottoa ja antaa toiminnan aloittavalle henkilölle jotain, jonka pohjalta työskennellä, koska tieto siitä, että tili on vaarassa, koska sen pääkäyttäjien käyttö on vähentynyt, viittaa erilaiseen keskusteluun kuin tieto siitä, että se on vaarassa, koska sen sopimuksen uusiminen on lähestymässä. Se myös mahdollistaa sen, että toimiala-asiantuntijat voivat havaita, milloin malli on oppinut jotain väärää.

Eettiset ja sääntelyyn liittyvät ulottuvuudet pätevät suoraan silloin, kun ennusteet vaikuttavat siihen, mitä yksilöille tarjotaan tai mitä heiltä veloitetaan. Historialliseen dataan perustuvat mallit toistavat historiallisia malleja, mukaan lukien syrjiviä, ja ennustettuun arvoon perustuva erilainen hinnoittelu tai saatavuus aiheuttaa sekä maineen että oikeudellisen riskin useissa lainkäyttöalueissa. Käytännössä nämä ohjelmat on rakennettu data-analytiikka päätöksentekokehyksen ja pidätyssuunnitelman kanssa, jotka on sovittu rinnakkain kasvun hallinta, ja ne ovat parhaiten puolustettavissa silloin, kun malli ohjaa aidosti hyödyllisen hoidon priorisointia sen sijaan, että määrittäisi, kuka saa sitä saada.