Analityka predykcyjna

Analityka predykcyjna wykorzystuje dane historyczne oraz modele statystyczne lub uczenia maszynowego do szacowania prawdopodobieństwa przyszłych wyników. W zastosowaniach komercyjnych zazwyczaj oznacza to ocenę poszczególnych osób lub kont pod kątem prawdopodobieństwa, takiego jak zakup w danym okresie, odejście klienta, odpowiedź na ofertę, niewywiązanie się z płatności lub osiągnięcie określonej wartości cyklu życia klienta (Live Value), a następnie wykorzystanie tych ocen do priorytetyzacji działań.

Jego wartość biznesowa wynika wyłącznie z decyzji, które zmienia. Model odejść, który precyzyjnie prognozuje, ale nie powoduje zmiany w sposobie postępowania, generuje raport, a nie zwrot. Użyteczne podejście polega zatem na rozpoczęciu od decyzji, zidentyfikowaniu, co należałoby zrobić inaczej na każdym poziomie punktacji, potwierdzeniu, że zróżnicowane działanie jest wykonalne i warte swojej ceny, a dopiero potem zbudowaniu modelu. Projekty, które zaczynają się od dostępnych danych i szukają czegoś do przewidzenia, rutynowo generują dokładne modele, których nikt nie używa.

Jakość modelu zależy również bardziej od definicji celu i danych niż od wyboru algorytmu. Decyzja o tym, co uznaje się za odejście, w jakim horyzoncie czasowym i dla jakich typów klientów, determinuje to, czego uczy się model, a niejednoznaczna definicja prowadzi do modelu, który przewiduje niespójną mieszaninę wyników. Funkcje muszą być dostępne w momencie, gdy prognoza jest potrzebna, co wyklucza wszelkie dane zarejestrowane po fakcie, a wyciek, gdzie funkcja koduje informacje o przewidywanym wyniku, jest najczęstszą przyczyną tego, że modele, które doskonale sprawdzają się w walidacji, a całkowicie zawodzą w środowisku produkcyjnym, to zjawisko.

Ocena powinna odzwierciedlać rzeczywistość operacyjną, a nie ogólną wartość dokładności. W przypadku rzadkich wyników ogólna dokładność jest bez znaczenia, ponieważ przewidywanie, że nic się nie dzieje, zazwyczaj jest trafne. Miarami, które mają znaczenie, są precyzja i czułość na poziomie progu operacyjnego, wzrost ponad poziom bazowy w segmencie, który będzie faktycznie analizowany, oraz oczekiwana wartość wynikających z tego decyzji. Stabilność w czasie jest równie ważna, jak dokładność w danym momencie, ponieważ modele ulegają degradacji wraz ze zmianami zachowań, produktów i warunków rynkowych, a niemonitorowane modele mogą dryfować miesiącami, zanim ktokolwiek to zauważy.

Prognozy wymagają również ostrożnego podejścia, gdy wpływają na działanie, ponieważ działanie na ich podstawie zmienia dane, z których uczy się kolejny model. Wstrzymanie działań marketingowych skierowanych do klientów, u których przewiduje się małe prawdopodobieństwo konwersji, pozbawia ich szansy na konwersję, co potwierdza prognozę i wzmacnia wzorzec. Podobnie oferty retencyjne składane klientom wysokiego ryzyka zmieniają ich zachowanie, więc późniejsze dane treningowe nie odzwierciedlają już relacji, która nie została poddana leczeniu. Rezerwacja losowej grupy kontrolnej to standardowa ochrona, a także jedyny wiarygodny pomiar tego, czy program tworzy wartość.

Wdrożenia komercyjne mają większe znaczenie, niż sugerują testy wydajności modeli. Model, którego prognoz nie da się wyjaśnić zespołom, które go wykorzystują, będzie traktowany z nieufnością i ignorowany, szczególnie przez pracowników sprzedaży i obsługi klienta, którzy mają własne zdanie na temat tego, którzy klienci są narażeni na ryzyko. Podanie głównych czynników wpływających na każdy indywidualny wynik, a nie tylko wyniku, zarówno poprawia adopcję, jak i daje osobie podejmującej działania punkt odniesienia, ponieważ świadomość, że konto jest zagrożone z powodu spadku wykorzystania wśród jego głównych użytkowników, sugeruje inną rozmowę niż świadomość, że jest ono zagrożone z powodu zbliżającego się terminu odnowienia umowy. Umożliwia to również ekspertom dziedzinowym wykrycie momentu, w którym model dowiedział się czegoś fałszywego.

Aspekty etyczne i regulacyjne mają bezpośrednie zastosowanie tam, gdzie prognozy wpływają na to, co jest oferowane lub pobierane od osób fizycznych. Modele trenowane na danych historycznych odtwarzają wzorce historyczne, w tym dyskryminacyjne, a zróżnicowane ceny lub dostęp oparte na przewidywanej wartości niosą ze sobą ryzyko utraty reputacji i narażenia prawnego w wielu jurysdykcjach. W praktyce programy te są tworzone przez Analityka danych z ramą decyzyjną i projektem wstrzymania uzgodnionymi wraz zarządzanie wzrostemi są one najbardziej obronne, gdy model informuje o priorytetyzacji rzeczywiście użytecznego leczenia, a nie określa, kto ma prawo je otrzymać.