Predictive Analytics

Прогностическая аналитика использует исторические данные и статистические модели или модели машинного обучения для оценки вероятности будущих результатов. В коммерческих приложениях это обычно означает оценку отдельных лиц или учетных записей по вероятностям, таким как покупка в течение определенного периода, отток клиентов, отклик на предложение, дефолт или достижение определенной пожизненной ценности клиента, а затем использование этих оценок для определения приоритетов действий.

Его коммерческая ценность полностью определяется решениями, которые он меняет. Модель оттока клиентов, которая точно прогнозирует, но не приводит к изменению подхода, скорее выдает отчет, чем приносит прибыль. Поэтому целесообразно начинать с принятия решения, определить, что можно было бы сделать по-другому на каждом уровне оценки, убедиться, что дифференцированные действия осуществимы и оправдывают затраты, и только потом строить модель. Проекты, которые начинаются с имеющихся данных и ищут что-то для прогнозирования, обычно создают точные модели, которые никто не использует.

Качество модели также в большей степени зависит от определения целевой аудитории и данных, чем от выбора алгоритма. Определение того, что считается оттоком клиентов, на каком временном горизонте, для каких типов клиентов, определяет, чему учится модель, а неоднозначное определение приводит к модели, которая предсказывает несогласованную смесь результатов. Признаки должны быть доступны в момент, когда требуется прогноз, что исключает все, что было записано после этого, а утечка информации, когда признак кодирует информацию о прогнозируемом результате, является наиболее распространенной причиной моделей, которые отлично работают при валидации, но полностью терпят неудачу в производственной среде.

Оценка должна отражать реальную операционную ситуацию, а не просто общий показатель точности. Для редких исходов общая точность бессмысленна, поскольку предсказание того, что ничего не произойдет, обычно оказывается верным. Важными показателями являются точность и полнота на рабочем пороге, превышение базового уровня в сегменте, который фактически будет подвергаться лечению, и ожидаемая ценность принимаемых решений. Стабильность во времени так же важна, как и точность в определенный момент, поскольку модели ухудшаются по мере изменения поведения, продукта и рыночных условий, а неконтролируемые модели могут деградировать в течение нескольких месяцев, прежде чем это будет замечено.

Прогнозы также требуют тщательной обработки после того, как они влияют на действия, поскольку действия на их основе изменяют данные, на которых обучается следующая модель. Отказ от маркетинга для клиентов, которые, согласно прогнозам, вряд ли совершат покупку, лишает их возможности совершить покупку, что подтверждает прогноз и усиливает закономерность. Аналогично, предложения по удержанию клиентов, предоставляемые клиентам из группы высокого риска, изменяют их поведение, поэтому последующие обучающие данные больше не отражают отношения с необработанными клиентами. Стандартной мерой защиты является резервирование рандомизированной контрольной группы, и это также обеспечивает единственное надежное измерение того, создает ли программа ценность.

Объяснимость результатов имеет большее значение в коммерческом внедрении, чем показывают показатели производительности модели. Модель, чьи прогнозы невозможно объяснить командам, работающим на их основе, будет вызывать недоверие и игнорироваться, особенно сотрудниками отделов продаж и обслуживания, которые имеют собственное представление о том, какие клиенты находятся в зоне риска. Предоставление основных факторов, влияющих на каждый отдельный показатель, а не только самого показателя, улучшает внедрение и дает человеку, принимающему решения, ориентир, поскольку знание того, что учетная запись находится в зоне риска из-за снижения активности среди ее основных пользователей, предполагает совершенно иной разговор, чем знание того, что она находится в зоне риска из-за приближения продления контракта. Это также позволяет экспертам в предметной области выявлять случаи, когда модель получила ложные результаты.

Этические и нормативные аспекты напрямую влияют на то, что предлагается или за что взимается плата с отдельных лиц. Модели, обученные на исторических данных, воспроизводят исторические закономерности, в том числе дискриминационные, а дифференцированное ценообразование или доступ, основанные на прогнозируемой ценности, несут в себе как репутационные, так и юридические риски в ряде юрисдикций. На практике эти программы создаются аналитика данных при этом структура принятия решений и дизайн контрольной группы были согласованы одновременно. управление ростомИ они наиболее оправданы, когда модель помогает определить приоритетность действительно полезного лечения, а не определяет, кому разрешено его получать.