Voorspellende analyses in 2019: wat is er mogelijk, wie doet het en hoe

14 min


128

In 2009 bood Netflix $ 1 miljoen aan iedereen die de kwaliteit van zijn aanbevelingsmotor met 10% kon verbeteren. Het duurde twee jaar, maar uiteindelijk won een team. Netflix heeft de premie betaald en heeft vervolgens de code genegeerd.

Uiteindelijk bleken de verbeterde algoritmen “niet de technische inspanning te rechtvaardigen die nodig was om ze in een productieomgeving te brengen.”

De winnende voorspellingsmachine slaagde er niet alleen in om economisch te schalen, maar ook een verouderd probleem: de verschuiving van mail naar streaming gedurende datzelfde venster van twee jaar gaf Netflix alle benodigde gegevens om nieuwere, betere algoritmen te ontwikkelen.

Voorspellende analyses waren met andere woorden geen wondermiddel. Noch is het in het afgelopen decennium één geworden. Maar in 2019 kostte de meerwaarde niet langer $ 1 miljoen:

  • U hebt meer gegevens;
  • Opslag is goedkoop; en
  • Cloud computing is bijna oneindig schaalbaar.

Dit bericht geeft informatie over die veranderingen en laat zien hoe verschillende bedrijven – en niet alleen reuzen – het landschap van voorspellende analyses hebben ontwikkeld.

Wat is er de afgelopen tien jaar veranderd?

1. Meer gegevens, meer opslag, meer rekenkracht

Massieve, op de cloud gebaseerde opslagplaatsen van klantinteracties, vaak gegevensmeren genoemd, zijn het ruwe bronmateriaal voor toepassingen voor voorspellende analyse.

data meer diagram
Zoals G2 Crowd uitlegt, “datameren” staat toe dat gegevens in de meest pure vorm zijn zonder eerst te moeten worden geconverteerd en geanalyseerd. “( Afbeeldingsbron )

Veel bedrijven hebben gebruik gemaakt van goedkope cloudopslag om gegevens jarenlang op te bergen – zonder het potentiële gebruik ervan te overwegen . (Hoeveel verwaarloosde gegevenspunten heeft u in Google Analytics, Google Ads, MailChimp, Marchex, Stripe en soortgelijke services?)

Die dubbele groei in schaal van gegevens die is verzameld en de toegankelijkheid ervan – heeft twee primaire uitdagingen opgelost in deimplementatie van voorspellende analyses.

Historisch gezien is onbewerkte rekenkracht de andere geweest. Zoals Andrew Pearson van Intelligencia opmerkt: “Zonder significante hardware-investeringen waren programma’s voor voorspellende analyse ofwel niet mogelijk of te traag om bruikbaar te zijn.”

Dat, vervolgde Pearson, is ook veranderd: ” Cloudgebaseerde analysesystemen hebben massieve computerkracht aan de mix toegevoegd. “Steeds krachtigere systemen kraakten de deur open voor realtime voorspellende analyses.

2. Een wereld van real-time voorspellingen

Voor sommigen is de leeftijd van ‘real-time’ voorspellende analyses hier. Judah Phillips, President, CTO en mede-oprichter van Squark en oprichter van SmartCurrent , legde uit:

We leven al in een wereld van ‘real-time’ voorspellende analyses. Een eenvoudige voorspellende analyse is uw aankomsttijd in Waze. Een meer complexe real-time voorspelling gebeurt miljarden keren wereldwijd elke milliseconde in het matchen van bepaalde typen digitale reclame.

Verder bieden bedrijven als Mintigo en Versium nu realtime oplossingen voor leadscoring , wat aantoont dat de overgang technisch mogelijk is. Mogelijk betekent echter niet perfect. Sam Underwood, een vice-president bij Futurety, erkende de complexiteit van noodzakelijke integraties:

Vooral in de mid-market wereld hebben de tools die data verzamelen om te evolueren naar voorspellende modellering – CRM-systemen, aggregators voor sociale media, logistiek en inkoopsystemen – vaak geen gebruiksvriendelijke API’s of andere eenvoudige mechanismen om snel gegevens te verzamelen en te interpreteren .

Dat loskoppelen belemmert nog steeds de meest fundamentele businesscases voor realtime voorspellende analyses. David Longstreet, de hoofdgegevenswetenschapper bij FanThreeSixty , bood een voorbeeld:

In onze wereld van sport en entertainment weten bijvoorbeeld de meeste sportteams niet hoeveel mensen zich in een stadion bevinden voor een wedstrijd. Teams weten hoeveel tickets er zijn uitgedeeld; ze weten echter niet in “real time” hoeveel mensen zich tijdens het evenement in de zaal of het stadion bevinden.

Die kenniskloof belemmert de inspanningen voor het personeel en zorgt voor een juiste opslag van het stadion. Het is ook waarom de interesse in voorspellende analyses bijna universeel is, zelfs als dit de acceptatie enorm overtreft.

3. Trage acceptatie maar grote belangstelling

Dus hoeveel bedrijven maken actief gebruik van voorspellende analyses? Volgens onderzoek van Dresner Advisory Services , ongeveer 23%, was ditcijfer in essentie onveranderd ten opzichte van het voorgaande jaar.

acceptatie van voorspellende analyses
Minder dan een kwart van de bedrijven gebruikt voorspellende analyses, hoewel bijna iedereen dit ambieert. ( Beeldbron )

Interesse overschrijdt echter de implementatie. Hetzelfde onderzoek suggereert dat 90% van de bedrijven “minimaal belang hecht aan geavanceerde en voorspellende analyses”.

Dus welke vragen beantwoorden 23% van de respondenten met voorspellende analyses? Laten we kijken.

Welke vragen kunnen marketeers beantwoorden met voorspellende analyses?

“Ze willen alles voorspellen”, aldus Underwood. En wie zou niet het exacte voet- (of web) verkeer per maand, dag en uur willen weten om personeel te stroomlijnen (of serverbronnen toe te wijzen)?

Maar, vervolgde Underwood, hij probeert klanten te concentreren op “het enige dat, als we het voor je kunnen voorspellen, je bedrijf radicaal zou veranderen.”

In digitale marketing schetste Phillips talloze gebruiksgevallen voor voorspellende analyses, inclusief de mogelijkheid om te voorspellen:

  • welke reclame het meest effectief is, hoe effectief u ook definieert.
  • welke marketingcampagnes, kanalen, aanrakingen, gedragingen en demografische gegevens bijdragen aan een bedrijfsresultaat, een vorm van ‘op machine learning gebaseerde attributie’.
  • op welk segment, test of personalisatie een gebruiker het waarschijnlijkst reageert.
  • de kans dat gebruikers op een advertentie klikken, een whitepaper downloaden, reageren op een e-mail, reageren op een aanbieding en andere klantreacties die u definieert.
  • welke leads worden geconverteerd, maar u definieert de conversie.
  • welke klanten een of meer producten kopen voor een cross-sell of upsell.
  • het aantal aankopen of inkomsten dat in de toekomst zal plaatsvinden.
  • welke klanten een hoge / gemiddelde / lage levensduurwaarde hebben.
  • klantverloop.

De nieuwe mogelijkheid van voorspellende analyses is dus niet wat je kunt voorspellen, maar het feit dat je kunt voorspellen. De historische gegevens die u momenteel analyseert, kunnen waarschijnlijk een voorspelling worden.

Zorg ervoor dat je de gegevens hebt.

Wat heb je nodig om aan de slag te gaan met voorspellende analyses?

Gegevens, gegevens en gegevens. “Prioriteit 1A en 1B zijn gegevensbronnen”, aldus Underwood. Dat klopt, of u van plan bent software te licentiëren of een externe organisatie aan te nemen. (Beide opties worden later gedetailleerd.)

Voor alle toepassingen zijn trainingsgegevens vereist. Die trainingsgegevens worden op hun beurt gebruikt om een ​​voorspellend model te bouwen om op huidige gegevens toe te passen. “De enige beperking die we tegenkomen,” merkte Phillips op, “is de beschikbare gegevens van een bedrijf voor training.”

Hoeveel data is genoeg? Volgens Phillips:

Een paar duizend records met voldoende positieve en negatieve uitkomsten kunnen voldoende zijn voor marketing, verkoop en productvoorspelling.

Niet alle gegevens worden op dezelfde manier gemaakt (of opgeslagen)

‘Je moet het begrijpen – ik ben opgegroeid met tranende kaarten.’

De Longstreet van FanThreeSixty heeft dezelfde uitleg gehoord van locatiemanagers die talloze uren hebben besteed aan het tellen van stapels stubs na games. Dit is een reden waarom essentiële gegevensbronnen mogelijk niet gemakkelijk toegankelijk zijn of helemaal niet toegankelijk zijn.

In stadions bestaat de uitleg van Longstreet, er zijn point-of-sale-machines en kaartscanners voor één doel: transacties snel voltooien en de lijnen in beweging houden. Die systemen slaan gegevens niet efficiënt op voor extractie, noch kunnen ze omgaan met onophoudelijke serververzoeken (tenzij hongerige fans het niet erg vinden om te wachten).

Voor Underwood hebben klanten de neiging om in een van de twee emmers te vallen, met de helft in elk:

  • “De ideale klant heeft een interne database opgezet en klaar voor gebruik. We halen de gegevens binnen, bouwen het model en gaan van start. “
  • De andere helft heeft een mix van gegevensbronnen, die onvermijdelijk een offshore SQL-database (of tien) bevatten die wordt beheerd door een externe leverancier die niemand kan vinden.

Het samenvoegen van gegevensbronnen is een belangrijk ontwikkelingsproject waarvoor mogelijk aangepaste connectoren moeten worden gemaakt, FTP-drops van derden moeten worden ingesteld en andere complexe maar ondankbare taken. Dat werk is echter noodzakelijk: modellen en hun voorspellingen zijn alleen zo nauwkeurig als de gegevens waarop ze zijn gebouwd.

Vergeet externe gegevensbronnen niet

Niet alle gegevens komen ook uit interne bronnen. Externe gegevensbronnen, zoals weerberichten, zijn vaak een essentiële toevoeging aan datameren, vooral voor kleine bedrijven. Zoals Underwood heeft uitgelegd:

Restaurants kunnen analyses gebruiken om e-mails te verzenden; we kunnen bijvoorbeeld het e-mailplatform instellen om te synchroniseren met National Weather Service-gegevens om een ​​e-mail te sturen over ijsthee wanneer de temperatuur in een bepaald metrogebied boven de 90 graden is.

Evenzo kunnen we een e-mail sturen naar klanten in een bepaalde stad als het systeem windstoten van 40+ MPH detecteert. Beide gebruiksscenario’s bereiken de consument in een belangrijk moment van nood, waardoor de advertentie-uitgaven stroomafwaarts teniet worden gedaan en de concurrentie wordt verslagen.

U hebt dus een grote, goed georganiseerde gegevensset. Wat doe je ermee?

Hoe verander je data in voorspellingen?

Hoewel de beperking van onvoldoende gegevens is vervaagd, blijft er een andere over :

Bedrijven hebben een speciaal team van data scientists nodig om deze sets te ontleden, of een softwarepakket dat krachtig genoeg is om dit snel te doen. Voor de meeste kleine en middelgrote bedrijven betekent dit meestal dat er wordt afgerekend voor ondeugdelijke software of dat deze volledig wordt onthouden.

Voor bedrijven van elke omvang, bieden oplossingen een tweetal opties:

  1. Koop software en maak voorspellingen in eigen beheer.
  2. Betaal een externe leverancier om modellen en visualisaties voor u te ontwikkelen.

1. Software voor voorspellende analyses

De markt voor software voor voorspellende analyses is in een stroomversnelling gekomen : G2Crowd registreert 92 resultaten in de categorie. Prijzen variëren aanzienlijk op basis van het aantal gebruikers en, in sommige gevallen, de hoeveelheid gegevens, maar over het algemeen begint het rond de $ 1.000 per jaar, hoewel het gemakkelijk in zes cijfers kan worden geschaald.

G2Crowd geeft zowel IBM SPSS Statistics en SAS Advanced Analytics als marktleiders op bedrijfsniveau. Samen met RStudio worden de twee ook getagd als leiders voor middelgrote bedrijven; alleen IBM behoudt een plaats in het kwadrant “Leiders” voor kleine bedrijven.

Maar in de geschiedenis was zelfs de toonaangevende software voor voorspellende analyses geen eenvoudige, sprong-in-een-rijervaring. Neem deze twee voorbeelden van IBM’s SPSS Statistics en RapidMiner :

ibm spss statistieken screenshot

snelle mijnwerker screenshot

Hoewel deze platforms krachtig zijn, moeten gebruikers gegevensbestanden opmaken, knooppunten koppelen en visualisaties ontwikkelen. Leren hoe dit te doen – en de tijd hebben om het te doen – is een gespecialiseerde, voltijdse baan. (Anders geloven is een Microsoft Word-licentie verwachten om uw Great American Novel te schrijven.)

Het is niet verrassend dat de markt aan het verschuiven is. RapidMiner heeft een SaaS-bètaversie geïmplementeerd die, met een beetje handmatige aanpassing, een Excel-sheet met bijvoorbeeld werkgegevens vertaalt naar een voorspelling van het behoud van werknemers:

snelle mijnwerker excelvel
Een dataset in Excel – een startpunt waar de meeste marketeers al vertrouwd mee zijn.
snelle inname van mijners
RapidMiner parseert het Excel-bestand voorafgaand aan het crunchen van de nummers.
snellere voorspellende visualisatie
De resulterende visualisatie toont de voorspellingsprestaties van de tool en correlaties tussen datasets en retentie.

Sommige bedrijven, zoals Squark’s Phillips, zien het gebruiksvriendelijke SaaS-model als de toekomst:

We zijn data science aan het democratiseren, zodat mensen met beperkte of geen data science of technische vaardigheden kunnen voorspellen. U uploadt eenvoudig uw gegevens en klikt op volgende. We doen al het zware werk.

Onze intelligentie bepaalt uw afhankelijke en onafhankelijke variabelen en het type analyse dat moet worden uitgevoerd. U kunt kiezen uit onze selecties of ze negeren – van regressie, waar we prognoses en optimalisaties kunnen doen, tot zowel binaire als multiclassclassificatie, waarbij we de waarschijnlijkheid van uitkomsten kunnen voorspellen.

vizadata-screenshot
Gebruiksvriendelijke SaaS-modellen maken voorspellende analyses toegankelijker voor marketingteams zonder datawetenschappers.

Net als Squark gaat MIT’s Endor op deze weg verder. Het platform gebruikt een querybuilder om iedereen de mogelijkheid te geven vragen te stellen zoals “Waar moeten we onze volgende winkel openen?” Of “Wie probeert product X waarschijnlijk?”. Vervolgens worden er gerichte datasets gemaakt om antwoorden te geven, vaak binnen enkele minuten .

Het opnemen van tangentiële gegevenssets die buiten beschouwing of haalbaarheid vallen voor menselijke waarnemers is een steeds terugkerend voordeel van voorspellende analyses. De makers van Endor bieden een voorbeeld:

Een marketingafdeling van een bank vraagt: “Wie krijgt er de komende zes maanden een hypotheek?” Machinaal lerende motoren kunnen een pool van bijvoorbeeld 5000 klanten met een bankcreditcard en een hoge credit score detecteren, en zijn getrouwd, waarvan er veel mogelijk valse positieven zijn.

Endor detecteert meer specifieke clusters van bijvoorbeeld stellen die trouwen of gaan scheiden, oprichters die onlangs hun startups op Facebook hebben verkocht, of klanten die recent zijn afgestudeerd aan een lokale vastgoedcursus.

Natuurlijk, als u het proces volledig wilt uitbesteden, kunnen externe leveranciers uw gegevens organiseren, modellen bouwen en voorspellingen voor u visualiseren.

2. Externe verkopers

Agentschappen die op maat gemaakte oplossingen aanbieden

Voor de meeste klanten begint Futurety met het identificeren van de belangrijkste bedrijfsvraag – niet een specifieke statistiek of visualisatie. Klanten kunnen komen voor eenmalige projecten, jaarlijkse re-runs van hun gegevens of lopende werkzaamheden.

“Het eindresultaat is in het begin niet altijd duidelijk,” legde Underwood uit. “Wanneer we leveren aan iemand die dicht bij de uitkomst staat, zoals een marketingmanager, zijn ze meestal blij met het model, de vondst en de wiskunde erachter.”

Het “eindresultaat” kan verschillende dingen zijn:

  • Integratie met een extern platform, zoals een e-mailclient, om voorspellende berichten te automatiseren.
  • Voorspellende antwoorden in gewone tekst om vaklieden te begeleiden.
  • Robuuste visualisaties om het proces en de waarde van de C-Suite te demonstreren.

Aan het einde van elke opdracht levert Futurety het model terug aan de klant voor beheer en onderhoud.

Voorspellende analyses op het werk
  • Futurety heeft een kleine zakelijke klant die aspirant-majors in de podiumkunsten helpt toegang te krijgen tot hun droomcollege. Maar weinig middelbare scholieren hebben een brede kennis van goede programma’s. Vaker wel dan niet, ze kennen maar één naam: Julliard.
  • Futurety heeft zijn model getraind op drie jaar plaatsingsgegevens. Vervolgens, met behulp van nieuwe studentgegevens die in een gemeenschappelijke portal zijn ingevoerd, wordt voorspeld waar studenten worden geaccepteerd en academisch slagen.
  • Het voorspellende analysemodel, dat jaarlijks wordt bijgewerkt door Futurety, levert een eenvoudige lijst met aanbevolen scholen voor studenten op basis van factoren zoals cijfers en blootstelling aan verschillende muzikale of artistieke stijlen.
  • Het model houdt rekening met de vraag of eerdere plaatsingen zijn afgestudeerd of prijzen hebben gewonnen.

All-in-one nicheaanbieders

FanThreeSixty bedient een smalle markt: sportlocaties. Omdat ze werken met een relatief consistent gegevenset-abonnement, concessie en souvenirverkoop, kennen ze de reeks zakelijke vragen, gegevensuitkomsten en relevante visualisaties.

Deze consistentie stimuleert nicheverkopers zoals FanThreeSixty om gepatenteerde dashboards te ontwikkelen voor alle klanten.

fantastisch waterveld dashboard
FanThreeSixty compileert fangegevens om voorspellende berichten in te zetten.

De interface stelt het team van Longstreet in staat om data science op de achtergrond te houden: “Het geheim van machine learning is wanneer je achter de schermen wordt gevraagd.”

Het doel van FanThreeSixty (en Longstreet’s uitleg over zijn rol op diners) is volledig gedistilleerd om teams te helpen meer tickets en hotdogs te verkopen.

Voorspellende analyses op het werk
  • FanThreeSixty bekijkt historische gegevens om te zien welke concessies het vaakst worden gekocht met een hotdog bij een Major League Soccer-locatie.
  • Als een klant een hotdog koopt, wordt concessiepersoneel gevraagd of een klant de meest populaire begeleiding wil toevoegen. Die aanbeveling-een voorspelling van fan-verlangen-verandert op basis van andere variabelen.
  • Voorspellingen houden rekening met meer dan 20 datasets – alles van de thuislocatie van seizoenskaarthouders tot de weer-naar-tailor-berichten voor, tijdens en na wedstrijden.
  • Tijdens koudweergames kan FanThreeSixty bijvoorbeeld pushmeldingen automatiseren met aangepaste kortingsbonnen, zoals koop-drie-krijg-één-vrije warme chocolademelk voor een gezin van vier.

Of oplossingen nu intern of extern worden beheerd, ze zijn al heel lang gebruikelijk in zakelijke ondernemingen.

Voorspellende analyses maken gebruik van cases op bedrijfsniveau

Marketingafdelingen in grote organisaties gebruiken voorspellende analyses al jaren:

  • AutoTrader. AutoTrader gebruikt gegevens van zijn 40 miljoen maandelijkse bezoekers om de soms lange klantreis beter te begrijpen. Ze bouwden propositiemodellen op basis van zoekgedrag en creëerden waardevolle lookalike doelgroepen.
  • Editialis. De Franse uitgever gebruikt voorspellende analyses in zijn e-mailcampagnes om ‘te anticiperen op betrokkenheid op individueel niveau’. Als gevolg daarvan hebben click-through-rates ‘dramatisch’ verhoogd.

Voorspellende analyses kunnen ook offline en online interacties coördineren, met twee duidelijke use cases voor marketeers wiens bedrijven fysieke producten of storefronts hebben:

  1. Verbeterde prijzen. Smartphone-gegevens registreren de gewoonten van de winkel om online of offline marketing te verbeteren, waarbij de voordelen van e-commercebedrijven worden benaderd.
  2. Voorraadbeheer. Volledige magazijnen kosten geld; lege planken kosten geld. Door online gegevens, zoals zoekpatronen, in verkoopgegevens te vouwen, kan de inventaris beter worden beheerd, vooral op regionaal en lokaal niveau.

Naast externe marketingcampagnes ondersteunt voorspellende analyse ook intern projectbeheer. Grote marketingcampagnes hebben veel bewegende delen: een nieuwe advertentiecampagne vereist nieuwe creatieve, nieuwe copywriting, nieuwe bestemmingspagina’s, enzovoort.

Het coördineren van de betrokkenheid van deze teams en het nauwkeurig inschatten van de time-to-launch is complex. Velen slagen er niet in om het goed te krijgen, soms met hoge kosten.

whiteboard-planning
Marketeers en softwarebedrijven kunnen voorspellende analyses gebruiken voor intern projectbeheer naast externe campagnes.

Voorspellende algoritmen gebruiken, zoals McKinsey opmerkt , een bredere lens die historische patronen en unieke projectelementen in één frame vastlegt:

Hoewel elk ontwikkelingsproject uniek is, zijn de onderliggende drivers voor complexiteit in projecten vergelijkbaar en kunnen ze worden gekwantificeerd. Als bedrijven de complexiteit van een nieuw project begrijpen, kunnen ze een inschatting maken van de inspanningen en middelen die nodig zijn om het te voltooien.

Voorspellende analysemodellen “houden niet alleen rekening met de complexiteit van het project (zowel de functionele als de implementatieaspecten), maar ook met de complexiteit van de teamomgeving.”

Voorspellende analyses op het werk:

Meer nauwkeurig intern projectbeheer, in een voorbeeld dat McKinsey biedt, kan een grote impact hebben:

  • Een bedrijf plantte in eerste instantie een productupdate om ongeveer 300 persoonweken van inspanning te nemen, een schatting op basis van het beperkte aantal wijzigingen tussen het huidige product en een nieuw ontwerp.
  • Die schatting hield echter geen rekening met het feit dat geplande updates veel verschillende teams zouden beïnvloeden. Voorspellende analysemodellen hielden er wel rekening mee en schatten dat het project drie tot vier keer zo lang zou duren.
  • Als gevolg hiervan beperkte het bedrijf het werk tot het oorspronkelijke productteam, waardoor ze de update op tijd konden leveren.

Naast het helpen van bedrijven bij het oplossen van interne en externe uitdagingen, is voorspellende analyse ook de basis voor sommige bedrijven.

Een bedrijf bouwen op voorspellende analyses

Ken Lazarus, CEO van het rekruteringsplatform Scout Exchange , heeft een voordeel: het bedrijf bestaat nog maar vijf jaar.

Dat betekent dat de gegevensbronnen van het bedrijf al zijn voorbereid voor extractie in voorspellende modellen die bedrijven koppelen aan de juiste recruiter.

verkenningsuitwisselingsproces
Scout Exchange voorspellingen koppelen bedrijven met de juiste recruiter.

De enige voorspeller voor arbeidsbemiddeling die Lazarus en zijn team hebben gevonden, is de staat van dienst van wervingsbureaus. Het koppelen van de juiste taakomschrijving aan de juiste cv is daarentegen buitengewoon moeilijk.

“Functiespecificaties zijn vreselijk,” klaagde hij. “De gegevens staan ​​niet op het papier. CV’s zijn ook behoorlijk vreselijk. “(Gegevensvergroting, zoals het testen van vaardigheden en het decoderen van video-interviews, merkte Lazarus op, biedt potentiële verbeteringen.)

Niettemin blijven er gaten over. Kandidaten zullen nooit negatieven op hun cv openbaar maken en belangrijke informatie zou voor altijd ‘niet-gegevens’ kunnen blijven, bijvoorbeeld of een kandidaat een goede ‘cultuur fit’ is.

Schalen van gegevensverzameling

Scout Exchange heeft zijn voorspellingen aangescherpt door zich te richten op zakelijke klanten: de algoritmen smullen van honderden of duizenden openingen van Fortune 500-klanten.

Het resultaat is dat het platform maandelijks ongeveer 1 miljoen gegevenspunten inneemt, waarbij elke nieuwe vacature 50 extra gegevenspunten oplevert.

scout uitwisselingsplatform
Hogere werkgeversratings geven aan dat een werkgever sneller reageert dan zijn of haar leeftijdsgenoten. Evenzo suggereren hogere recruiter-beoordelingen dat een recruiter meer kans van slagen heeft om aanvaardbare kandidaten voor te leggen dan zijn of haar collega’s.

Toch is menselijke beoordeling door een recruiter en hun cliënt noodzakelijk. Lazarus tekende een parallel: “Zou je leren van de machine je vrouw laten kiezen? Nee. Maar zou je het de juiste matchmaker laten kiezen om je te helpen een partner te vinden? Ja.”

Degenen die de meest complexe menselijke problemen proberen op te lossen, zijn zelfs niet in de zakenwereld.

Voorspellende analyses met gevolgen voor het leven of de dood

De grootste uitdagingen voor voorspellende analyses zijn die welke te maken hebben met complex, geïndividualiseerd menselijk gedrag, zoals de waarschijnlijkheid dat een patiënt of een crisislijn-tacticus zelfmoord zal plegen.

Omdat succes of falen in mensenlevens wordt gemeten, zijn deze uitdagingen ook het meest urgent. En hoewel deze projecten buiten het bereik van marketing en business opereren, suggereren ze het potentieel voor voorspellende analyses wanneer deze zich ontwikkelen.

“REACH VET gaat niet over het proberen te vinden van de veteraan die op een parkeerplaats in de auto zit met een pistool op zijn schoot”, vertelde Aaron Eagan, adjunct-directeur voor innovatie van de veteranenzaken aan een conferentie in Washington .

“Wat we vonden,” ging Eagan verder, “is dat veteranen met het hoogste risico op zelfmoord [ook] significant verhoogde percentages hebben voor sterfte door alle oorzaken, moraliteit bij ongevallen, overdoses, geweld, [en] opioïden.” Proactieve waarschuwingen die de arts in de steek laten -en hebben de presentie van de eerstelijnszorg verbeterd en ziekenhuisopnames verminderd voor psychische problemen.

crisis tekstregel

Het project is vergelijkbaar met een samenwerking tussen Periscope Data en Crisis Text Line , een op tekst gebaseerde zelfmoordhotline.

Leunend op natuurlijke taalverwerking en voorspellende analyses analyseerde het programma gesprekken, voorspelde trends en trainde meer dan 13.000 vrijwilligers. De resultaten?

  • Wachttijden daalden tot minder dan 5 minuten, een operationeel doel.
  • Capaciteit verhoogd met 10% tijdens piekperioden.
  • Reacties werden geprioriteerd op basis van door de machine geïdentificeerde urgentie.

De technologie van Endor heeft even ernstige uitdagingen gekend . Met behulp van 15 miljoen gegevenspunten van 50 bekende ISIS-supporters, identificeerde Endor 80 lookalike accounts in minder dan een half uur, met slechts 35 valse positieven – onderzoek door deskundigen was nog steeds noodzakelijk maar haalbaar.

In een samenwerkingsproject met het US Defense Advanced Research Project Agency, analyseerde het platform ook mobiele data om patronen te identificeren om toekomstige rellen te voorspellen.

Conclusie

Voorspellende analyses zijn niet immuun voor kritiek: GDPR weigert enkele van dezelfde verzamelmethoden die gegevensmeren doen zwellen. En niet alle voorspellingen, zelfs de meest accurate, worden goed ontvangen. (Het is bekend dat Target onbewust een vader informeerde over de zwangerschap van zijn tienerdochter op basis van schijnbaar goedaardige koopgewoonten.)

Experts met voorspellende analyses wijzen erop dat hun algoritmen zoeken naar patronen tussen waarden, niet naar de waarden zelf. Hoe dan ook, het is onwaarschijnlijk dat onvoldoende gegevens de uitbreiding van de industrie tegenhouden – de IoT, wearables en andere gegevensverzamelaars vullen de traditionele web- en app-analyse al aan.

Gebruikersvriendelijke SaaS-platforms zijn nog steeds een nieuwe kans. Voor de meeste bedrijven vereist het maken van modellen en voorspellingen uit historische gegevens nog steeds een toegewijde medewerker voor het navigeren door complexe softwareoplossingen of het uitbesteden van dat werk aan een leverancier.

Voor degenen die voorspellende analyseprojecten uitstellen totdat de SaaS-opties volwassener zijn, zou het verstandig zijn om uw datameer te blijven vullen.


Erwin@delaatbusiness.com
Dag, Hulp nodig met internet marketing of websites maken? neem dan contact op

0 Comments

Het e-mailadres wordt niet gepubliceerd. Vereiste velden zijn gemarkeerd met *

Choose A Format
Personality quiz
Series of questions that intends to reveal something about the personality
Trivia quiz
Series of questions with right and wrong answers that intends to check knowledge
Poll
Voting to make decisions or determine opinions
Story
Formatted Text with Embeds and Visuals
List
The Classic Internet Listicles
Countdown
The Classic Internet Countdowns
Open List
Submit your own item and vote up for the best submission
Ranked List
Upvote or downvote to decide the best list item
Meme
Upload your own images to make custom memes
Video
Youtube, Vimeo or Vine Embeds
Audio
Soundcloud or Mixcloud Embeds
Image
Photo or GIF
Gif
GIF format