Прогностическая аналитика – Финансовая энциклопедия

Прогностическая аналитика – Финансовая энциклопедия Аналитика

Что такое прогнозная аналитика?

Прогнозная аналитика – это использование статистики и методов моделирования для определения будущей производительности на основе текущих и исторических данных. Прогнозная аналитика изучает закономерности в данных, чтобы определить, могут ли они появиться снова, что позволяет предприятиям и инвесторам корректировать, где они используют свои ресурсы, чтобы воспользоваться возможными будущими событиями.

Ключевые выводы

  • Прогнозная аналитика – это использование статистики и методов моделирования для определения будущей производительности.
  • Он используется в качестве инструмента принятия решений в различных отраслях и дисциплинах, таких как страхование и маркетинг.
  • Прогностическую аналитику и машинное обучение часто путают друг с другом, но это разные дисциплины.

Amazon использует predictive marketing…

…с целью рекомендовать продукты и услуги пользователям на основе их прошлого поведения. По некоторым данным, подобные рекомендации приносят до 30% продаж Amazon. Помимо этого в планах у Amazon была разработка инструмента, который на основе прогнозных данных мог бы поставлять товар в зону предполагаемого заказа еще до момента, когда на сайте будет размещен заказ, что позволило бы сократить время на доставку товара конечному пользователю.

Harley davidson использует прогнозную аналитику…

…для таргетирования на потенциальных клиентов, привлечения лидов и закрытия сделок. Они выявляют потенциальных наиболее ценных клиентов, готовых совершить покупку. Затем торговый представитель напрямую связывается с клиентами и проводит их через процесс продаж, чтобы найти максимально подходящее для клиента предложение.

Macys

Команда Macys воспользовались преимуществами прогнозной аналитики в более точном директ-маркетинге. В течение 3 месяцев компания увеличила объем онлайн-продаж с 8% до 12% за счет использования данных онлайн-поведения пользователей в рамках просмотра по категориям продуктов и отправки персонализированных электронных писем для каждого сегмента вовлеченных пользователей.

Owox bi insights

Сервис OWOX BI:

  • объединяет разрозненные маркетинговые данные из разных источников, делая их доступными для анализа в Google BigQuery;
  • определяет ценность каждого шага пользователя, используя собственную модель атрибуции на основе воронки;
  • автоматически строит отчеты для анализа эффективности маркетинга;
  • показывает, насколько будет выполнен план продаж, в чем зоны роста и слабые места, как меняется доля рынка.

Вы можете попробовать его прямо сейчас, воспользовавшись бесплатным триалом:

Подробнее о продукте можете узнать в нашей статье Как прогнозировать зоны роста и риски в маркетинг-плане на основе данных.

Radius

Radius предоставляет несколько услуг по анализу данных с упором на прогнозный B2B маркетинг. Некоторые из ключевых особенностей:

  • Radius Customer Exchange (RCX) сопоставляет профиль вашей компании с бизнесами других компаний, которые имеют одинаковую аудиторию, что дает вам возможность работать сообща, создавая собственные маркетинговые списки
  • Radius Connect: передает определенные прогнозные данные в Salesforce, чтобы ваши идеи работали там, где ваша команда продаж работает больше всего

Платформа также помогает маркетологам обмениваться данными между отделами и находить новые учетные записи во внутренних баз данных. Как и Infer, Radius является облачной системой.

Виды предиктивной аналитики

Из-за акцента на определении связей между историческими данными и прогнозом будущего на их основе используется один или несколько предикторов. Если заданные требования более высокие, то применяться могут расширенные методы. Основные среди них – с контролируемым и неконтролируемым обучением.

Предполагается, что модель будет строиться по уже имеющимся данным и выходящим результатам, т.е. известны предикторы и итоги, на которые они влияют. Контролируемое обучение состоит из:

Регрессия. Самый популярный вид предиктивной аналитики. Во время регрессии применяется количественная переменная, т.е. цена продажи автомобиля будет зависеть от ряда предикторных переменных: марки, трансмиссии, привода, цвета, внешнего вида, состояния салона и т.д.

Классификация. Здесь нашла применение так называемая категориальная вариация ответа. Например, уровень дохода. Его можно условно разделить на три группы: низкий, средний и высокий. Классификатор изучит полученный набор данных, где в каждом наблюдении будет присутствовать информация о переменной и предикторах.

Например, исследуется уровень доходов лиц, которые отсутствуют в исходном наборе данных, по характеристикам возраста, пола и профессии. Аналитик сначала изучает весь набор данных, заданный алгоритм вычисляет комбинации, связанные с уровнем дохода, создавая так называемый обучающий набор.

Затем алгоритм рассматривает другие наблюдения, где нет информации о доходе. В итоге, основываясь на классификации учебного набора данных, новым наблюдениям задается классификация: 64-летний мужчина, руководитель департамента информационной безопасности, будет отнесен к группе с высоким уровнем дохода.

Классификация делится на несколько видов: логистическая регрессия, случайные леса и др. 

  • Неконтролируемое обучение

Моделирование идет по входящим данным. Вывод подбирается уже в процессе.

Кластеризация основной вид неконтролируемого обучения, который помогает понять связи между переменными или наблюдениями, определяя их попадание в разные группы. Например, если анализировать клиентов, то в расчет принимаем несколько переменных: пол, возраст, доход и т.д.

Дополнительный анализ:  Опционы на акции Cara Therapeutic (CARA) —

Где можно использовать прогнозную аналитику?

В вашем смартфоне приблизительно 50 приложений. Каждое из них принимает, передает, генерирует информацию. Эти данные сохраняются в разных сервисах, в разных форматах. И хотя на первый взгляд это является положительным фактором для маркетологов, возникает проблема эффективной работы с таким объемом структурированных и неструктурированных данных.

Давайте рассмотрим несколько примеров, где успешно применяются результаты, полученные с помощью прогнозной аналитики.

Компания sprint использует ai-алгоритмы для выявления клиентов, подверженных риску оттока…

…и превентивно предоставляет необходимую информацию по удержанию. AI предсказывает, чего хотят клиенты, и предоставляет им предложение, когда они подвержены максимальному риску покинуть компанию. С тех пор скорость оттока Sprint резко упала, и клиенты дали компании отличные оценки за персонализированный сервис и целевые предложения. Как видим, прогноз оттока клиентов — еще одна посильная задачи для прогнозной аналитики среди SaaS-бизнеса и электронной коммерции.

Вот список самых популярных метрик из сферы “ответственности” прогнозной аналитики:

  1. Коэффициент оттока клиента (Churn rate)
  2. Прогноз выполнения плана продаж
  3. Точная жизненная ценность клиента

Критика прогнозной аналитики

Использование прогнозной аналитики подвергалось критике и, в некоторых случаях, было ограничено законом из-за предполагаемого неравенства в ее результатах. Чаще всего речь идет о прогностических моделях, которые приводят к статистической дискриминации расовых или этнических групп в таких областях, как кредитный рейтинг, жилищное кредитование, занятость или риск преступного поведения.

Известный пример этого является (ныне незаконной) практикой красной черты в домашнем кредитовании банков. Независимо от того, являются ли прогнозы, сделанные на основе использования такой аналитики, точными, их использование, как правило, не одобряется, а данные, которые явно включают такую ​​информацию, как раса человека, теперь часто исключаются из прогнозной аналитики.

Полезные материалы

Predictive ModelingThe Importance of Predictive Analytics for E-commerce StoresA Comprehensive Guide To Predictive AnalyticsTop 10 Predictive Analytics Tools, By CategoryForecasting Revenue Using Predictive Analytics:

An Interactive Case Study A Predictive Analytics PrimerTOP 24 PREDICTIVE ANALYTICS FREE SOFTWARE20 Best Predictive Analysis Software of 2021Predictive Analytics ToolsPredictive Analytics SoftwarePredictive ModelingPredictive Analytics ToolsПредиктивная аналитика на пальцахInsights To Action — For Real This Time7 Ways Amazon Uses Big Data to Stalk You (AMZN)Amazon Wants to Use Predictive Analytics to Offer Anticipatory ShippingCustomer Retention:

Macy’s Uses Predictive Analytics to Grow Customer SpendPredictive Analytics in 2021: What’s Possible, Who’s Doing It, and HowHow to Use Predictive Analytics for Better Marketing PerformanceForecasting Revenue Using Predictive Analytics:

Примеры прогнозной аналитики

Прогнозная аналитика – это инструмент принятия решений в самых разных отраслях.

Прогнозирование – важная задача в производстве, поскольку оно обеспечивает оптимальное использование ресурсов в цепочке поставок. Критические спицы колеса цепочки поставок, будь то управление запасами или цех, требуют точных прогнозов для функционирования.

Прогностическое моделирование часто используется для очистки и оптимизации качества данных, используемых для таких прогнозов. Моделирование гарантирует, что система может принимать больше данных, в том числе из операций, связанных с клиентами, для обеспечения более точного прогноза.

Кредитный скоринг и андеррайтинг также широко используют прогнозную аналитику. Когда потребитель или предприятие подает заявку на получение кредита, данные о кредитной истории заявителя и кредитной истории заемщиков с аналогичными характеристиками используются для прогнозирования риска того, что заявитель может не выполнить любой предоставленный кредит.

Страховые компании проверяют соискателей полиса, чтобы определить вероятность выплаты по будущему иску на основе текущего пула рисков аналогичных страхователей, а также прошлых событий, которые привели к выплатам. Прогнозные модели, которые рассматривают характеристики в сравнении с данными о прошлых страхователях и претензиях, обычно используются актуариями.

В другом месте маркетологи смотрят, как потребители отреагировали на общую экономику при планировании новой кампании, и могут использовать демографические сдвиги, чтобы определить, побудит ли текущий набор продуктов потребителей совершить покупку.

Между тем активные трейдеры смотрят на различные показатели, основанные на прошлых событиях, когда решают, покупать или продавать ценные бумаги. Скользящие средние, диапазоны и точки останова основаны на исторических данных и используются для прогнозирования будущих движений цен.

Прогнозное моделирование

Прогнозное моделирование – широко используемый статистический метод для прогнозирования поведения различных явлений на основе анализа исторических и оперативных данных, и создания моделей, помогающих прогнозировать на основе этих данных.

Определение Gartner.

Можно выделить следующие этапы прогнозного моделирования:​
  • Сбор первичных данных
  • Формирование статистической модели
  • Формирование прогноза
  • Проверка/пересмотр модели по мере поступления дополнительных данных

Прогнозные модели анализируют прошлое поведение пользователя, чтобы оценить вероятность того, что он будет демонстрировать определенное поведение в будущем. Подобный вид анализа включает в себя также модели, которые находят трудноуловимые паттерны (шаблоны) данных, к примеру, для выявление недоброкачественного трафика (fraud detection models).

Часто прогнозные модели производят вычисления непосредственно в момент прохождения пользователя по конверсионной воронке на пути к выполнению конверсионного действия – например, чтобы оценить вероятность достижения цели либо риски того, что цель не будет достигнута. С точными данными о вероятности перехода с одного шага воронки на другой, бизнес может лучше управлять факторами, мешающими или помогающими пользователю перейти далее, и точнее описывать шаблоны поведения разных категорий покупателей.

Дополнительный анализ:  Никакой магии: как предиктивная аналитика помогает бизнесу предсказывать будущее

Программные инструменты

Рынок предлагает большой выбор инструментов предиктивной аналитики. Основное отличие в функционале: одни предназначены для процесса моделирования, другие – для интерпретации моделей. 

Из наиболее известных решений:

  • R
  • Python
  • Rapid Maner
  • Knime
  • IBM SPSS Modeler
  • IBM Watson Analytics
  • SAS Enterprise Miner
  • SAP BusinessObjects Predictive Analytics
  • Oracle Big Data Preparation.

Распространенные заблуждения о прогнозной аналитике

Распространенное заблуждение состоит в том, что предиктивная аналитика и машинное обучение – это одно и то же. По своей сути, прогнозная аналитика включает ряд статистических методов (включая машинное обучение, прогнозное моделирование и интеллектуальный анализ данных) и использует статистику (как историческую, так и текущую) для оценки или прогнозирования будущих результатов.

Прогнозная аналитика помогает нам понять возможные будущие события, анализируя прошлое.С другой стороны, машинное обучение – это область компьютерных наук, которая, согласно определению Артура Сэмюэля, американского пионера в области компьютерных игр и искусственного интеллекта в 1959 году, означает «программирование цифрового компьютера для работы в способ, который, если бы это сделали люди или животные, был бы описан как вовлекающий процесс обучения “.

Наиболее распространенные модели прогнозирования включают деревья решений, регрессии (линейные и логистические) и нейронные сети, что является новой областью методов и технологий глубокого обучения.

Рассказываем простым языком о предсказательной аналитике

Конечно, «предиктивный анализ» звучит сложно и непонятно. Но это совсем не так. Эта технология позволяет провести достаточно точное медиапланирование на основе накопленных данных. Федор Иванов, старший продакт-менеджер Calltouch, рассказывает, что это такое и чем вам поможет предсказание вашего маркетингового будущего

Что такое предиктивный анализ

Дословно предиктивный анализ — это предсказательная аналитика, которая
использует исторические данные, накопленные по некоторой величине, для
прогнозирования поведения этой величины в будущем.

По сути, прогноз строится на основе алгоритмов анализа временных рядов.
Возьмем любой показатель, который как-то меняется со временем. Предиктивный
анализ анализирует известный отрезок времени, по которому уже накоплены данные,
выявляет закономерности и на их основе строит прогноз на будущий период.

Насколько точен прогноз

Эффективность расчета зависит от типа данных для анализа. Если
прослеживается явная периодичность изменений, точность прогноза достигает
85%.

Зачем предиктивный анализ маркетологам, агентствам и
клиентам

Можно ли использовать прогнозную аналитику для карьерного роста?

Смоделируем такую ситуацию: маркетолог, увидев, что прогноз обещает «не
лучшие» времена для компании на ближайшее полугодие, решает уйти в другую
фирму. Может он руководствоваться прогнозом?

Предсказательная аналитика показывает возможное будущее с точностью 80–85%
при условии, что все останется без изменений (не изменяются субъективные
факторы). «Не лучшие» времена наступили не в один момент. Скорей всего,
ухудшения нарастали постепенно, и негативная тенденция отразилась в прогнозе. В
нашем примере это «звоночек» — пора что-то менять.

Предиктивный анализ в маркетинге и вообще в бизнес-сфере лучше использовать
как инструмент медиапланирования. Предположим, клиент хочет знать количество
лидов в следующем месяце. С помощью алгоритма легко спрогнозировать это
значение.

Можно ли по результатам предиктивного анализа ставить KPI?

Все зависит от типа данных на входе. Когда периодичность изменений четко
прослеживается, как в нишах B2B, то — да. Мы видим, что и как было в прошлых
периодах. Будущее более-менее известно. В этом случае можно встроить прогноз в
KPI, но с запасом на погрешность метода.

Другой пример — когда для анализа берутся редкие данные. Скажем, у клиента
было в прошлом месяце 3 лида. Прогноз выдает прибавку в 2 лида. Однако любое
случайное изменение может легко исказить предсказание. В таких случаях
прогнозные данные нельзя применять для построения KPI.

В целом предсказательную аналитику рекомендуется использовать как инструмент
медиапланирования. Например, спрогнозировали 1500 лидов в месяц. Маркетологи
ударно поработали и получили результат в 2 раза лучше. Соответственно, значение
1500 лидов можно взять как нижнюю планку для KPI.

Зачем прогнозирование агентствам и клиентам?

Агентствам, как инструмент медиапланирования. Клиентам, скорей всего тоже
для этих целей. Скажем, понять, какая на данный момент тенденция в бизнесе —
негативная или позитивная, чего ждать в будущем. Если видится спад, то,
возможно, имеет смысл перераспределить бюджеты на другие рекламные каналы или
сделать что-то еще. Всегда лучше понимать, что творится с твоим бизнесом, и
строить планы на будущее на основе объективных данных.

Могут ли клиенты использовать данные прогноза, чтобы проверить работу
агентства?

Смоделируем такую ситуацию: клиенту обещают 50 лидов в месяц. Агентство
уверяет, что это самый потолок их KPI и вообще в нише клиента никто больше 50
лидов не приводит. Клиент заходит в личный кабинет, и предиктивный прогноз
выдает ему результат: 150 лидов на ближайший месяц. Может клиент «вскрыть»
обман агентства?

Клиент, помимо предиктивного прогноза, получает ежемесячные отчеты агентства
по ключевым метрикам. Если он видит, что лидов в прошлом месяце и ранее было в
среднем 150, то планируемый показатель в 50 лидов как минимум некорректен.
Предиктивный анализ не используют для выявления «плохишей» в агентстве. Это —
инструмент медиапланирования.

Ключевой момент, чтобы понимать суть алгоритма.

Дополнительный анализ:  Аналитика группы, страницы, пабликов Вконтакте ✮ сервисы для работы | EPICSTARS

Предсказательная аналитика строит прогноз на будущее при условии, что
никакие «внешние» данные не будут меняться.

Все, что использует алгоритм для расчета, — это значение конкретной метрики
на определенный период времени. Больше ничего не известно. Как получили это
значение: переработали рекламную кампанию, влили бюджеты, подключили акции и
прочее — этого алгоритм не может знать.

Соответственно, точность прогноза будет снижаться, если что-то менять.
Подключили новые каналы рекламы, исправили объявления, сделали еще что-то для
улучшения ситуации. В итоге добились не прогнозного спада, а реального подъема
продаж.

Прогностическая аналитика – Финансовая энциклопедия

На чем основаны данные о 85% точности прогнозов

Методика расчета заключается в следующем. Для анализа берутся данные за
определенный временной период — это должна быть известная статистика. Из этого
опорного периода искусственно выбирается та часть временного периода, за
которую мы располагаем данными. Другую часть, неизвестную машине, но известную
людям, используют для теста. Соответственно, на выходе мы можем оценить
точность машинного прогноза, так как нам уже известны результаты второй части
данных.

Формула расчета

Прогнозирование временных рядов строится на двух алгоритмах, которые
переключаются динамически в зависимости от типа данных:

  1. Метод тройного экспоненциального сглаживания, или алгоритм
    Хольта-Винтерса
    . Он хорошо работает, когда в структуре данных
    прослеживается явная периодичность/сезонность. Например, в B2B-нишах в выходные
    дни фиксируется спад активности клиентов, а в будни — подъем. Наблюдаем в
    бизнесе типичный волнообразный цикл. Можно довольно точно спрогнозировать
    количество лидов, сессий или посчитать другие метрики на будущий период.
  2. Авторегрессия скользящего среднего (ARMA). Второй алгоритм больше
    подходит для анализа каких-то редких метрик и данных с плохо прослеживаемой
    взаимосвязью. Словом, там, где трудно установить периодичность/сезонность или
    постоянные изменения ломают тренды. Вспомним пример про 3 лида в месяц.

В работе этих алгоритмов есть нюанс. Прежде чем строить прогноз, машина
изучает входные данные. Обычно берется краткосрочный диапазон дат — неделя, а
весь исследуемый временной отрезок дробится на 7-дневные циклы. Полученные
сегменты сравниваются между собой. Неделя к неделе. Вычисляется коэффициент
корреляции (взаимная связь). Если он высокий и прослеживается явная
периодичность, то применяется метод Хольта-Винтерса. Когда данные не схожи
между собой, подключается алгоритм ARMA.

Какое развитие получит предиктивный анализ в будущем

Можно ли в скором будущем добиться 100% точности прогноза?

100% точности предсказания в принципе невозможно достичь, потому что всегда
будут мешать внешние факторы. Может быть, в каких-то идеальных условиях или
применяя сверхмощный искусственный интеллект, — это возможно. Правда, ни того,
ни другого пока не видно на горизонте.

Представьте: мы хотим со 100% точностью узнать, сколько времени нам
понадобится на то, чтобы покрасить стены дома. У нас есть четыре месяца данных
по среднему времени окрашивания аналогичного по параметрам дома для анализа:
май, июнь, июль, август, причем данные месяцы были солнечными. Требуется
спрогнозировать длительность работы в сентябре. Машина выдала некоторый
результат, но сентябрь выдался дождливым. Понятно, что полученный прогноз не
будет отражать объективную реальность.

Поэтому 100% точность — это фантастика. Можно добиться увеличения точности
на 5–7 процентных пунктов. Сложно, долго и дорого. Сейчас, при 85%, мы имеем
недостаточно быстрый расчет. А при повышении точности и глубины анализа есть
опасения не увидеть прогноз никогда.

Новый мир, где все предсказуемо, пока откладывается?

Видимо, да. Это и хорошо. С непредсказуемостью в анализе можно ужиться, если
понимать последствия ошибок.

Простой пример. Для бизнеса прогноз выдал 100 лидов на будущий месяц, а по
факту вышло 110 или 95. Ничего страшного с компанией не произойдет. А вот что
будет, если предсказали падение доллара на 20 копеек, а по факту случился
подъем на 50 копеек? Для финансовых организаций и биржевых спекулянтов — это
катастрофическая ошибка.

Предиктивный анализ — это не волшебный инструмент для предсказаний всего и
везде. Но если прогнозную аналитику использовать для медиапланирования в
маркетинге, можно добиться 85% точности прогноза. А это уже серьезно повышает
управляемость бизнеса.

Итоги

Прогнозная или предиктивная аналитика в маркетинге — это мощный data science инструмент, все возможности которого не поместятся в одну статью. Поэтому дайте нам знать в комментариях ниже, о каких именно аспектах прогнозной аналитики нам писать следующий материал.

И чтобы не забыть, напоминаем вам 3 заповеди прогнозной аналитики:

  • Начинайте с азов: проверьте качество ваших данных, собирайте их автоматически, чтобы исключить ошибки из-за человеческого фактора. От качества ваших данных зависит качество выборки на обучения модели.
  • Никогда не уходите далеко от цели своего исследования, так как тут важен не процесс, а все-таки результат.
  • Соблюдайте требования к точности, помните, что результаты вашего прогноза может валидировать только процент того, насколько точной стала отработанная модель на ваших данных.

Ключевые выводы

  • Прогнозная аналитика – это использование статистики и методов моделирования для определения будущей производительности.
  • Он используется в качестве инструмента принятия решений в различных отраслях и дисциплинах, таких как страхование и маркетинг.
  • Прогностическую аналитику и машинное обучение часто путают друг с другом, но это разные дисциплины.
Оцените статью
Аналитик-эксперт
Добавить комментарий

Adblock
detector