Noções básicas de principais tendências tecnológicas em análise preditiva

Video: Tendencias tecnológicas 2017

técnicas analíticas de previsão tradicionais só pode fornecer insights sobre a base de dados históricos. Seus dados - tanto no passado como entrada - pode fornecer um indicador confiável que pode ajudá-lo a tomar melhores decisões para alcançar seus objetivos de negócio. A ferramenta para realizar esse objetivo é a análise preditiva.

Como explorar análise preditiva como um serviço

Como o uso de análise preditiva se tornou mais comum e generalizada, uma tendência emergente é (compreensivelmente) para uma maior facilidade de utilização. Sem dúvida a maneira mais fácil de usar análise preditiva é como software - seja como um produto independente ou como um serviço baseado em nuvem fornecido por uma empresa cujo negócio é fornecer soluções de análise preditiva para outras empresas.

Se o negócio da sua empresa é oferecer análise preditiva, você pode fornecer essa capacidade de duas maneiras principais:

• Como uma aplicação de software independente com uma interface gráfica fácil de usar: O cliente compra o produto de análise preditiva e usa-lo para construir modelos preditivos personalizados.

• Como um conjunto baseado em nuvem de ferramentas de software que ajudam o usuário escolha um modelo preditivo de usar: O cliente aplica as ferramentas para cumprir os requisitos e especificações do projeto na mão, e o tipo de dados que o modelo será aplicado. As ferramentas podem oferecer previsões rapidamente, sem envolver o cliente no funcionamento dos algoritmos em uso ou o gerenciamento de dados envolvidos.

Video: ¿Cuáles son las tendencias tecnológicas del futuro? Joi Ito, director del MIT Media Lab, responde

Um exemplo simples pode ser tão simples como estas três etapas:

1. Um cliente uploads de dados para seus servidores, ou escolhe dados que já reside na nuvem.

2. O cliente aplica alguns dos modelo preditivo disponíveis a esses dados.

3. Os comentários de clientes visualizados perspectivas e previsões a partir dos resultados da análise ou serviço.

Como agregar dados distribuídos para análise

Uma tendência crescente é aplicar a análise preditiva aos dados recolhidos a partir de diversas fontes. Implantação de uma solução de análise preditiva típico em um ambiente distribuído requer a coleta de dados - às vezes big data - de diferentes fontes- uma abordagem que deve contar com recursos de gerenciamento de dados. Os dados precisam ser coletados, pré-processado, e conseguiu antes ele pode ser considerado útil para gerar previsões acionáveis.

Video: Bate Papo com Teco Medina - Tendências Tecnológicas no Mercado Digital

Os arquitetos de soluções de análise preditiva deve sempre enfrentar o problema de como coletar e processar dados de diferentes fontes de dados. Considere, por exemplo, uma empresa que quer prever o sucesso de um negócio decisão que afeta um de seus produtos através da avaliação de uma das seguintes opções:

• Para colocar os recursos da empresa para aumentar o volume de vendas

• Para terminar o fabrico do produto

• Para mudar a estratégia de vendas atual para o produto

O arquiteto análise preditiva deve projetar um modelo que ajuda a empresa a tomar esta decisão, utilizando dados sobre o produto de diferentes departamentos:

• Dados técnicos: O departamento de engenharia tem dados sobre as especificações do produto, seu ciclo de vida, bem como os recursos e tempo necessários para produzi-lo.

• Os dados de vendas: O departamento de vendas tem informações sobre o volume do produto de vendas, o número de vendas por região, e os lucros gerados por essas vendas.

• dados de clientes a partir de pesquisas, revisões e mensagens: A empresa pode ter nenhum departamento dedicado que analisa a forma como os clientes se sentem sobre o produto. As ferramentas existem, no entanto, que pode analisar automaticamente dados postados on-line e extrair as atitudes dos autores, palestrantes, ou clientes em direção a um tema, um fenômeno, ou (neste caso) um produto.

  

Por exemplo, se um usuário posta um comentário sobre o produto X, que diz: “Eu realmente gosto o produto X e estou feliz com o preço,” um extractor sentimento rotula automaticamente este comentário como positivo.

Tais ferramentas podem classificar respostas como “feliz”, “triste”, “raiva”, e assim por diante, baseando a classificação nas palavras que o autor utiliza em texto postado online. No caso do produto X, a solução de análise preditiva seria necessário para agregar opiniões dos clientes a partir de fontes externas.

O exemplo é uma agregação de dados de várias fontes, tanto internas como externas - desde a engenharia e divisões de vendas (internas) e de opiniões dos clientes adquirida a partir de redes sociais (externo) - que também é um exemplo do uso de big data em análise preditiva .

Noções básicas de análise baseados em dados em tempo real

Entregando percepções como novos eventos ocorrem em tempo real é uma tarefa desafiadora, porque muito está acontecendo tão rápido. processamento moderno de alta velocidade mudou a busca de uma visão de negócios longe de armazenamento de dados tradicional e para processamento em tempo real.

Mas o volume de dados também é elevada - uma quantidade enorme de dados variados, a partir de múltiplas fontes, gerados constantemente e em velocidades diferentes. As empresas estão ansiosos para soluções de análise preditiva escaláveis ​​que podem derivar informações em tempo real a partir de um fluxo de dados que parece carregar “o mundo e tudo o que ele contém.”

A demanda está se intensificando para analisar dados em tempo real e gerando previsões rapidamente. Considere o exemplo da vida real de encontrar um posicionamento de anúncio on-line que corresponde a uma compra que você já estavam prestes a fazer. As empresas estão interessadas em soluções de análise preditiva que podem fornecer recursos como o seguinte:

• Prever - em tempo real - o anúncio específico que um visitante do site provavelmente clique (uma abordagem chamada colocação de anúncios em tempo real).

• Especular com precisão em que os clientes estão prestes a sair de um serviço ou produto a fim de orientar os clientes com uma campanha de retenção (retenção de clientes e modelagem de churn).

• Identificar os eleitores que podem ser influenciadas através de uma estratégia de comunicação específica, como uma visita domiciliar, comercial de TV, chamada de telefone, ou e-mail. (Você pode imaginar o impacto sobre a campanha política.)

Além de incentivar a compra e votação ao longo de linhas desejadas, em tempo real, análise preditiva pode servir como uma ferramenta fundamental para a detecção automática de ciberataques.