Прогностическая или предписывающая аналитика? бизнесу нужно и то и другое

Мировой рынок

Прогноз Transparency Market Research 2017 года в 2019й

Рынок предикативной аналитики достигнет $6,5 млрд к 2019 году, согласно прогнозу Transparency Market Research от ноября 2013 года. По мнению аналитиков этой компании, рост рынка управляется такими драйверами как увеличение спроса на пользовательскую аналитики и интеллектуальный софт для информационной безопасности и защиты от фрода. Отдельное отмечается бурное развитие сегменте облачных решений для предикативного анализа.

Для сравнения, по итогам 2012 года, по данным той же фирмы, мировой рынок систем для предикативного анализа составил в объеме $2,08 млрд, а среднегодовой его прирост в период с 2013 по 2019 год составит 17,8%.

Наиболее востребована предикативная аналитика в отраслях, работающих с конечными потребителями, таких как банковские и финансовые сервисы, страхование, госсектор, фармацевтика, телеком и ИТ, ритейл. На эти сегменты пришлось 71,8% объема внедрений в 2012 году. На протяжении прогнозного периода максимальная доза проектов придется на банковский сектор, финансовые сервисы, страхование. Впрочем, наиболее быстро число проектов будет расти в рознице и на производстве.

Аналитики отмечают, что рост случаев мошенничества, неплатежей, угрозы несоответствия многочисленным правилам и регламентам вынуждают бизнес все чаще обращаться к предикативному анализу с целью построения футуристических моделей, позволяющих принимать превентивные меры по отношению к неблагоприятным событиям.

Такие разные типы программного обеспечения как системы пользовательской аналитики, аналитики информационной безопасности и управлениям кампаниями составили около 50% рынка предикативной аналитики в 2012 году. Эти решения используются для оптимизации организационных процессов в продажах и маркетинге, управления клиентами и каналами продаж, финансового и риск менеджмента и так далее.

Среди региональных рынков крупнейшим рынком систем предикативного анализа будет Северная Америка, причем здесь спрос на прогнозные решения придет со стороны компаний, активно решающих вопросы работы с большими данными (big data). Именно поэтому в скором времени на аренду предикативной аналитики выйдет все ключевые вендоры решений для big data, включая SAS Institute, SAP, Oracle, IBM, Microsoft, Teradata и Tableau Software.

Рынок при этом остается во многом поделен между крупнейшими игроками: на первую пятерку поставщиков пришлось 80% объема рынка в 2012 году. Среди других заметных игроков отмечаются Fair Isaac, Tibco, Information Builders, Alteryx, Qlik (QlikTech) и MicroStrategy.

Как мы строили предиктивную аналитику

Сбор данных

Особенность нашей компании состоит в том, что у каждой категории товаров есть своя специфика, средний чек и частота покупок. Взаимодействие пользователя с товарами различных категорий может в корне отличаться. Если на маникюр наша клиентка может ходить раз в неделю, то на концерты – уже раз в пару недель, а в отпуск за границу она ездит два-три раза в год.

За 7 лет работы компании мы накопили данные о нескольких миллионах уникальных покупателей в виде 800 миллионов событий (заходы, покупки, категории покупок, платформы, с которых пользователи приходили, шаги до покупки, брошенные корзины и так далее, в основном поведенческие данные).

Работа с данными

Для построения обеих моделей – по оттоку пользователей и рекомендательной системы – был использован алгоритм Random Forest («Случайный лес»). Это один из алгоритмов кластеризации и классификации, который способен работать с большим числом событий и атрибутов (а в нашем случае – признаков, как, что и где покупал пользователь).

В предиктивной аналитике, если алгоритм методологически подходит к задаче и типу очищенных данных, он применяется и на практике в зависимости от эффективности или, другими словами, от точности предсказаний.

«Случайный лес» не только способен эффективно обрабатывать данные с большим числом признаков, но и может обобщать разные сценарии и улавливать логику поведения пользователей, которая  строится на основе многочисленных «разветвлений» их действий. У нас было достаточно данных для того, чтобы с его помощью можно было достаточно эффективно обобщать логику шагов и предсказывать вероятность того или иного действия.

Проверка предсказаний

Убедившись, что выстроенная модель работает, мы проверяли, «сбываются» ли предсказания. По рекомендациям мы оценивали, насколько повысилась конверсия, а по оттоку пользователей – насколько правильные прогнозы их ухода выдавал наш алгоритм. Для этого мы брали когорты клиентов по оттоку и смотрели, где предсказывался уход с вероятностью Х и дальше смотрели, сколько из них ушло через 2-4 недели.  

Что такое предикативная (предиктивная) аналитика?

Предикативная или прогностическая аналитика (Predictive analytics) — это прежде всего множество методов статистики, анализа данных и теории игр, которые используются для анализа текущих и исторических данных/событий для прогноза данных/событий в будущем.

Наиболее известный способ использования прогностической аналитики – это применение скоринговых моделей для оценки платежеспособности клиента при выдаче кредитов в банке. Любая скоринговая модель строится на исторических данных, и если в прошлом, какая-либо группа клиентов была уличена в несвоевременном гашении кредитов, а вы по каким-либо характеристикам схожи с этой группой, то скорее всего в выдаче кредитов вам откажут.

Однако это не все области, где применяется предикативная аналитика, ее можно применять для разработки продуктов, для выбора потенциальной аудитории, для выбора следующего продукта, который вы можете предложить клиенту (Next Best Offer) и множестве других.

Родственным по отношению к предикативной аналитике является понятие data mining, так как предикативная аналитика использует частично подобные методы. Центральной же сущностью предиктивной аналитики является задача определение предиктора или нескольких предикторов (параметров или сущностей, которые влияют на прогнозируемое событие). Например, страховые компании выделяю такие предикторы, как возраст, стаж вождения при определении страховой премии. Множество этих предикторов образует модель предиктивной аналитики, которая предсказывает определенное событие в будущем с какой-то степенью вероятности.

Аналитики Gartner полагают, что дальнейшее развитие мирового рынка бизнес-анализа пойдет по пути активного освоения advanced (продвинутой) аналитики, в том числе предикативного анализа, построения симуляторов и вариативных моделей. Возможность к построению таких моделей в 2013 году в Gartner назвали 15 обязательным блоком корпоративных BI-платформ.

Аналитика класса advanced использует статистику, описательные и предикативные инструменты data mining (разведки данных), симуляторы и оптимизационные средства. Конечная цель применения всех этих инструментов – принятие решений, решение бизнес-задач и идентификация возможностей для составления наилучших прогнозов, выявления процессов, паттернов и прочих закономерностей.

Чтобы предикативный анализ был успешным, в Forrester рекомендуют четко следовать следующим стадиям: постановка цели, получение данных из различных источников, подготовка данных, создание предикативной модели, оценка модели, внедрение модели, мониторинг эффективности модели.

Схема внедрения инструментов предикативного анализа

Forrester Research, 2013

При чем тут комментарии и соцсети

Коммуникационные способности человека, те самые soft skills — важное профессиональное качество для работников IT-отрасли. Более того, для предиктивных моделей тоже, потому что HR-специалисты обучают их оценивать и этот навык

Условно говоря, десять лет назад открытая вкладка соцсети или мессенджер на рабочем компьютере сотрудника могли быть восприняты негативно. Теперь же это плюс. По количеству, качеству и влиятельности коммуникации человека в корпоративной переписке (не читая текст переписки) алгоритмы оценивают коммуникативные навыки и умение выстраивать «мосты» между командами. 

Прогнозирование времени функционального отказа

Как только мы установили, что зарождающийся отказ (потенциальный сбой) существует на активе, и что последствия отказа будут таковы, что их следует избегать, следующий вопрос, который возникает, это «сколько у нас остается времени, прежде чем произойдет критический отказ» или, точнее, «сколько у нас времени для предотвращения этого критического отказа». Здесь мы вступаем в область прогнозирования, и технологии обработки больших данных могут как раз помочь в получении ответа. В настоящее время те, кто знаком с ремонтами, ориентированными на надежность (RCM), скорее всего, знают, что одним из ключевых параметров является PF-интервал (см. рис. 2) — это временной интервал от точки Р (точка, в которой мы можем впервые обнаружить существование потенциального отказа или зарождающегося дефекта) до точки F (точка, в которой этот отказ неизбежно произойдет). PF-интервал важен по двум причинам. Первая заключается в том, что если мы проводим периодические проверки состояния активов, мы должны проводить их с периодичностью меньше времени PF-интервала, чтобы быть в состоянии принять необходимые меры и избежать последствий функциональных отказов. Вторая заключается в том, что PF-интервал говорит нам, как быстро мы должны принять необходимые меры для предотвращения технических сбоев в будущем

Обратите внимание, что появление «Интернета вещей», в котором все больше и больше параметров состояния оборудования регистрируются в режиме реального времени, а не через периодические проверки, дает нам возможность выбирать точку потенциальных отказов (точка P на рис. 2) как можно ближе к точке F и при этом избежать последствий отказа

Так мы можем реализовывать стратегии профилактики отказов «точно в срок», тем самым продлевая срок службы компонентов

Это особенно важно для техники, такой как карьерные самосвалы и дорожные грузовики, где интервал времени между периодическими работами обычных проверок может быть довольно большим. Так как же определить, каков PF-интервал на самом деле? В настоящее время большинство организаций оценивают PF-интервал (за исключением, возможно, для особо важных видов отказов) методом экспертных оценок

Это часто происходит в режиме мозгового штурма на тему «как долго прослужит подшипник, пока его не заклинит?» Учитывая, что эти оценки могут быть неточными, обычно принимаются более консервативные оценки PF-интервала, что приводит к излишне частым проверкам. Прогнозная аналитика в сочетании с мониторингом состояния в режиме реального времени и технологией «Интернета вещей» может позволить нам оценить PF-интервал с большей точностью путем сбора информации о том, как состояние оборудования изменяется с течением времени в рамках текущей оценки PF-интервала. Затем технология больших данных может позволить нам определить дополнительные факторы, которые могут влиять на реальный PF-интервал для конкретного отказа, на определенную часть оборудования, с учетом конкретных условий эксплуатации. Например, измеряя электрическую нагрузку на электродвигатель с одновременной фиксацией информации о вибрации, мы можем определить влияние нагрузки на двигатель и скорость его износа от точки P до точки F. Как отмечалось ранее, основным препятствием для применения более сложных прогностических аналитических методов является недостаточность данных, потому что на практике мы редко доводим оборудование до точки F, так как последствия этого могут быть слишком велики. Но без этой информации мы должны делать лишь предположения на основе взвешенных данных о потенциальных отказах.

Рис. 2. Прогнозирование времени функционального отказа

Проблема 3: Использовать ограниченные данные

Несмотря на, казалось бы, стремительное развитие — модели, которые используются в маркетинговой аналитике, пока ещё плохо обучены и требуют много данных для построения достоверных прогнозов. Одна из причин — большинство компаний используют для обучения моделей только собственные данные, и из-за этого они оказываются изолированными от окружающей среды. Такие прогнозы оказываются неточными, ведь мы работаем на рынке в окружении конкурентов, зависим от изменения спроса и так далее. И все эти факторы нужно учитывать.

Среди данных, которые вы можете использовать самостоятельно:

• собственные сырые данные о поведении пользователей;
• логи Яндекс.Метрики, Гугл Аналитики, данные Adjust, Segment, Mixpanel, Heap;
• данные о целевых действиях: конверсиях, заказах;
• микс данных из нескольких источников: внутренняя CRM + Яндекс.Метрика.

Можно ли самостоятельно построить модель и дать ей все необходимые данные для обучения? Вероятно, можно. Но если построение таких моделей не основное направление вашего бизнеса, то, скорее всего, затраченные ресурсы не оправдают результат. К тому же, модель нужно обучать регулярно. В этом случае стоит использовать готовые профессиональные решения.

Почему предиктивная аналитика не работает в маркетинге

Предиктивная аналитика в маркетинге пока используется редко. А вот в таких областях, как страхование, здравоохранение, финансы, этот вид аналитики успешно применяется много лет. В частности, предиктивная аналитика хорошо зарекомендовала себя в финансовой отрасли Соединенных Штатов. Она помогает избежать рисков, связанных с покупкой облигаций с ипотечным покрытием. 10 лет назад специалисты с помощью предиктивных моделей проанализировали риски и выдвинули гипотезу о том, что невозможна ситуация, при которой одновременно большое количество жителей США откажутся выплачивать свои ипотечные займы.

Однако модели не учли такой фактор, как волатильность рынка недвижимости, а также тот факт, что сумма всех ипотечных платежей значительно превышала стоимость жилья. Финансисты слепо доверились прогнозам, забыв про механизм взаимосдерживания и взаимоконтроля. Когда появились первые признаки краха, уже ничего нельзя было предпринять. Так случился кризис 2008 года, который привел к ужасным проблемам.

Естественно, перекладывать ответственность за случившееся на аналитику данных не стоит. Прогнозные модели всего лишь не смогли выявить глобальные изменения в системе выдачи и получения кредитов. Американская финансовая система развалилась в тот момент, когда в ней появилось слишком большое количество неизвестных переменных.

Теория черного лебедя

Предиктивный анализ не способен помочь там, где много неизвестных факторов. Это хорошо объясняется концепцией черного лебедя. До 16 века считалось, что в природе существуют только белые лебеди, но во время экспедиции в Австралию была открыта популяция лебедей черного цвета. Эта история иллюстрирует, что теория, в которую все верят, однажды может оказаться несостоятельной.

Конечно, тогда люди и предположить не могли, что в реальности все иначе. В этом и состоит сложность прогнозной аналитики. Даже самая совершенная модель с большим количеством данных не сможет учесть переменные, о существовании которых не знает.

Области применения

Предиктивная аналитика используется и в маркетинге. Однако нельзя всецело полагаться на ее выводы при принятии важных решений. В противном случае вы сами свяжете себя по рукам и ногам. Сложные задачи нельзя решать, ориентируясь на модели предсказательной аналитики, так как здесь слишком много неизвестных составляющих. В этом случае стоит полагаться только на точные цифры, которые вы долго собирали.

Прогнозные модели помогут там, где не нужно принимать глобальных решений. Стоит ли убрать этот блок с посадочной страницы? А если заменить его на другой? Нужно ли рекомендовать клиентам товар на этой странице? Вот уровень вопросов, которые можно рассматривать в качестве задач этого типа аналитики.

А/Б-тестирование здесь подойдет лучше, чем предиктивный анализ, который лишь делает предположения. В этом заключается его недостаток.

Как не наделать ошибок

В маркетинге этот тип аналитики, конечно, использовать можно. Однако не стоит возлагать на него большие надежды. Маловероятно, что с его помощью вы сможете с точностью предугадать, как будут вести себя клиенты. Точность прогнозов тут зависит от данных, собранных системой.

Слишком много факторов требуется, чтобы сделать безошибочный прогноз. Человек никогда не сможет учесть их все, а затем еще и максимально объективно интерпретировать. Поэтому не стоит надеяться, что на основе такой информации вы примете правильное решение. Невозможно просто подключить систему аналитики и позволить ей сделать все за вас.

Вы не можете быть уверены в правильности даже самых продвинутых вычислений. А маркетологи вообще часто в принятии решений руководствуются теми данными, которые лежат на поверхности. В предиктивной аналитике такой подход может привести к серьезным последствиям.

Помощь специалистов

Специалисты, которые занимаются анализом данных, — люди надежные и ответственные. Они владеют сложными навыками моделирования, сбора статистики и регрессии. Не имея этих знаний, вы не сможете получить хороший результат от предиктивной аналитики.

Про тенденции

Сотрудники и компании и дальше будут переходить на удаленную работу и коммуникации. Как в таком случае понять, чем заняты сотрудники?

Для этого модели используют цифровой след: какими системами сотрудник пользуется, какую активность ведет и так далее. В итоге каждый специалист может получить индивидуальную аналитику: когда он был эффективнее всего, с чем это было связано. Все это помогает улучшить работу. 

HR-специалистов автоматизация не заменит, но будет работать как мощная подсказка. Данные могут подтвердить догадки о том, готов ли сотрудник к повышению, обучению, новому проекту, хочет ли он этого, что именно ему подходит. Сами HR все больше углубятся в создание новых моделей и алгоритмов.

Как получить максимум

• Начните с вопроса с реальной значимостью для бизнеса: кто ваши «звезды», сколько стоит текучка кадров или любого другого.
• Проанализуйте, достаточно ли у вас данных для ответа на вопрос, и если их нет, то начните их собирать.
• Для начинающих и небольших команд могут подойти простые трекеры и таск-менеджеры. Благодаря им вы сможете собрать простые данные о времени или загрузке сотрудников. Это поможет оптимизировать процессы, а значит — сохранить ресурсы. Дальше — больше. Зрелые компании могут сосредоточиться на разработке собственных решений или покупке Enterprise-версий.
• Не бойтесь экспериментировать с гипотезами, построением моделей и внедрением их в рабочие процессы. Такие эксперименты позволяют делать неожиданные открытия. Даже если эти открытия будут неприятными, лучше узнать о них на короткой дистанции, чем долгое время оставаться в неведении.
• Постоянно анализируйте ваши процессы и устанавливайте те, по которым вы не собираете данные: они могут понадобиться — начинайте их обрабатывать.
• Делайте свою работу технологичной. Все, что можно сделать с помощью компьютера, должно быть сделано. Это экономит время и позволяет сотрудникам, не участвующим напрямую в разработке, вникнуть в базовое программирование и его полезность, начать мыслить по-новому.
• Сначала — люди. Не забывайте о живом общении — это главный источник гипотез, данных, новых идей.

Наши рекомендации

Напоследок хочу дать два совета тем, кто собирается строить предиктивную аналитику для своего проекта.

Во-первых, уделяйте особое внимание нормализации данных, их полноте и чистоте. Вы должны понимать, с чем работаете – от этого напрямую зависит точность предсказаний.

Во-вторых, помните: самое сложное в предиктивной аналитике – найти баланс между настойчивостью (делаем по этой методологии и бьемся) и умением быть достаточно гибкими, понять и принять свои ошибки и даже сменить алгоритм.. Тут нужно, конечно, работать короткими итерациями: построить модель, проверить прототип, посмотреть «да/нет» и бежать дальше

В обратном случае вы рискуете потратить на модель 6-9 месяцев только чтобы выяснить, что она вам не подходит, и ее вообще невозможно «докрутить» до нормального уровня предсказаний

Тут нужно, конечно, работать короткими итерациями: построить модель, проверить прототип, посмотреть «да/нет» и бежать дальше. В обратном случае вы рискуете потратить на модель 6-9 месяцев только чтобы выяснить, что она вам не подходит, и ее вообще невозможно «докрутить» до нормального уровня предсказаний.

Материалы по теме:

Реальные возможности предиктивной аналитики в маркетинге

Прочитав статью, вы, возможно, подумали, что предиктивный анализ всегда ведет к катастрофе. Это заблуждение. Если применять метод грамотно, то вас ждут отличные результаты.

1. Правильная настройка buyer personas

   Прогнозный анализ будет полезен маркетологам, которые работают над оптимизацией UX. Ведь для этого необходимо учитывать пользовательский опыт.

2. Индивидуализация сообщений

   Речь идет не об обращении по имени в рассылке писем, а об индивидуальном подходе к каждому клиенту. Такую стратегию бренд может использовать, чтобы улучшить качество взаимодействия организации и клиента. Здесь предиктивная аналитика будет как нельзя кстати.

3. Создание концепции новых товаров или услуг

   Предиктивную аналитику можно применять в процессе мозгового штурма, когда команда ищет идеи новых продуктов, опираясь на данные о потребительском поведении и прошлых покупках.

4. Поиск перспективных маркетинговых каналов

   Предиктивная аналитика проанализирует рентабельность текущих каналов и поможет найти новые пути вложения ресурсов.

5. Выявление качественных лидов

   Предсказательная аналитика справится с задачей по выявлению конверсионных (дают позитивную реакцию на Lead Nurturing) и неконверсионных лидов. Это поможет высвободить дополнительные ресурсы и направить их на перспективные сделки. В результате возрастет объем продаж.

Чтобы понимать предиктивную модель, нужно в первую очередь научиться управлять имеющейся информацией. Объедините данные, полученные из соответствующих отделов компании, и сегментируйте их. Это особенно актуально, если вы проводите А/Б-тестирование, не связанное с глобальной задачей. Прощупайте каждую модель, чтобы понять, какая информация важна для прогнозного анализа, а какая совершенно не подходит.

Чтобы предиктивная аналитика была максимально эффективной, используйте стратегический план и все время концентрируйтесь на нем. Держите фокус на чем-то одном, будь то ремаркетинговая кампания, увеличение суммы чека или иная задача. Четкая цель поможет разумно подойти к использованию прогнозной модели и, следовательно, быть успешным в ведении бизнеса.

Где еще используются системы аналитики Big Data и как их внедрить

Отметим области деятельности с наиболее высоким спросом на аналитику данных, как дескриптивную, так и предписывающую :

• медицина – постановка диагноза на основании симптомов болезни, выявление факторов, провоцирующих заболевание, определение склонности к заболеванию в будущем, формирование рекомендаций и выписка лекарств для лечения и профилактики болезней. Впрочем, некорректная настройка модуля Machine Learning в этом случае может привести к трагическим последствиям, о чем мы рассказывали здесь.
• реклама и маркетинг – определение эффективности промо кампаний, выявление наиболее результативных каналов и форм подачи информации (персонализированный таргетинг), построение рекомендательных систем, формирование спроса на основе интересов пользователя и его поведения в сети, прогнозирование и предупреждение оттока клиентов (Churn Rate), оптимизация ценообразования.
• страхование и кредитование – точное определение суммы возмещения или кредита, скоринговая оценка клиента. Например, сегодня это уже реализовано в совместном проекте российских банков с компанией Яндекс, когда банки оценивают платежеспособность потенциального заемщика по истории его запросов в поисковой системе. Подробнее об этом мы писали здесь.
• промышленность – выявление ключевых факторов, влияющих на качество продукции и выполнение производственных процессов, предсказание отказов оборудования, составление графика профилактических проверок и ремонта техники, прогнозирование спроса на продукцию, оптимизация загрузки производственных мощностей и предупреждения о будущих внештатных ситуациях. Реальные примеры промышленного использования Big Data систем предиктивной и предписывающей аналитики на базе IoT/IIoT и Machine Learning читайте тут.
• финансы и безопасность – выявление и предупреждение случаев мошеннических операций (антифрод-системы), распознавание вредоносных программ и случаев утечки данных, о чем мы рассказывали здесь.
• управление человеческими ресурсами (HR) – выявление ключевых факторов, влияющих на компетентность сотрудников, составление модели профессиональных компетенций, прогнозирование увольнений, предупреждение профессионального выгорания и рабочих конфликтов . Подробнее об этом мы расскажем в следующей статье.

Внедрение аналитических Big Data систем – это комплексный поэтапный проект, который часто выполняется в рамках цифровизации бизнеса. Предписывающая аналитика находится на вершине пирамиды и опирается на предыдущие уровни: предиктивную, диагностическую и описательную 2]. Поэтому для формирования оптимальных управленческих решений на основе данных необходимо, прежде всего, накопить релевантный объем этой информации, достаточный для корректного обучения алгоритмов Machine Learning. Некоторые аналитические задачи решаются с помощью современных BI-инструментов, например, коммерческих платформ типа Oracle Data Mining, SAP BusinessObjects Predictive Analysis, SAP Predictive Maintenance and Service, IBM Predictive Insights или open-source решений (KNIME, Orange, RapidMiner) . На практике многие предприятия, вступившие на путь цифровой трансформации, создают собственные системы аналитики больших данных. При этом используются разнообразные технологии Big Data, например, Apache Hadoop – для хранения информации (в HDFS или HBase), Kafka – для сбора данных из различных источников, а Spark или Storm – для быстрой аналитической обработки потоковой информации. В частности, именно так реализована рекомендательная система стримингового сервиса Spotify, о которой мы рассказывали здесь. Таким образом, организация предиктивной и, тем более, предписывающей аналитики данных – это одна из ключевых задач цифровизации бизнеса.

Виды аналитики данных и вопросы, на которые они отвечают

Как внедрить систему аналитики больших данных и запустить цифровую трансформацию своего предприятия, вы узнаете, пройдя обучение на наших образовательных курсах в лицензированном учебном центре обучения и повышения квалификации руководителей и ИТ-специалистов (менеджеров, архитекторов, инженеров, администраторов, Data Scientist’ов и аналитиков Big Data) в Москве:

Аналитика больших данных для руководителей

Смотреть расписание
Записаться на курс

Источники

1. https://www.oracle.com/ru/business-analytics/what-is-analytics.html
2. https://iot.ru/promyshlennost/kakaya-analitika-nuzhna-vashey-kompanii
3. http://www.tadviser.ru/index.php/Статья:Предикативная_аналитика_(предиктивная,_прогнозная,_прогностическая)_Predictive_analytics
4. https://finassessment.net/blog/predictiv-analitika-hr

Потребности отрасли

При классическом подходе к разработке производители выпускают отдельные поколения продуктов. Перед тем, как вывести их на рынок, они используют обширные процессы проверки и валидации , обычно путем объединения нескольких технологий моделирования и тестирования. Но у этого подхода есть несколько недостатков, если посмотреть, как развиваются продукты. Производители автомобильной , аэрокосмической , морской или любой другой механической промышленности сталкиваются с аналогичными проблемами: они должны заново изобретать способ своей конструкции, чтобы иметь возможность поставлять то, что их клиенты хотят и покупают сегодня.

Комплексные продукты, включающие умные системы

Продукция включает, помимо механики, еще больше электроники, программного обеспечения и систем управления . Они помогают повысить производительность по нескольким характеристикам, таким как безопасность, комфорт, экономия топлива и многие другие. Создавать такие изделия, используя классический подход, обычно неэффективно. Современный процесс разработки должен иметь возможность прогнозировать поведение всей системы для всех функциональных требований, включая физические аспекты, с самого начала цикла проектирования.

Использование новых материалов и методов производства

Для снижения затрат или экономии топлива производителям необходимо постоянно рассматривать возможность внедрения новых материалов и соответствующих методов производства. Это усложняет разработку продукта, поскольку инженеры больше не могут полагаться на свой многолетний опыт, как они делали при работе с традиционными материалами, такими как сталь и алюминий, и традиционными методами производства, такими как литье . Новые материалы, такие как композиты , по-разному ведут себя, например , в отношении структурных характеристик, тепловых характеристик, усталостных характеристик или шумоизоляции, и требуют специального моделирования.

Вдобавок к этому, поскольку инженеры-конструкторы не всегда знают все производственные сложности, связанные с использованием этих новых материалов, возможно, что «продукт в том виде, в каком он изготовлен», отличается от «продукта в том виде, в котором он был разработан». Конечно, все изменения необходимо отслеживать, и, возможно, даже после производства необходимо провести дополнительную итерацию проверки.

Разработка продукта продолжается после доставки

Сегодняшние продукты включают в себя множество датчиков, которые позволяют им общаться друг с другом и отправлять отзывы производителю. Основываясь на этой информации, производители могут отправлять обновления программного обеспечения, чтобы продолжить оптимизацию поведения или адаптироваться к меняющейся операционной среде. Продукты создадут Интернет вещей , и производители должны быть его частью. Продукт «в том виде, в каком он был разработан», никогда не бывает законченным, поэтому разработка должна продолжаться, когда продукт используется. Эту эволюцию также называют Индустрией 4.0 или четвертой промышленной революцией. Это бросает вызов командам разработчиков, поскольку им необходимо быстро реагировать и делать поведенческие прогнозы на основе огромного количества данных.

Включение функции прогнозирования

Максимальный интеллект, которым может обладать продукт, заключается в том, что он запоминает индивидуальное поведение своего оператора и принимает это во внимание. Таким образом, он может, например, предвидеть определенные действия, прогнозировать отказ или техническое обслуживание или оптимизировать потребление энергии саморегулирующимся образом

Для этого требуется прогностическая модель внутри самого продукта или доступная через облако. Он должен работать очень быстро и вести себя точно так же, как и реальный продукт. Для этого требуется создание цифрового двойника : реплика продукта, которая остается синхронизированной на протяжении всего жизненного цикла продукта .

Современные технологии

А что такое предиктивный набор в айфоне и «Андроиде»? Сегодня более продвинутые интеллектуальные клавиатуры используют другой подход к подсказкам. Он основан на обработке естественного языка и машинного обучения. Языковое моделирование — это именно то, что дает описываемая функция, т. е. она позволяет «узнавать» определенные слова. Как правило, они объединяются в целое на применяемом языке. Таким образом, точность таких клавиатур, как правило, намного выше, чем у старых кнопочных.

Как включить предиктивный набор на айфоне? Как правило, он включен по умолчанию, но если эта опция неактивна, достаточно зайти в настройки клавиатуры и выбрать соответствующий пункт меню. Точно так же можно и отключить данную опцию, однако это не рекомендуется.

Специалисты поясняют, что современные более интеллектуальные клавиатуры используют облачные сервисы и обратную обработку, чтобы улучшить свои подсказки, синхронизировать пользовательские словари на разных устройствах и добавлять в них новые слова, не заставляя пользователей загружать огромные обновления или повторно тренировать свои девайсы.

Они также предлагают облачные сервисы, которые могут выполнять множество функций. Некоторые из наиболее распространенных включают:

• ввод имени контакта из онлайн-сервисов в подсказку;
• анализ вашей записи в различных онлайн-сервисах для обновления и, таким образом, персонализацию хранилища слов;
• сохранение и синхронизацию вашей языковой модели.

Это позволяет функционалу использоваться на нескольких устройствах и не утрачиваться, если оно будет повреждено или украдено. Доступно сегодня и динамическое обновление вашей языковой модели на основе другой информации, получаемой из сайтов в реальном времени, например, Twitter.

Прогностическая клавиатура Google аналогична, за исключением того, что она использует набранное вами на устройстве Android, а также все, что вы вводите в своих учетных записях Google, истории веб-поиска, Google+ и т. д. Во всех случаях эти функции являются необязательными, их нужно выбирать и их можно легко исключить.

Как различаются интеллектуальные клавиатуры?

Почти каждая современная клавиатура использует технологию, о которой упоминается выше. Тем не менее существуют четкие различия между подсказками, которые делает система вашего телефона по умолчанию и получаемыми с виртуальных клавиатур сервисов SwiftKey, Fleksy или Swype.

Что же они делают иначе? Единственное, что объединяет эти продукты, — то, что они пытаются подсказать слова. На этом сравнения заканчиваются. Подсказки могут быть простыми — например, как в старых клавиатурах с T9 Nuance. Они касаются значений, основанных на ключах, которые были использованы ранее. Такие устройства, как правило, используют списки или словари слов.

Заключение

Благодаря новой версии iOS 9 beta 1, которая обеспечила наличие в iPhone русифицированного предиктивного набора текста, обычная клавиатура смартфона превратилась в «умную». Используя специальный механизм, эта опция предугадывает последующие слова и фразы, выводя их на специальную панель. Выбрать лучший вариант можно в одно касание. Функция является самообучаемой. Чем чаще ею пользуются, тем выше будет качество её подсказок. В статье дано определение предиктивного набора текста и описано, как правильно включить и настроить такую опцию в iPhone.

Почти на всех мобильных девайсах сегодня имеется интеллектуальная клавиатура, которая предлагает слова для сверхбыстрого набора текста. Тем не менее она неидеальна и иногда может выдавать не самые лучшие комбинации букв. Как же это работает?

Эта технология носит название предиктивный набор. Что это такое? У пользователей Android такие интеллектуальные клавиатуры (пост-T9) в наличии уже нескольких лет. Однако еще до того, как официальное приложение Google добавило предиктивный набор, Swype и SwiftKey создали клавиатуру, в которой участвуют слова, используемые чаще всего.