Πώς να εισαγάγετε προγνωστικές ταξινομήσεις δεδομένων Analytics στην επιχείρησή σας - ανδρείκελα

Εάν η επιχείρησή σας δεν έχει ακόμη χρησιμοποιήσει την ταξινόμηση δεδομένων που χρησιμοποιείται αναλυτικές προβλέψεις, ίσως ήρθε η ώρα να το εισαγάγουμε ως έναν τρόπο καλύτερης διαχείρισης ή λήψης αποφάσεων. Αυτή η διαδικασία ξεκινά με ένα βήμα διερεύνησης: Προσδιορισμός μιας προβληματικής περιοχής στην επιχείρηση όπου υπάρχουν διαθέσιμα άφθονα δεδομένα, αλλά επί του παρόντος δεν χρησιμοποιείται για την προώθηση επιχειρηματικών αποφάσεων.

Ένας τρόπος για να εντοπίσετε μια τέτοια προβληματική περιοχή είναι να πραγματοποιήσετε μια συνάντηση με τους αναλυτές, τους διευθυντές και άλλους υπεύθυνους λήψης αποφάσεων για να τους ρωτήσετε ποιες επικίνδυνες ή δύσκολες αποφάσεις κάνουν επανειλημμένα - και ποια δεδομένα χρειάζονται για να στηρίξουν τις αποφάσεις τους. Αν έχετε στοιχεία που αντανακλούν τα αποτελέσματα προηγούμενων αποφάσεων, να είστε προετοιμασμένοι να το χρησιμοποιήσετε. Αυτή η διαδικασία ταυτοποίησης του προβλήματος ονομάζεται φάση ανακάλυψης .

Μετά τη φάση της ανακάλυψης, θα θελήσετε να ακολουθήσετε μεμονωμένα ερωτηματολόγια που απευθύνονται στους ενδιαφερόμενους της επιχείρησης. Εξετάστε τις ακόλουθες ερωτήσεις:

• Τι θέλετε να μάθετε από τα δεδομένα;

• Τι δράση θα πάρετε όταν λάβετε την απάντησή σας;

• Πώς θα μετρήσετε τα αποτελέσματα από τις ενέργειες που πραγματοποιήσατε;

Εάν τα αποτελέσματα του προγνωστικού αναλυτικού μοντέλου παράγουν ουσιαστικές γνώσεις, τότε κάποιος πρέπει να κάνει κάτι μαζί του - να αναλάβει δράση. Προφανώς, θα θέλετε να δείτε αν τα αποτελέσματα αυτής της ενέργειας προσθέτουν επιχειρηματική αξία στον οργανισμό. Έτσι θα πρέπει να βρείτε μια μέθοδο μέτρησης αυτής της αξίας - είτε από την άποψη της εξοικονόμησης από το λειτουργικό κόστος, τις αυξημένες πωλήσεις ή την καλύτερη διατήρηση των πελατών.

Για τον επιστήμονα ή τον μοντέλο δεδομένων, αυτή η άσκηση καθορίζει ποια είδη δεδομένων πρέπει να ταξινομηθούν και να αναλυθούν - ένα βήμα απαραίτητο για την ανάπτυξη ενός μοντέλου ταξινόμησης δεδομένων. Μια βασική διάκριση για να ξεκινήσετε είναι αν τα δεδομένα που θα χρησιμοποιήσετε για την εκπαίδευση του μοντέλου είναι εσωτερικά ή εξωτερικά:

είναι ειδικά για την εταιρεία σας, συνήθως αντλούνται από τις πηγές δεδομένων της εταιρείας σας και μπορούν να περιλαμβάνουν πολλούς τύπους δεδομένων - όπως δομημένο, ημι-δομημένο ή αδόμητο.

• Τα εξωτερικά δεδομένα προέρχονται εκτός της εταιρείας, συχνά ως δεδομένα που αγοράζονται από άλλες εταιρείες.

• Ανεξάρτητα από το αν τα δεδομένα που χρησιμοποιείτε για το μοντέλο σας είναι εσωτερικά ή εξωτερικά, θα θέλετε να το αξιολογήσετε πρώτα. Πολλές ερωτήσεις είναι πιθανό να εμφανιστούν σε αυτήν την αξιολόγηση: Πόσο κρίσιμα και ακριβή είναι τα εν λόγω δεδομένα; Εάν είναι πολύ ευαίσθητο, μπορεί να μην εξυπηρετεί τους σκοπούς σας.

Πόσο ακριβείς είναι τα εν λόγω δεδομένα και αν η ακρίβειά τους είναι αμφισβητήσιμη, τότε η χρησιμότητά τους είναι περιορισμένη.

• Πώς η πολιτική της εταιρείας και οι ισχύοντες νόμοι επιτρέπουν τη χρήση και επεξεργασία των δεδομένων; Μπορεί να θέλετε να εκκαθαρίσετε τη χρήση των δεδομένων με το νομικό σας τμήμα για τυχόν νομικά ζητήματα που θα μπορούσαν να προκύψουν. (Δείτε τη συνοδευτική πλαϊνή μπάρα για ένα διάσημο πρόσφατο παράδειγμα.).

• Όταν εντοπίσετε δεδομένα που είναι κατάλληλα για χρήση στην κατασκευή του μοντέλου σας, το επόμενο βήμα είναι να ταξινομήσετε το - για να δημιουργήσετε και να χρησιμοποιήσετε χρήσιμες ετικέτες στα στοιχεία δεδομένων σας. Για παράδειγμα, εάν επεξεργάζεστε δεδομένα σχετικά με την αγοραστική συμπεριφορά των πελατών, οι ετικέτες θα μπορούσαν να καθορίσουν κατηγορίες δεδομένων ανάλογα με τον τρόπο με τον οποίο αγοράζουν ορισμένες ομάδες πελατών:

• Εποχιακοί πελάτες

ημι-τακτικά.

• Οι πελάτες με έκπτωση θα μπορούσαν να είναι εκείνοι που τείνουν να ψωνίζουν μόνο όταν προσφέρονται σημαντικές εκπτώσεις.

• Πιστοί πελάτες είναι αυτοί που αγόρασαν πολλά από τα προϊόντα σας με την πάροδο του χρόνου.

• Η πρόβλεψη της κατηγορίας που θα χωρέσει ένας νέος πελάτης μπορεί να έχει μεγάλη αξία για την ομάδα μάρκετινγκ. Η ιδέα είναι να ξοδέψετε αποτελεσματικά το χρόνο και το χρήμα για να προσδιορίσετε ποιοι πελάτες θα διαφημίσουν, να καθορίσουν ποια προϊόντα θα τους συστήσουν και να επιλέξουν τον καλύτερο χρόνο για να το κάνουν. Πολλοί χρόνοι και χρήματα μπορούν να σπαταληθούν αν στοχεύσετε τους λάθος πελάτες, πιθανότατα τους καθιστά λιγότερο πιθανό να αγοράσετε από ό, τι αν δεν τους είχατε προωθήσει στην αγορά. Η χρήση αναλυτικών στοιχείων πρόβλεψης για στοχοθετημένο μάρκετινγκ θα πρέπει να στοχεύει όχι μόνο σε πιο επιτυχημένες εκστρατείες, αλλά και στην αποφυγή παγίδων και ακούσιων συνεπειών.