Този сайт използва бисквитки (cookies). Ако желаете можете да научите повече тук. Разбрах

Новини Технологии

Тайните на успешния прогностичен анализ

Тази технология има потенциала да революционизира широк кръг индустрии и операции, но само ако бъде използвана правилно

от , 12 септември 2018 0 484 прочитания,

Предсказването на бъдещето винаги е било рисково начинание. За щастие, появата на технологията за прогностичен анализ, която позволява на потребителите да извеждат бъдещи резултати въз основа на исторически данни и техники като статистическо моделиране и машинно обучение, направи резултатите от предсказанията далеч по-надеждни, отколкото бяха те дори през последните няколко години.

И все пак, като всяка нововъзникваща технология, прогностичните анализи могат да бъдат трудни за употреба в пълния си потенциал. Най-голямото предизвикателство идва от факта, че неточните или заблуждаващи резултати, следствие на лошо развити стратегии или неправилно използване на инструментите, може да не станат видими чак след седмици, месеци или дори години.

 

Прочетете още: Прогностичните анализи - същност, технологии, начин на употреба

Иначе прогностичните анализи имат потенциала да революционизират широк кръг индустрии и операции, включително търговията на дребно, производството, веригите за доставки, управлението на мрежи, финансовите услуги и здравеопазването. "Дълбочинното обучение и прогностичните анализи ще преобразуват всички сегменти на нашето общество, заедно с трансформацията, която преживяха в последното десетилетие интернет и клетъчните технологии”, прогнозира Боб Фрайдей, главен технически директор и съосновател на Mist Systems, компания за мрежови технологии, базирани на изкуствен интелект.

По-долу следват няколко съвета, предназначени да помогнат на вашата организация да извлече максимума от своята инициатива за прогностични анализи.

1. Осигурете си достъп до висококачествени и добре структурирани данни

Приложенията за прогностичен анализ са изключително “лакоми” за данни, като разчитат на информацията, подадена като обратна връзка, за да могат непрекъснато да подобряват начина си на работа. "Данните и прогностичните анализи се захранват взаимно", отбелязва Сумендра Моханти, главен анализатор в L&T Infotech, глобален доставчик на ИТ решения и услуги.

Важно е да се знае типа или типовете данни, които се влагат в модела за прогностичен анализ. С какви данни разполагате? Дали са такива, събирани в живо време във Facebook и Google, или трудно достъпна информация от масивите на здравеопазването, необходими за медицинските документи”, обръща внимание Ерик Фейгъл-Динг, епидемиолог, диетолог и здравен икономист, който понастоящем е гостуващ учен в Училището по обществено здраве към Харвард, и добавя, че, за да се правят точни прогнози, моделът трябва да бъде проектиран така, че да работи с конкретните типове данни, с които се захранва.

Усилията за създаване на модели за прогностичен анализ, които разчитат на хвърлянето на изобилие от всевъзможни данни в изчислителните ресурси, обикновено са обречени на неуспех. "Тъй като има изобилие от данни, по-голямата част от тях може да не са от значение за даден проблем, но да се вземат предвид заради това, че се отнасят адекватно към определена възможност за неговото развитие", обяснява Хенри Ваелброк, вицепрезидент и директор по изследванията във FactSet, компания за финансов софтуер. По думите му без разбиране за процеса, който генерира данните, един модел може да се окаже напълно погрешен.

2. Обърнете внимание на моделите

Обсесията за качеството на алгоритмите е характерна за много специалисти в областта на прогностичните анализи, но всъщност те са точно толкова добри, колкото данните, които получават”, отбелязва Ричард Мууни, продуктов мениджър на SAP, отговарящ за напредналите анализи.

 

- Моделът се намира във взаимоотношението между две колони. Моделът например може да бъде открит чрез сравняване на информация за датата на крайния срок на предстояща сделка с данните за броя на потребителите, отворили свързан с нея имейл. “Ако сделката наистина ще бъде затворена скоро, броят на хората, които са отворили имейлите, свързани с нея, трябва да се увеличи значително, защото ще има много хора от страна на купувача, които ще искат да са наясно със ситуацията", казва Мууни.

- Моделът се разкрива от това как се изменят променливите с течение на времето. "В горния пример знанието, че клиентът е отворил имейла общо 200 пъти, не е и на половина толкова полезно, колкото това, че го е отворил 175 пъти през последната седмица", обръща внимание Мууни.

3. Фокусирайте се върху управляеми задачи

"Понастоящем e изкушаващо да прилагаме алгоритми за машинно обучение към планини от данни с надеждата да достигнем до адекватни прозрения. Но трудностите при този подход са сходни с тези при опитите да се намери лекарство за всички видове рак – проблемът е сложен, данните са твърде разхвърляни, няма достатъчно финансиране и подкрепа”, твърди Майкъл Урменета, директор по бизнес анализите на Нюйоркския технологичен институт (NYIT).

Според него има много по-големи шансове за успех, когато екипът е съсредоточен върху една определена задача с ясни изисквания.

4. Използвайте правилния подход за всяка задача

Добрата новина е, че има почти неограничен брой методи и подходи, които могат да се използват за генериране на точни прогностични анализи. Но това също така е и лоша новина. "Всеки ден има нов, горещ аналитичен подход и е лесно да залитнете по използването на някоя нова методология. Но, според моя опит, най-успешните проекти са тези, които изхождат от желания резултат и избират методологията на тази база, а не от гледна точка на най-модерното моментно решение на пазара”, казва Анджела Фонтес, директор на поведенческия, икономическия анализ и практиката за вземане на решения на NORC (National Opinion Research Center) към Университета в Чикаго.

"Потребителите трябва да бъдат предпазливи при избора на точния подход за нуждите си", съветва и Шанчие Джей Янг, доцент и директор на департамента по компютърно инженерство в Института по технологии в Рочестър.

 

5. Изградете модели с точно определени цели

Този съвет изглежда прекалено очевиден, но много проекти за прогностичен анализ всъщност започват с идеята да се изгради иначе великолепен модел, но без ясен план за това как в крайна сметка ще се използва. "Има тонове велики модели, които никога не са свършили никаква работа, защото никой така и не е разбрал как да използва информацията за постигане на реална стойност", отбелязва Джейсън Верлен, старши вицепрезидент по управление на продукти за CCC Information Services, доставчик на SaaS за автомобилната индустрия, застрахователната и ремонтната индустрия.

Фонтес е съгласна с тази оценка. "Използването на правилния инструмент гарантира получаването на желания от анализаторите резултат, защото ни принуждава да бъдем много ясни относно нашите цели", обяснява тя и добавя: "Ако не сме наясно с целите на анализа, каквото и да направим, то няма как да стигнем до използваем резултат."

6. Създаване на тясно сътрудничество между ИТ и съответните бизнес единици

Важно е да се установи стабилно партньорство между бизнесa и техническите звена. "Трябва да сте в състояние да разберете как новата технология е насочена към бизнес предизвикателствaта или как подобрява съществуващия бизнес пейзаж", казва Пол Ласер, вицепрезидент по управление на продуктите с изкуствен интелект в Genesys, доставчик на технологични решения, и съветва, след като крайната цел е зададена, моделът за прогностичен анализ да се тества в приложение с ограничен обхват, за да се определи дали решението действително ще даде стойност.

 

 

КОМЕНТАРИ ОТ  

Полезни страници
    За нас | Аудитория | Реклама | Контакти | Общи условия | Декларация за поверителност | Политика за бисквитки |
    Действителни собственици на настоящото издание са Иво Георгиев Прокопиев и Теодор Иванов Захов