То је можда била Сталлонеова фраза у филму Судија Дредд али ових дана ЦМО (главни маркетиншки службеник) или чак ваш маркетиншки стратег лако може рећи и ту фразу.
$config[code] not foundОвих дана аналитичка рјешења разбијају више података из многих извора, стварајући прецизније продајне и оперативне моделе. Предузећа уче да се натјечу кроз иновације, али како један модел представља обим анализа и концепата?
Предиктивна аналитика: Моћ да предвиди ко ће кликнути, купити, лагати или умрети од стране Ерица Сиегела, ПхД служи као разјашњење за пословне менаџере да разумеју могућности и митове.
Сиегел је катедра за оснивање конференције предиктивног аналитичког света и предсједника Предиктивног утјецаја, фирме за аналитичке услуге.
Била сам јако узбуђена када сам наишла на књигу. Неколико нових аналитичких књига је објављено ове године, па сам питао Вилеи-а за рецензију.
Разбијање основа - како се подаци односе на ваше клијенте
Реч "аналитика" значи "рушити се" на грчком.
Ова врста распада у предиктивној аналитики значи повезивање података да би се откриле нове могућности са датим ресурсима. Ова нова способност такође разбија силосе одјела у организацијама, наше преференције у нашем понашању и, понекад, наше мјере приватности.
Сиегел напомиње како људи могу занемарити свеприсутност прилике:
„Већина људи не може бити мање заинтересована за податке. Може изгледати као суха, досадна ствар *** Не будите преварени. Истина је да подаци отеловљују непроцењиву колекцију искуства из које треба учити. Свака медицинска процедура, апликација за кредит, Фацебоок пост, препоруке о филму, лажна акција, е-маил спам и куповина било које врсте - сваки позитиван или негативан исход, сваки успешан или неуспешан продајни позив, сваки инцидент, догађај или трансакција - је кодиран као податак и складиште. Овај засићеност ће се повећати за око 2,5 квинтилиона дневно …
Сиегел користи седам поглавља како би показао како повећавамо наше разумијевање - и наше неразумијевање - свијета кроз податке. Хевлетт-Пацкард користи аналитику да би предвидио да ли размишљате о одустајању од посла - драгоцјено с обзиром да тражење новог запосленог може коштати више од задржавања. Још један занимљив корелациони експеримент је “Индекс анксиозности”, корелација спомињања блога у односу на перформансе С&П 500.
$config[code] not foundЗабавна корелацијска опажања обилују - међу практичним задовољствима мјерења, вегетаријанци пропуштају мање летова („Авионски купци који унапријед наруче вегетаријански оброк имају већу вјеројатност да остваре свој лет…. Познавање персонализираног или посебног оброка који чека клијента пружа подстицај или успоставља осећај посвећености. ”). Ове дискусије могу обликовати персонас; врсте клијената који постоје:
“По свом дизајну, ПА (Предицтиве Аналитицс) подстиче наизглед случајност. Предиктивно моделирање проводи широку, истраживачку анализу, тестирајући многе предикторе и на тај начин открива изненађујуће налазе…. ”
Можеш рећи да Сиегел обожава субјект, али не и сјенчадима или лажним продајним читаоцима. Када каже: "Истраживачи података виде вриједност и вриједност је узбудљиво," знате да то стварно значи.
Сиегел дели даље личне увиде, пошто је коришћен као „фолија“ на Фок новинским сегментима у вези са Таргетовим истицањем клијентове трудноће. Говорећи о приватности, Сиегел мудро посвећује поглавље тој теми. Он га користи да разбије мит са минималном предрасудом, као што је разликовање предиктивне аналитике од дата мининга:
“ПА предиктивна аналитика сама по себи не угрожава приватност - њен основни процес је супротност инвазији на приватност. Иако се то понекад назива и рударење података, ПА не "прочишћава" податке из података појединаца. Уместо тога, ПА заправо „замењује“ обрасце учења који генерално важе истинито тако што се број убацује у масу корисничких записа. “
Такве разлике су критичне за разумијевање опасности у програмима персонализације. Читање ове књиге помоћи ће менаџерима који мисле да су дигитални само окретање прекидача.
Компаније мале и велике могу да користе ову књигу да помогну да се означе који сегменти података имају смисла. На пример, Сиегел објашњава како машина за учење ради кроз дијаграм одлучивања - иако се у књизи користи оквир за предиктивни модел на нивоу предузећа, мала предузећа би могла да користе ту идеју у креирању сопствених загонетки података.
Други наглашени фактори су Цхасе Банк-ов модел предвиђања хипотекарног ризика, ИБМ-ова употреба података за Ватсон у игрици Јеопарди и 147-примјер међусекторске табеле предиктивних модела који се данас користе.
Како се ова књига пореди са другим аналитичким текстовима?
Размотрите ову књигу као продужетак маркетинга базираног на подацима и специфичнији од Давенпортовог Аналитицс ат Ворк (Давенпорт, узгред, даје предговор).
Књига садржи коментаре који могу учинити да подаци буду забавни, мада са мање од спина него књига Авинасха Каусхика Веб Аналитицс 2.0. На крају, то је одличан пример за развој неких идеја о томе како подаци могу побољшати пословање.
Ово чини књигу дјелотворнијом него Велики података, иако нису укључене дубоке дискусије у базама података.
Набавите ову књигу да бисте направили боље моделе за ваше пословање
Предиктивна аналитика је одличан, не само због свог субјективног тренда, већ због начина на који третира свој предмет - поштовање и поштовање, са правом научном сумњом.
Књига одаје почаст раду стручњака за пословну интелигенцију као што су Тхомас Давенпорт, Ериц Стерне и Ериц Стиегел. Такође поштује аналитичке практичаре или менаџере који желе да повећају своју конкурентску предност.
Не треба ми податак да знам да је конкурентска предност оно што сваки посао тражи.
3 Цомментс ▼
