Prediktivna analitika (Predictive analytics)
•
1 gefällt mir•264 views
Kako delati prediktivno analitiko? How the predictive analytics is done?
Empfohlen
Empfohlen
Weitere ähnliche Inhalte
Ähnlich wie Prediktivna analitika (Predictive analytics)
Ähnlich wie Prediktivna analitika (Predictive analytics) (20)
Prediktivna analitika (Predictive analytics)
- 1. Podatkovna znanost Nov mejnik v optimizaciji poslovanja
- 2. Agenda O podatkovni znanosti Kdo smo? 3 koraki do prediktivnega modela Kje vidimo priložnosti za sodelovanje s podjetji?
- 3. Kaj je podatkovna znanost? Podatkovna znanost je sistematično analiziranje velikih količin podatkov z namenom odkrivanja doslej neznanih vzročno-posledičnih povezav in napovedovanja prihodnjih dogodkov. Cilj podatkovne znanosti je uporaba podatkov za izboljšanje poslovanja. Boljše odločitve Večja učinkovitost Optimizacija stroškov Izboljšanje izkušnje Novi produkti
- 4. Podatkovna znanost odpira nove nivoje analitike Kompleksnost Dodanavrednost Deskriptivna analitika Diagnostična analitika Prediktivna analitika Preskriptivna analitika Kaj se je zgodilo? Zakaj se je zgodilo? Kaj se bo zgodilo? Katera odločitev vodi k najboljšemu izidu? Rezultati ankete: Big data use cases 2015, BARC: 39% 31% 8% 10% Podjetij iz EU izvaja big data projekte. Podjetij je implementiralo prediktivno analitiko. Povprečno povišanje prihodkov zaradi big data projektov.. Povprečno zmanjšanje stroškov zaradi big data projektov.
- 5. Raznoliki primeri uporabe Marketing in prodaja • Prediktivni lead scoring • Targetiranje kampanj • Ocenjevanje dovzetnosti za nakup produktov • Mikrosegmentacija • Personalizacija ponudb • Napovedovanje odhodov • Optimizacija cen • Napovedovanje LTV Mobilnost • Napovedovanje povpraševanja • Optimizacija razvozov • Lojalnostni programi Družbe za upravljanje • Prediktivne trgovalne strategije Potrošništvo • Priporočilni sistemi za trgovine, hotele, fitnese, ipd. • Optimizacija asortimana in cen
- 6. V središču podatkovne znanosti je umetna inteligenca Gre za algoritme, ki računalniku omogočajo: • da se uči iz preteklih podatkov brez eksplicitnega programiranja • da se izboljšuje s pridobivanjem svežih podatkov. • da učinkovito prepoznava vzorce v kompleksnih podatkih, pridobljenih iz raznolikih virov.
- 7. ?
- 8. Kdo smo? Poslanstvo: uporabiti najsodobnejše metode in tehnologije, da naročnikom pomagamo prečkati vse faze na poti do uporabe prediktivnih modelov v poslovanju. Pametne aplikacije Modeliranje Priprava podatkov Prvo slovensko podjetje nišno specializirano za uporabo prediktivne analitike v gospodarstvu. Zaupajo nam:
- 9. Slučaj i gozdovi Umetna inteligenca Domenska znanja Programiranje in baze podatkov Matematika in statistika Naše kompetence
- 10. Orodja, ki jih uporabljamo
- 11. 1. korak: priprava podatkov DA Transakcije Produkti Demografija Kampanje KliciE-pošta Mobilni mediji Eksterni Kaj smo vedeli o komitentki Maji do vključno januarja 2015? Kaj se je zgodilo februarja 2015? Kupila je nov izdelek Integracija in transformacija podatkov Atributi (prediktorji) Napovedovana spremenljivka 301.2 1 4.5 1 10.9 Majin digitalni odtis v povezavi z njenimi nakupi
- 12. 1. korak: priprava podatkov (nadaljevanje) DA DA DA DA DA DA DA Skupaj zberemo vzorce različnih komitentov ob različnih časovnih presekih.
- 13. D A D D D D D D D 2. korak: prediktivno modeliranje HistoričipodatkiTekočipodatki Uč a ožica Test a ožica ?? Prediktivni model Učenje modela Validacija modela Vhodni podatki (atributi) Izhodni podatek (napoved) 25% Model napove, da za določeno stranko obstaja 25% verjetnost, da bo v roku enega meseca kupila nov produkt.
- 14. Načini napovedovanja Statično: enkrat naučimo model in nato ves čas uporabljamo enakega. Dinamično: sproti učimo modele in vedno napovedujemo z najbolj svežim. Dinamično kumulativno: sproti učimo nove modele, vendar napovedujemo z vsemi, ki smo jih kadarkoli naučili. Naučimo modele Napovedujemo Naučimo modele Napovedujemo Naučimo modele Naučimo modele Napovedujemo Napovedujemo Naučimo modele Napovedujemo Naučimo modele Naučimo modele Napovedujemo Napovedujemo
- 15. 3. korak: pametne aplikacije Omogočajo 1. izračunavanje atributov 2. sprotno učenje modelov 3. napovedovanje 4. diagnostiko modelov. brez programiranja! Diagnostika modela Npr. uporabi model za napovedovanje nakupa produkta. Izbira izključitvenih kriterijev Npr. vrni samo stranke, ki so nad določenim pragom verjetnosti. Izbira modela Preveri, ali model še vedno deluje skladno s predvidevanji. Kateri atributi so pri napovedovanju najbolj pomembni?
- 17. Priložnosti za sodelovanje? Zanima nas strateško partnerstvo, v okviru katerega bi sodelovali pri izvedbi projektov, ki vključujejo: • obvladovanje velikih količin podatkov, • razvoj prediktivnih modelov, • razvoj analitičnih aplikacij za reševanje poslovnih problemov.