Τα Predictive Analytics, η αλλιώς η προγνωστική ανάλυση, είναι μια μορφή προηγμένης επεξεργασίας στοιχείων που χρησιμοποιεί τρέχοντα και ιστορικά δεδομένα για την πρόβλεψη δραστηριοτήτων, συμπεριφορών και τάσεων. Περιλαμβάνει την εφαρμογή διαφόρων τεχνικών στατιστικής ανάλυσης, ερωτημάτωνεπάνω στα δεδομένα (data queries) καθώς επίσης και αλγορίθμων μηχανικής μάθησης (Machine Learning) σε σύνολα δεδομένων για τη εξαγωγή προγνωστικών μοντέλων που “προβλέπουν”πώς θα εξελιχθεί μια αριθμητική τιμή - ή μια βαθμολογία –με βάση διαφορετικές παραδοχές και την πιθανότητα να συμβεί μια συγκεκριμένη ενέργεια ή γεγονός.
Η περιπλοκότητα των δεδομένων και των μεταξύ τους σχέσεων ωθεί στη χρήση νέων τεχνολογιών
Γενικά, η χρήση προγνωστικών μοντέλων για τις επιχειρήσεις δεν είναι καινούριο φαινόμενο. Διαχρονικά οι επιχειρήσεις προσπαθούν να εκμεταλλευτούν ιστορικά και άλλα δεδομένα για τον εντοπισμό κινδύνων, ευκαιριών, τάσεων και την προβολή αριθμητικών μεγεθών στο μέλλον (π.χ. financial forecasts).
Αν και η προγνωστική ανάλυση υπάρχει λοιπόν εδώ και δεκαετίες, φαίνεται ότι η εισαγωγή της τεχνολογίας και των σύγχρονων εργαλείων σε αυτή είναι ένα φαινόμενο που κερδίζει συνεχώς όλο και περισσότερο έδαφος μέσα στις επιχειρήσεις.
Αυτό συμβαίνει διότι βρισκόμαστε σε μια εποχή που τα δεδομένα συνεχώς πληθαίνουν, άρα οι μεταξύ τους σχέσεις γίνονται ακόμα πιο περίπλοκες, με αποτέλεσμα να μην μπορούν να εντοπιστούν με απλό τρόπο από το «ανθρώπινο μάτι» και με κλασικές μεθόδους ανάλυσης. Απαιτούνται πιο σύγχρονες τεχνικές και υποβοήθηση από την Τεχνητή Νοημοσύνη και τη Μηχανική μάθηση για να “ξεμπλέξουν” την πληροφορία, να την οργανώσουν και να εξαχθούν τάσεις.
Οι σύγχρονες λοιπόν τεχνολογίες μπορούν να εξάγουν μοντέλα που αποτυπώνουν με πολύ μεγάλη επιτυχία τις σχέσεις μεταξύ πολλών παραγόντων και επιτρέπουν την εκτίμηση μεγεθών στο μέλλον, κάτω από ένα συγκεκριμένο σύνολο συνθηκών, καθοδηγώντας με πιο εμπεριστατωμένο τρόπο τη λήψη αποφάσεων.
Έτσι, οι περισσότεροι οργανισμοί σήμερα στρέφονται στην προγνωστική ανάλυση για να αυξήσουν το τελικό αποτέλεσμα και το ανταγωνιστικό τους πλεονέκτημα.
Ποια η διαφορά από την κλασική ανάλυση δεδομένων;
Yπάρχουν τρεις βασικοί τύποι ανάλυσης. Descriptive Analytics, Predictive Analytics, Diagnostic Analytics.
Ο πιο συνηθισμένος τύπος είναι η περιγραφική ανάλυση “descriptive analytics”, η οποία δίνει μια απάντηση του «τι έχει συμβεί» σε μια επιχείρηση, δείχνει με λίγα λόγια την παρελθοντική συμπεριφορά. Αντίθετα, η προγνωστική ανάλυση, βοηθά τις επιχειρήσεις να προβλέψουν τι είναι πιθανό να συμβεί και να απαντήσουν στο «τι θα συμβεί στο μέλλον». Αναζητά δηλαδή μοτίβα στα δεδομένα και τα προβάλλει στο μέλλον. Τέλος, υπάρχει μια τρίτη κατηγορία, τα prescriptive analytics, τα οποία προτείνουν ή εκτελούν αυτόματα μια καλύτερη πορεία δράσης (μια ενέργεια) με βάση τις πληροφορίες που παράγονται από τα άλλα δύο είδη ανάλυσης δεδομένων.
Ταυτόχρονα αναπτύσσονται δύο νέα μοντέλα στο χώρο της ανάλυσης δεδομένων για τις επιχειρήσεις. Αυτά είναι η διαγνωστική ανάλυση (diagnostic analytics) που προσπαθεί να απαντήσει στο “γιατί συνέβη κάτι” και η ανάλυση σε πραγματικό χρόνο (real-time), η οποία πραγματοποιείται διαρκώς ενώσω τα δεδομένα παράγονται και ενημερώνονται.
Οι εφαρμογές της προγνωστικής ανάλυσης για τις επιχειρήσεις
Όλο και περισσότερες επιχειρήσεις στρέφονται στην ανάλυση δεδομένων και ιδιαίτερα στα predictive analytics (προγνωστική ανάλυση) με στόχο την επίλυση δύσκολων καθημερινών επιχειρηματικών προβλημάτων, την αποκάλυψη νέων ευκαιριών και την πιο δομημένη/εμπεριστατωμένη λήψη αποφάσεων. Πολλές εταιρίες σήμερα ανεξαρτήτως μεγέθους, λειτουργούν με βάση δεδομένα που παράγονται από δραστηριότητές τους ή ακόμα που συλλέγονται από εξωτερικές πηγές.
Μερικές από τις πιο συνηθισμένες εφαρμογές της δημιουργίας μοντέλων πρόγνωσης είναι η βελτίωση των εσωτερικών διαδικασιών και λειτουργιών (όπως ρύθμιση τιμών, λήψη-αποφάσεων, πρόβλεψη αποθεμάτων, ρύθμιση πόρων κλπ), η μείωση των επιχειρηματικών κινδύνων (π.χ. εντοπισμός πιστοληπτικής ικανότητας ενός ατόμου, πρόβλεψη ασφαλιστικών απαιτήσεων), η βελτιστοποίηση εκστρατειών μάρκετινγκ, η διατήρηση πελατών (customer retention), η προσέλκυση νέων πελατών, ο εντοπισμός πιο κερδοφόρων πελατών, η πρόβλεψη της συμπεριφοράς πελατών και η ανίχνευση εγκληματικής συμπεριφοράς (fraud detection).
Οι εφαρμογές της Ε-ΟΝ Integration στα Predictive Analytics
H E-ON Integration δραστηριοποιείται στο χώρο της Ανάλυσης Δεδομένων για λογαριασμό μεγάλων εισηγμένων εταιριών στην Ελλάδακαι διαχειρίζεται στοιχεία που προέρχονται από εσωτερικές πηγές (δεδομένα πελατών) αλλά και από εξωτερικές βάσεις δεδομένων όταν κρίνεται απαραίτητο. Και τούτο διότι συχνά για την επιτυχία των έργων αυτών απαιτείται ο συνυπολογισμός των ιστορικών δεδομένων με λοιπά εξωγενή δεδομένα για την εξαγωγή τάσεων και πρόβλεψη συμπεριφορών.
Ταυτόχρονα, τα μοντέλα πρόγνωσης ενσωματώνονται σε διαδραστικό και εύχρηστο λογισμικό ώστε οι χρήστες να παρακολουθούν real-time τα δεδομένα τους και να τα συμβουλεύονται για λήψη αποφάσεων. Μέχρι σήμερα έχουμε ολοκληρώσει πλήθος έργων στο predictivea nalytics σε διάφορους οικονομικούς κλάδους και αντικείμενα όπως η ικανοποίηση πελατών, η πρόβλεψη κινδύνων, η ανάλυση και εξαγωγή συμπερασμάτων από ελεύθερο κείμενο, η πρόβλεψη δεικτών απόδοσης και λειτουργικών διαδικασιών (operationalinsights).
Στο πλαίσιο της ικανοποίησης πελατών, έχουμε υλοποιήσει αλγορίθμους και MachineLearning μοντέλα που επιχειρούν να προβλέψουν συμπεριφορές πελατών σε ενδιάμεσα στάδια της υπηρεσίας που τους παρέχεται. Ακόμα και μετά την ολοκλήρωση της υπηρεσίας έχουμε ενσωματώσει μηχανισμούς ανάλυσης του feedback των πελατών σε ελεύθερο κείμενο με τεχνικές επεξεργασίας φυσικής γλώσσας (NLP).
Όλα τα παραπάνω προσπαθούν να πετύχουν ανάλυση σε πραγματικό χρόνο (real-timeprocessing) χρησιμοποιώντας BigData υποδομές στο Cloud.
Η E-ON Integration παρέχει ολοκληρωμένες υπηρεσίες για τη συλλογή, ανάλυση και αξιοποίηση (Μεγάλων) Δεδομένων, προσφέροντας:
Data Engineering
Business Intelligence
Predictive Analytics
Natural Language Processing
Internet of Things - IoT Applications
Business Applications Development