Предиктивная аналитика синоним

Предиктивная аналитика — это комплекс, состоящий из методов анализа данных и способов их интерпретации, позволяющий принимать успешные решения в будущем на основе результатов прошлых событий. Для того чтобы справиться с реализацией аналитической работы такого порядка, специалисту следует выявить набор важных, значимых параметров, каждый из которых действительно приводит к тому или иному итогу. В современном мире подобные инструменты прогнозирования получили самое активное, максимально значимое распространение. Они применяются, например, в бизнесе, торговле и маркетинге. Даже обыкновенный процесс оформления кредита определенным образом касается прогнозов такого формата. Банковская система создает портрет неплатежеспособного клиента, а затем отсеивает заявки от людей, обладающих схожими характеристиками.

Что такое предикативная (предиктивная) аналитика

Под термином Predictive Analytics сегодня принято понимать совокупность операций, позволяющих предсказывать результаты событий в будущем исключительно на основании прошлого опыта аналогичных дел. В данной структуре, если принимать во внимание ее обозначение в самом широком смысле, присутствуют элементы классической статистики, теории игр и функционального математического анализа. Как уже говорилось ранее, перечень сфер, в рамках которых используются выкладки подобного порядка, чрезвычайно широк. С соответствующей терминологией приходится сталкиваться банковским работникам, бизнесменам, специалистам по рекламе и даже программистам.

Области применения предикативного моделирования и систем предиктивной аналитики

Современный раздел академических знаний, получивших целочисленное название Predictive Analytics, включает в себя разные направления. Те или иные блоки методики задействуются в следующих отраслях:

• директ-маркетинг;
• сетевое продвижение;
• потребительское и юридическое страхование;
• традиционное банковское дело;
• классическая педагогика (создание эффективных порядков преподавания);
• медицина и фармакология;
• выдача страховых сертификатов по суммам, вкладам и займам.

На самом деле проще перечислить сферы, в рамках которых модули PA не оказались бы чрезвычайно полезными.

Польза предиктивной аналитики в торговле

В 2022 году почти любая более или менее крупная дистрибьюторская или ритейлерская корпорация тем или иным образом взаимодействует со структурами Predictive Analytics. Соответствующие операции проводятся для:

• составления прогнозов ежедневного спроса на конкретные товары;
• учета товарного замещения для позиций во время акций и скидок;
• формирования карт вариации цены в зависимости от сезонности и спроса;
• принятия во внимание климатических факторов, локаций и размеров точек;
• уточнения статистических показателей конкурирующих фирм и так далее.

Все перечисленные мероприятия самым непосредственным образом влияют на параметры доходности сопутствующих бизнес-процессов.

Предиктивная аналитика на производстве

Нетрудно догадаться, что разнообразные методы, системы и структуры данной области академических знаний подходят и для оптимизации и автоматизации труда на фабриках всевозможных типов. В таких условиях они задействуются:

• для предсказания факторов, влияющих на характеристики выпускаемых изделий;
• прогнозирования состояния оборудования и шансов его выхода из строя;
• учета, касающегося потребления ресурсов и состояния основных активов;
• предварительного оповещения администрации и персонала о случаях ЧП.

Особое значение PA-методики получают в рамках предприятий, нуждающихся во всесторонней минимизации рисков.

Этапы модулей Predictive Analytics

Как уже говорилось ранее, предиктивная (или предикативная) модель анализа — это комплекс операций, состоящий из самых разных процессов и процедур. Основными исследуемыми единицами, на основании которых впоследствии и строятся предсказания, являются, конечно же, массивы всяческих данных. В качестве таковых могут выступать:

• выкладки, собранные благодаря интернету;
• сведения из CRM-пакетов;
• показания счетчиков, в том числе и телеметрических;
• разнообразные бизнес-параметры и так далее.

Причем многие виды современного программного обеспечения уже включают в себя разделы, позволяющие проводить тот или иной предиктивный анализ. Такой софт поставляется российской компанией «Клеверенс». Брендовое ПО формата «Склад-15» и «Магазин-15» позволяет заняться повсеместной оптимизацией и автоматизацией всевозможных рутинных коммерческих процессов.

Инструменты предиктивной аналитики

В основной инструментарий специалиста, работающего в сфере PA, входят в первую очередь профильные языки программирования. К числу самых популярных решений, при помощи которых сегодня выполняется учет разных параметров, относятся:

• Python.
• RapidMiner.
• Knime HR.
• IBM SPSS Modeler.
• Watson Analytics.
• SAS Enterprise Miner.
• Oracle Big Data Preparation.

Все перечисленные программные среды тем или иным образом подходят для составления функциональных и достоверных прогнозов.

Почему эти сервисы не работают в маркетинге

Основные сферы активного и повсеместного применения PA-систем — это здравоохранение, банковское дело, страхование и финансы. Конечно, выкладки из представленной области знаний находят место своего использования и в классических маркетинговых исследованиях.

Однако специалисты редко полагаются на такую методику прогнозирования, предпочитая задействовать ее в качестве дополнительного, вторичного элемента, помогающего в составлении каких-либо планов, например, по продвижению бренда или конкретного товара. Дело в том, что для увеличения точности предсказаний мастерам приходится искать многочисленные параметры, каждый из которых должен действительно влиять на исход какого-либо события. Традиционный marketing-сектор же предлагает исследователям слишком много неизвестных и переменных величин, со свойствами, меняющимися от самых разных факторов.

Реальные возможности PA-систем в маркетинге

Предсказательные модели и предиктивные алгоритмы находят свое место в рыночной деятельности в рамках следующих задач:

• персонализация рекламных рассылок;
• создание портрета целевой аудитории;
• оформление концепции для новых товарно-материальных ценностей;
• поиск перспективных каналов для продвижения;
• выявление действительно качественных лид-заявок и так далее.

Правда, во всех перечисленных случаях рассматриваемые знания задействуются исключительно в комплексе с другими, не менее эффективными и признанными инструментами. Для грамотного обращения с такими областями академических программ специалисту понадобится обширный багаж, состоящий из всевозможных умений, навыков и опыта.

Зачем бизнесу нужна связка из прогностической аналитики и предикативных данных

Как уже говорилось ранее, первая отрасль, нуждающаяся в системах Predictive Analytics — это, конечно же, классическая коммерческая деятельность. Грамотное использование разнообразных, но в то же время достоверных предсказаний, позволяет получить преимущество перед конкурентами практически в любых делах.

1. Оптимизация в ритейле и FMCG

Здесь PA-структуры задействуются для выдачи ответов на такие вопросы как:

• какие товарно-материальные ценности должны находиться на территории магазина постоянно;
• какую продукцию следует предлагать потребителю, который приобретает конкретное изделие;
• как именно следует выбирать оптимальную стоимость для тех или иных номенклатурных позиций.

Причем все перечисленные моменты уточняются исключительно на основании определенных статистических выкладок, собранных заранее.

Пример

Человек, являющийся владельцем сетевого маркетплейса, знает, что мужчины, покупающие себе пиджаки, в 80% случаев берут еще как минимум одну рубашку. Этот фактор с легкостью используется для увеличения объема суточных продаж.

2. Оптимизация производства

В соответствии с основными методиками предиктивной работы с оттоками, хозяин (администратор, руководитель, менеджер высшего звена) на какой-либо фабрике обязан собирать данные, касающиеся функциональных характеристик оборудования. В качестве таковых выступает, например, срок службы до частичной поломки или полного отказа.

Пример

Зная, что обыкновенные конвейеры ломаются при повышении температурного режима, пользователь может заранее приостановить операционный процесс, приняв во внимание банальный прогноз погоды. Небольшой простой не нанесет серьезного удара по благосостоянию организации, в то время как череда крупных неисправностей производственных средств может стать причиной финансового краха.

3. Обнаружение мошенничества

Конечно, навешивание ярлыков — это максимально неправильная задача, однако, как известно, в бизнесе все средства хороши. Владельцы крупных проектов собирают данные по половозрастным, а также иным характеристикам клиентов, чтобы затем выполнить простое отсеивание потенциально неблагонадежных людей.

Пример

Понимание того, что Predictive Analytics & Analysis — это чрезвычайно эффективный инструмент, приходит, в том числе и после обозрения одной простой ситуации. Специалисты, работающие в банковском секторе, знают, что граждане, пребывающие в возрасте от 18 до 21 года, а также обладающие судимостью, как правило, по кредитам не платят. Так почему бы не отказать таким заказчикам еще на стадии подачи заявки?

4. Управление рисками

Как уже говорилось ранее, PA-системы особенно хорошо проявляют себя в рамках бизнеса, нуждающегося в тщательной и всесторонней минимизации всяческих рисковых ситуаций и процессов. Предотвращение неприятностей в будущем, с использованием прошлого опыта — это ключ к долгосрочному коммерческому успеху.

Пример

Сотрудники страховых агентств знают, что у граждан, трудящихся на промышленных специальностях, травмы случаются намного чаще. Нетрудно догадаться, что для таких клиентов стоимость страховки будет подниматься, что, в свою очередь, позволит фирме компенсировать возможные убытки.

5. Маркетинговый и клиентский анализ

Разнообразные данные о поведенческих факторах целевой аудитории проекта или спектра услуг становятся отличным поводом для увеличения продаж или улучшения объема среднего чека.

Пример

Человек, владеющий кинотеатром, будет представлять приблизительную маршрутную карту людей внутри локации. Он точно знает, что после просмотра фильма зрители пойдут в гардеробную комнату или, скажем, заглянут в уборную. Разместив рекламные объявления о показе новых фильмов в таких местах, предприниматель поднимет конверсию.

6. Продажи

При помощи предпродажной аналитики специалист уточняет перечень показателей, каждый из которых с высочайшей вероятностью влияет на параметры выручки, прибыли и доходности. Такие цифры, несомненно, играют огромную роль в процессах становления компании в целом.

Пример

Просматривая торговую статистику предыдущего квартала, мастер поймет, какие факторы становились причиной положительной динамики для конверсии. Представленные выкладки помогут ему сформировать планы на следующие годы.

7. Работа с персоналом

PA-системы заставляют выгодоприобретателей, в том числе и вести учет добровольных и принудительных увольнений. Грамотная обработка указанных статистических таблиц позволит снизить текучку кадров, а также заранее избавиться от проблем, связанных с неблагонадежными работниками.

Пример

Человек замечает, что специалисты, проработавшие, например, пять лет на одной позиции, после сопутствующего срока, как правило, увольняются. Он, конечно же, будет использовать все себе на пользу, и наладит структуру кадровой ротации.

Три кита предиктивной аналитики

Стоит понимать, что сама по себе сфера знаний под названием Predictive Analytics взаимодействует исключительно с точными выборками и величинами. Если сведений нет, то у мастера вряд ли получится оформить хоть сколько-нибудь точный прогноз. На понимании представленного факта строятся абсолютно все центральные системы соответствующей работы.

1. Сбор данных

Как уже говорилось ранее, собирать стоит самые разные информационные выкладки, тем или иным образом касающиеся основного исследуемого процесса. К числу таковых относятся:

• количественные параметры;
• экономические характеристики;
• внешние и внутренние факторы;
• временные свойства;
• цифры конверсии;
• блоки карты клиентского пути;
• портреты целевой аудитории и так далее.

Искать и обрабатывать такие массивы нужно в профессиональном программном обеспечении. С процедурами по сбору сведений отличным образом справляются разнообразные виды профильного софта. Приобрести его можно, например, на официальном сайте российской компании «Клеверенс». Брендовые модули «Склад-15» и «Магазин-15» уже настроены на повсеместную автоматизацию и оптимизацию всяческих рутинных бизнес-процессов.

2. Исследовательский анализ

Понимание того, что методы предиктивной аналитики и управления — это еще один, чрезвычайно важный и знаковый инструмент, ведущий к увеличению прибыли, становится ключом к грамотному и высокодоходному предприятию. Однако для получения эффекта от сервисов из такой области знаний как Predictive Analytics мало одних информационных выкладок. Собранные данные нужно еще и обработать, и сделать это можно благодаря классификации, регрессии, кластеризации, ассоциации и отклонениям. Каждая из перечисленных схем дает собственный, уникальный результат, с легкостью интерпретируемый на коммерческую деятельность.

3. Предиктивное моделирование

Вся работа в PA-секторе проводится в соответствии с шагами двух основных этапов. Итак, специалисты:

1. Ставят конкретные перечни задач.
2. Выбирают математическую или статистическую модель.
3. Подбирают цифры и параметры.
4. Проводят изучение и выдают прогноз.

Именно так функционируют все более или менее правильные системы.

Внешние данные

Таких формаций в сфере Predictive Analytics существует множество. Их роль могут принимать курсы валют, графики запуска ракет Илона Маска, обыкновенные новости и так далее. Проще говоря, здесь коммутируется все, что никак не зависит от деятельности сотрудников какой-либо корпорации.

Внутренние сведения

Классические бизнес-показатели. Ассортимент, товарооборот, статистика площади точек продаж, конверсия, зависимость числа покупок от конкретных номенклатур. Нетрудно догадаться, что все перечисленные цифры собираются и аккумулируются, например, с задействованием CRM-пакетов.

Как получить внешние данные

Естественно, что первым и главнейшим источником ценных выкладок является интернет. Скажем, официальный сайт проекта OpenStreetMap включает в себя внушительное число блоков, рассказывающих о географических характеристиках тех или иных объектов. В сети существуют тысячи сайтов, подходящих для сбора нужных и важных информационных массивов.

Прогнозная и предсказательная аналитика: как проверить точность модели

Классическая система PA-проверки предсказаний выглядит так:

1. Специалист делит все наличествующие сведения в пропорции 80/20.
2. Первую часть базы вновь разделяется в пропорции 70/30.
3. На основании 70% проводится обучение.
4. Благодаря оставшимся 30%, структура исследуется на корректность.
5. Когда чувствительность устраивает, второй блок первоначального набора задействуется для выполнения окончательных тестов.

Двигаясь в представленном направлении, мастер с легкостью доведет прогноз до нужных параметров четкости. Правда, для этого понадобится целый свод разнообразных, максимально достоверных и корректных цифр.

MVP и промышленное решение

Гипотеза Manual Viable Product позволяет реализовать дешевую проверку для практически любых предсказательных гипотез. Выгодоприобретатель должен обучить модель на наличествующих данных, без сбора дополнительных массивов. Как только точность достигает 75%, можно задействовать структуру для решения реальной задачи.

Коротко о главном

Итак, предиктивная аналитика — это область знаний, позволяющая принимать взвешенные решения, готовиться к непредвиденным ситуациям и предусматривать всевозможные чрезвычайные происшествия. Для того чтобы оформить какой-либо более или менее качественный прогноз для событий в будущем, понадобится позаботиться об аккумуляции разнообразных информационных баз. Обработка показателей прошлых ситуаций — инструмент, при помощи которого бизнес начинает действовать с большей эффективностью.

История появления структур формата Predictive Modeling

Вообще, PA-системы развиваются с сороковых годов прошлого столетия. Их родоначальником считается тот самый Алан Тьюринг, трудившийся над задачей по взлому немецко-фашистской шифровальной машины под названием «Энигма». Все представленные исторические выкладки хорошо описаны, например, в книге Эрика Сигеля «Просчитать будущее». Автор самым достоверным образом приводит доказательства, а также на тренировочных пособиях и образцах объясняет, почему такие прогностические модели действительно оказываются крайне полезными в условиях современной коммерции.

Мировой рынок

Нетрудно догадаться, что схемы формата Predictive Analytics получили самое широкое распространение на международном торговом рынке. С задействованием такой области знаний функционируют практически все крупнейшие банковские, страховые, фармакологические, медицинские и ритейлерские корпорации. Кроме того, применять науку, сочетающую в себе аспекты теории игр, высшей математики и классической теории вероятностей, предпочитают и разнообразные промышленные предприятия.

Что получаем на выходе

Предсказательный или предикативный (предиктивный) анализ данных — это прежде всего инструмент, сильно облегчающий процесс принятия важных решений в рамках целых отраслей традиционного и современного бизнеса. Правда, каждый специалист понимает, что точность всяческих прогнозов напрямую зависит от качества взятых во внимание показателей. Чем больше сведений и достовернее цифры — тем выше шанс на получение достойной и по-настоящему работающей модели.

Количество показов: 16584

Что реально происходит в предиктивной аналитике на производствах?

Примерно 18 лет я занимаюсь автоматизацией производств и, в частности, прогностическими системами. Авария в турбине обходится в среднем в десятки миллионов рублей и, как правило, затрагивает далеко не только турбину. Отрыв рабочих лопаток турбины может нанести прямого урона на миллиарды, а потом ещё остановить генерацию на срок поставки комплектующих.

Пример такой турбины для понимания масштаба. Источник.

Сейчас это решается регламентным ремонтом и обслуживанием: «раз в год останавливаем и разбираем», «раз в месяц меняем подшипник», «раз в неделю льём сюда масло». Может, некоторые операции излишни, а может, некоторые слишком редки. Но это лучше, чем ничего.

Второй уровень — это обвесить турбину датчиками и следить за их показаниями. Так можно остановить её за несколько часов или дней до предполагаемой аварии — это лучше, чем устранять последствия, но всё равно нужно же успеть к этому моменту заказать элементы под замену. И неожиданная остановка локомотива, например, вполне может означать перепланирование всего графика перевозок.

Третий уровень — это взять исторические данные, взять потоковые данные с датчиков и построить модель их изменения. Это даст точность в недели. Это уже предиктивная аналитика, которую могут позволить себе далеко не все.

К этому можно добавить ещё физическую модель взаимодействий на устройстве.

Как устроена современная предиктивная и предписательная аналитика

Итак, вам нужно на входе:

1. Получить исторические данные с оборудования. Минимум за три месяца, лучше — за полгода–год. Там должен быть поток данных со всех датчиков, поток данных по производственным параметрам и так далее — в общем, не 40 Кб дискретных значений за полгода, а реально гигабайты. Эти данные можно скормить какой-либо матмодели (раньше использовались разные совокупности эвристик, сейчас обучают нейросети на прогнозы), чтобы понять ожидаемое будущее состояние системы на основании прошлого опыта.
2. После обучения нейронки дать в модель на вход также текущие данные в реальном времени, чтобы она строила уже реальный прогноз. Затем при каждом регламенте реально оценивать износ элементов и состояние оборудования, чтобы понимать, правильно ли работает модель. Как правило, модель способна далеко не на всё: она может предсказывать случаи, которые уже были на этом оборудовании, достаточно точно, но редко когда удаётся предвидеть новый случай, которого не было в истории.
3. К оборудованию строится физическая модель. Точнее, матмодель физических и химических процессов внутри узла. Например, если речь про подшипник, к «слепому» анализу исторических данных добавляется моделирование физических процессов, происходящих с ним. Эти модели в совокупности с предиктивной аналитикой из пункта 2 очень сильно повышают точность прогноза, с одной стороны, — и очень сильно повышают трудоёмкость разработки, с другой.

Проблема в том, что потоки данных с одного элемента оборудования неприменимы для другого, принципиально похожего, но другой серии. Плюс для каждого наименования оборудования нужна своя физическая модель: принципиальная подходит для всего класса оборудования, но даёт незначительный прирост точности. А вот написанная под конкретную железку уже работает.

Более того, два экземпляра одной и той же железки требуют разных физических моделей и работают совершенно по-разному. Первая причина в том, что они физически отличаются: каждый подшипник и каждая другая деталь имеют свои характеристики, укладывающиеся в вилку допусков и достаточно случайно меняющиеся в процессе эксплуатации. Замена элемента приводит к другому поведению системы. Добавьте к этому текущие ремонты, часто меняющие физическую модель, добавьте человеческий фактор по замене комплектующих на глаз точно такие же, только отличающиеся последней цифрой в номере, добавьте возможность некорректного импортозамещения — и вы получите два визуально похожих элемента оборудования, но с данными, неприменимыми друг к другу.

Поэтому нейронка учится именно на данных каждого конкретного элемента оборудования и уточняется физической моделью для данного типа (серии) устройств.

А вторая проблема в эксплуатации. Например, я знаю, что прогностические модели электровозов для российских железных дорог имеют два класса: для южных регионов и северных. То есть один и тот же электровоз будет обсчитываться совершенно в разных физических моделях в зависимости от региона эксплуатации. Знаю, звучит странно, но это реальность производств. Кстати, поэтому в поток данных нужно также добавлять все внешние условия, условия среды, производственных материалов и так далее.

Что получается

Если у вас есть крайне дорогое оборудования типа турбины за миллиард, можно писать к ней собственную модель и делать НИОКРы. Если получится уменьшить вероятность поломок, это окупится.

Если у вас есть серийное дорогое оборудование, обычно к нему либо уже есть типовая физическая модель, либо она достаточно быстро дорабатывается из класса таких физических моделей. Дальше нужно снять исторические данные, обучить нейронку и получить достаточно хороший результат.

Если у вас есть единичное оборудование со средней ценой или много серийного дешёвого оборудования, как правило, такие внедрения не окупаются без готовых физических моделей производителя под железо. У Siemens и Schneider Electric на многие изделия модели есть, например, но они их не дают, а используют у себя для анализа поступающей телеметрии и предсказания ремонтов.

На практике сейчас поменялось то, что появилась возможность существенно дешевле учить нейросети на исторических данных, и это из области искусства постепенно переходит в обыденность. По факту же каждого руководителя производства интересует три простых вещи:

• сколько стоит внедрение;
• какой экономический эффект оно даст;
• какие гарантии может дать вендор.

Как и 18 лет назад, ответить на все три вопроса так, как хочется производству, не выйдет. Весь софт всегда поставляется по лицензии AS IS, то есть если ПО не предсказало выход из строя, а он случился, это просто досадная случайность, а не ответственность вендора. Финансовых гарантий вендор на себя не берёт.

Внедрение при НИОКРе очень дорогое. Экономический эффект в том, что будет меньше поломок и простоев, но его можно доказать лет так за 5–6 на практике.

Статистику никто не показывает, она очень закрытая у каждого производства.

В итоге остаются области, где уже есть экономический смысл внедрять готовые решения (с небольшой доработкой под конкретное оборудование) — и именно это мы делаем. Сейчас это тяговые электродвигатели, масляные насосы, генераторы, компрессоры и ДВС (там, как правило, треть проекта — адаптация под устройство, но она окупается) и ещё ряд электроагрегатов.

Насколько достоверны прогнозы?

Очень сильно зависит от того, что за модели были, кто внедрял (с каким опытом) и какие данные собирались. Любая аналитика строится на данных. Нет данных — нет аналитики. Я часто вижу, когда компания наверху внедряет какую-то информационную систему, которая должна агрегировать данные, а затем она спускается на места, и вместо интеграции с производственными системами все эти данные начинают вбиваться руками раз в смену. Так прогностика, конечно же, не работает.

Прогнозы часто обогащаются базами знаний экспертов (условно, это техкарты и перенос принципов отказов с одной модели сложного оборудования в другую похожую).

Дальше, надо понимать, что мы говорим про прогнозную аналитику, предсказывают вероятные результаты на основе выявленных тенденций и статистических моделей, полученных с помощью исторических данных и с использованием данных от оборудования, получаемых в реальном масштабе времени. Заказчики ждут предписывающей аналитики, которая позволяет получить оптимальное решение на основе прогнозной аналитики с использованием данных в реальном масштабе времени. То есть мы говорим «что будет», а заказчики ждут «что делать». На деле это требует интеграции с ещё большим количеством систем.

Вся суета вокруг прогноза состояния — попытка уйти от ремонтов по расписанию к ремонтам по требованию. Чем сложнее система, тем более сложная модель — больше влияющих факторов, менее достоверное предсказание. Опять же, каждый раз при внедрении нужно вернуться на 3 месяца назад и включить мониторинг, если этого не было сделано. Может быть и так: «Ну вы пока собирайте данные, через 3 месяца придём».

Стоит ли ожидать достоверных прогнозов от современных систем прогностики (предиктивной аналитики) в ближайшее время? Да. Всё идёт вперёд. Развивается математика. Оцифровка знания экспертов — большая задача, которой занимаются большие компании. Уже есть базы знаний, которые позволяют для каждого типа оборудования иметь бесценный источник знаний, не привлекая людей в каждом конкретном случае.

На текущий момент уровень развития матаппарата и вычислительной техники достаточен для простых систем вроде двигателя, насоса, компрессора. Но пока эти системы плохо работают с более сложными системами. Но это вопрос времени.

Так что, если у вас тяговые электродвигатели или масляные насосы, мы можем помочь с достаточно предсказуемым эффектом. С остальным вернёмся через пару лет. Надеюсь.

предиктивный

Синонимы:

Что такое предикативная аналитика

Предикативная (или предиктивная, прогнозная) аналитика — это прогнозирование, основанное на исторических данных. С помощью статистических инструментов можно выявить закономерности в изменениях показателей в предыдущих периодах и предсказать, как они будут вести себя в будущем. Например, проанализировав котировки акций, можно просчитать обвал или изменение цен. Банки используют предикативную аналитику, когда оценивают заемщика, анализируя финансовые показатели и рассчитывая вероятность того, что клиент не сможет выплатить кредит.

Крупные компании создают целые отделы, занимающиеся предикативной аналитикой. Они преследуют разные цели — от оптимизации затрат на рекламу до повышения эффективности производства. Считается, что из всех видов бизнес-аналитики именно предикативная аналитика приносит наибольшую выгоду компаниям.

Как строится процесс

Основа прогнозной аналитики — большие данные (от англ. big data). Это огромные массивы информации, которые невозможно обработать с помощью привычных инструментов. Сейчас ИТ-компании предлагают готовые программы, которые анализируют большие данные и визуализируют их в виде дашбордов — наглядных таблиц, графиков и отчетов. Самый актуальный дашборд на сегодняшний день был создан центром системных наук и инжиниринга Университете Джона Хопкинса. Он демонстрирует количество заболевших коронавирусом во всех странах.

Большие данные появляются постоянно — их генерируют компании, устройства и мы сами, когда пользуемся смартфонами и компьютерами, делаем покупки и путешествуем. Кроме того, они легко собираются и оцифровываются: например, если раньше мы покупали продукты на рынках и расплачивались наличными, то теперь чаще оплачиваем товары банковскими картами или делаем заказы в интернет-магазине.

Распространенные примеры данных:

• генерируемые в интернете — посещаемость сайтов, данные о покупках в интернет-магазинах, «лайки»;
• корпоративная информация — транзакции, отчеты о звонках в компанию, количестве покупателей;
• показания приборов — сведения из различных датчиков, телеметрические данные;
• экономические показатели.

Если перечисленные источники уже можно назвать «классическими», то в последние годы компании научились обрабатывать менее очевидные данные: зарплаты игроков американского футбола, содержание фильмов и географические координаты ударов молнии.

Построение прогноза состоит из нескольких этапов:

• Определение цели анализа. От этого будет зависеть, какие именно данные нужно будет собрать.
• Сбор данных из разных источников. Чтобы сделать более точный прогноз, важна их чистота и однообразие. В процессе могут быть введены некорректные значения или произойти сбои программного обеспечения, поэтому задача аналитиков — преобразовать их в подходящий вид.
• Анализ с использованием статистических инструментов. Для этой цели есть готовые решения, но некоторые компании предпочитают создавать софт под собственные нужды.
• Моделирование. На этом этапе часто используется машинное обучение и другие методы с применением искусственного интеллекта. Аналитики выявляют зависимости и факторы, влияющие на поведение показателей, и строят модель с прогнозом.
• Применение на практике. Это финальный этап, когда становится понятно, насколько точным оказался прогноз. В процессе применения модель обучается на новых данных и корректирует прогноз.

Предикативная аналитика не может быть точной на 100%. Иначе, например, биржа не имела бы смысл — каждый мог бы предсказать, как поведут себя те или иные акции. В реальности на каждый бизнес-показатель влияет множество факторов, но точность предикативной модели можно повышать, работая над качеством данных и обучая ее.

Примеры применения предикативной аналитики

• Продажи

Компании анализируют историю покупок и текущую активность клиента. Если по итогам анализа покупатель попадает в сегмент тех, кто потенциально может перейти к конкурентам, то ему могут предложить скидку, бонусы или подарок.

• Управление кадрами

HR-специалисты используют предикативную аналитику, чтобы заранее выявить, кто из работников уволится, кто из кандидатов на вакансию преуспеет, сколько позиций нужно открыть в следующем году, сколько сотрудников воспользуются разными опциями медицинской страховки и т.д. Google использует ее, чтобы сохранить кадры — если аналитика предсказывает, что ценный работник скоро уйдет из компании, ему предлагают повышение или другую должность.

• Производство

Анализируя данные об использовании оборудования, можно определить, когда оно будет нуждаться в профилактическом ремонте. Так, в феврале Mail.ru Group объявила, что создаст для «Сухого» цифровую платформу предикативной аналитики. Данные о работе промышленного оборудования и параметрах выполнения операций позволят прогнозировать исправность станков и осуществлять их своевременное обслуживание.

• Финансы и банки

В этой сфере прогнозная аналитика используется особенно широко. Например, с ее помощью выявляются мошеннические транзакции. Банки смотрят на данные прошлых лет о нормальном поведении: расходах, обычном времени и географии транзакций. В случае аномалий организация получает уведомление и может запросить у клиента дополнительное подтверждение операции.

• Маркетинг

Прогнозная аналитика особенно эффективна в интернет-маркетинге, где легко собрать информацию и быстро внести изменения. Она помогает снизить расходы на рекламу, показать объявление, подходящее конкретному пользователю, квалифицировать посетителя сайта как будущего платящего клиента, улучшить клиентский опыт и т.д.

• Эпидемиология

Специалисты сервиса BlueDot в декабре 2019 года определили, что вспышка заболевания будет именно в провинции Хубэй, опубликовав первую научную публикацию, в которой были предсказания о глобальном распространении вируса.

Бывают неожиданные области применения предикативной аналитики с искусственным интеллектом. О них рассказал технический директор Redmadrobot Data Lab Алексей Соколов:

• Спорт. Компания ICEBERG анализирует хоккейные матчи, собирает статистику по игрокам, их владению шайбой и прогнозирует ряд показателей для клубов. Также в Японии был разработан алгоритм, предсказывающий на основе позы игрока место падения шарика для пинг-понга. По словам создателей, точность алгоритма составляет 75%.
• Медицина. Помимо стандартных диагностических задач, предиктивная аналитика используется для разработки лекарств (с ее помощью можно моделировать белки для лечения определенных заболеваний), построения индивидуальных планов лечения и даже для качественной чистки зубов.
• Азартные игры. Долгое время игра в покер считалась недоступной для машины. Сейчас алгоритмы научились блефовать, предсказывать поведение соперников и играть сильнее лучших игроков мира.

«Системы, построенные на машинном обучении, стремительно развиваются. Основная «пища» для алгоритмов такого рода — это данные и вычислительные мощности, и их становится все больше. Через пять лет машинные алгоритмы будут пронизывать все вокруг точно также, как электричество, — добавляет Алексей Соколов. — Скорее всего, государства научатся корректно регулировать интеллектуальные технологии, беспилотные автомобили станут нормой, а в медицине произойдут прорывы, которые позволяют людям жить дольше».

---

Подписывайтесь и читайте нас в Яндекс.Дзене — технологии, инновации, эко-номика, образование и шеринг в одном канале.

предиктивный — синонимы и близкие по смыслу слова

предиктивный — прилагательное, всего в словаре 3 синонима: