Es wurde viel über die Unsicherheiten durch das Coronavirus berichtet und darüber, wie Unternehmen Big Data und fortschrittliche Analytik nutzen, um eine klare Richtung für die Zukunft zu finden. Predictive Analytics helfen Unternehmen bei der Planung und Bewertung von Geschäftsfragen wie potenziellen Auswirkungen auf den Umsatz, z. B. wo die Nachfrage wahrscheinlich steigen oder sinken wird, und Auswirkungen auf den Wettbewerb, z. B. welche anderen Produkte den Umsatz beeinträchtigen könnten, sowie die Gründe dafür.
Der Markt für prädiktive Analysen wächst mit einer CAGR von 21,7 % und spiegelt die riesigen Datenmengen wider, die jetzt erzeugt werden, sowie neue statistische und Modellierungstechniken und natürlich die Fortschritte in der KI, die prädiktive Analysen in großem Umfang möglich machen.
Aber nicht alle Predictive-Analytics-Plattformen sind gleich...
Worauf du bei der Auswahl einer Predictive-Analytics-Plattform achten solltest
Anzahl der Datensätze. Die meisten Predictive-Analytics-Plattformen stützen sich auf historische Verkaufsdaten und andere interne Quellen. Die Anreicherung des Datensatzes mit kontextbezogenen Datensätzen, die die Stimme des Verbrauchers, wichtige Meinungsführer, Produktrezensionen, Produktbewertungen, Wettbewerbsindikatoren und andere Innovationssignale widerspiegeln, erhöht die Genauigkeit von 35 % auf mehr als das Doppelte.
Aktualität und Stabilität der Datensätze. Die Zeit bleibt nicht stehen und die Vorhersagen müssen ständig aktualisiert werden. Aber das ist nicht so einfach. Wenn ein Prognosemodell erstellt wird, basiert es auf einem bestimmten Datensatz. Die Eigenschaften des Datensatzes können sich ändern, wie es im unstrukturierten Wilden Westen des Internets oft der Fall ist. Das bedeutet, dass das System in der Lage sein muss, diese Änderungen zu erkennen und ständig zu aktualisieren.
Stärke des NLP und der Taxonomien. Wie bereits erwähnt, ist ein Schlüsselelement präziser prädiktiver Analysen die Fähigkeit, mehrere externe, unstrukturierte Datenquellen mit dem Modell zu verbinden. Das Problem ist, dass diese Quellen in der Regel voller Übertreibungen, falscher Grammatik und Syntax, Emojis, mehrdeutiger Wörter und sogar mehrerer Sprachen sind. Aus diesem Grund bewegt sich die Stimmungsanalyse meist um die 80 % Genauigkeitsrate, aber neue Entwicklungen im Bereich des maschinellen Lernens und der KI haben zu Durchbrüchen geführt, die eine Genauigkeit von über 90 % ermöglichen. Die Anwendung von Taxonomien, die auf Fachwissen basieren, kann außerdem sicherstellen, dass die richtigen Daten in das Modell eingespeist werden.
Flexibilität der Modelle und Algorithmen. Je nach Fragestellung sollten mehrere Modelle und Algorithmen zur Verfügung stehen. Aus einer klar definierten Fragestellung ergeben sich die benötigten Datenquellen, die anzuwendenden Taxonomien und schließlich die Art der Analyse (z. B. lineare Regression, K-means Clustering, rekurrente neuronale Netze usw.)
Visualisierungen und Integrationen. Schließlich ist es wichtig, dass eine Predictive-Analytics-Plattform Visualisierungen erstellt, die es ermöglichen, die Ergebnisse zu verstehen und in den Entscheidungsprozess des Unternehmens zu integrieren. Dies kann so einfach sein wie die Erstellung verschiedener Vorhersageszenarien, die Hervorhebung von Indikatoren für Wachstumstreiber usw. oder zu umfassenderen Prognosen führen, die in Business-Intelligence-Systeme integriert werden.
-------------
*DieserBlogbeitrag erschien ursprünglich auf Signals-Analytics.com. Kenshoo hat Signals-Analytics im Dezember 2020 übernommen. Lies die Pressemitteilung.
