Det kan ha vært Stallones fangstfras i filmen Dommer Dredd, men i dag kan en CMO (Chief Marketing Officer) eller til og med markedsføringsstrategen din enkelt si det uttrykket også.
$config[code] not foundI dag analyserer analytiske løsninger flere data fra mange kilder, noe som gir mer nøyaktige salgs- og driftsmodeller. Bedrifter lærer å konkurrere gjennom innovasjon, men hvordan presenterer en modell volumet av analyse og konsepter?
Prediktiv Analytics: Kraften til å forutsi hvem som skal klikke, kjøpe, løye eller dø av Eric Siegel, PhD tjener som en klareringskall for bedriftsledere for å forstå mulighetene og mytene.
Siegel er grunnleggerkonferansen for Predictive Analytics World og President of Prediction Impact, en analytics services firma.
Jeg var veldig spent da jeg kom over boken. Flere nye analysebøker blir utgitt i år, så jeg spurte Wiley for en anmeldelseskopi.
Breaking Down The Basics - Hvordan data relaterer seg til dine kunder
Ordet "analytics" betyr "å bryte ned" på gresk.
Denne typen avbrudd i prediktiv analyse betyr korrelering av data for å oppdage nye muligheter med de oppgitte ressursene. Denne nye muligheten bryter også avdelingen "siloer" i organisasjoner, våre preferanser i vår oppførsel og, til tider, våre personverntiltak.
Siegel legger merke til hvordan folk kan overse mulighetenes allestedsnærværende evne:
"De fleste kunne ikke være mindre interessert i data. Det kan virke som tørt, kjedelig ting *** Ikke bli lurt. Sannheten er at data utgjør en uvurderlig samling erfaring som du kan lære av. Hver medisinsk prosedyre, kredittapplikasjon, Facebook-post, filmanbefalinger, bedragerisk handling, spammy e-post og kjøp av noe slag - hvert positivt eller negativt utfall, er hvert vellykket eller mislykket salgssamtale, hver hendelse, begivenhet eller transaksjon - kodet som data og lagret. Denne gluten vil vokse med en estimert 2,5 quintillion bytes per dag …. "
Siegel bruker syv kapitler for å vise hvordan vi øker vår forståelse - og vår misforståelse - av verden gjennom data. Hewlett-Packard bruker analyser for å forutsi om du vurderer å avslutte jobben din - verdifull, gitt at søker en ny medarbeider kan koste mer enn oppbevaring. Et annet interessant korrelasjonseksperiment er "Angstindeksen", en korrelasjon av bloggen nevner S & P 500-ytelsen.
$config[code] not foundMorsomme korrelerte observasjoner florerer - blant de praktiske måleflekteringene er det vegetarianere som savner færre fly ("Flyselskapskunder som forhåndsbestiller et vegetarisk måltid, er mer sannsynlig å gjøre flyet… Kunnskapen om et personlig eller spesielt måltid som venter på kunden, gir en incitament eller etablerer en følelse av engasjement. "). Disse diskusjonene kan ramme personas; hvilke typer kunder som eksisterer:
"PA (Predictive Analytics) fremmer serendipity ved sin design. Prediktiv modellering utfører en bred, utforskende analyse, tester mange prediktorer og avslører dermed overraskende funn …. "
Du kan fortelle Siegel elsker emnet, men ikke med blinds eller falskt salgsmannskap til leseren. Når han sier, "Data prospektorer ser verdi og verdi er spennende," vet du at han virkelig betyr det.
Siegel deler videre personlig innsikt, etter å ha blitt brukt som en "folie" på et Fox-nyhetssegment på Targets utkikk av en kundes graviditet. Når hun snakker om personvern, dedikerer Siegel klokt et kapittel til emnet. Han bruker den til å debunkere myte med minimal bias, for eksempel å skille mellom prediktiv analyse fra data mining:
"PA predictive analytics i seg selv ikke invaderer personvern - sin kjerneprosess er motsatt av personvern invasjon. Selv om det noen ganger kalles data mining, "PA" ikke "drill ned" til peer på noen enkeltpersoners data. I stedet PA faktisk "ruller opp" læringsmønstre som holder sant generelt ved hjelp av rote nummer crunching over massene av kundeoppføringer. "
Slike forskjeller er avgjørende for å forstå farer med personaliseringsprogrammer. Å lese denne boken vil hjelpe ledere som tror digital bare betyr å vende en bryter.
Bedrifter som er små og store, kan bruke denne boken til å bidra til å ramme hvilke datasegmenter som er fornuftige. For eksempel forklarer Siegel hvordan en læringsmaskin fungerer ved hjelp av et beslutningsdiagram - selv om det brukes i boken for å ramme en foretrukket prediktiv modell, kunne små bedrifter bruke ideen til å utforme sine egne datakonfrumurer.
Andre høydepunkter inkluderer Chase Banks hypoteksforutsigbare modell, IBMs dataforbruk for Watson på spillprogrammet Jeopardy og et 147-talls cross-industry-tabell med prediktive modeller i bruk i dag.
Hvordan sammenligner denne boken med andre analytiske tekster?
Vurder denne boken som en utvidelse av databasert markedsføring og mer spesifikk enn Davenport Analytics på jobb (Davenport gir et forord, forresten).
Boken har kommentarer som kan gjøre data underholdende, men med mindre en snurr enn Avinash Kaushiks bok Web Analytics 2.0. Til syvende og sist er det en utmerket grunn til å utvikle noen ideer om hvordan data kan forbedre virksomheten.
Dette gjør boken mer gjennomførbar enn Stor Data, selv om ingen dype database diskusjoner er inkludert.
Få denne boken til å lage bedre modeller for bedriften din
Forutsigende Analytics er utmerket, ikke bare for sin trend-of-the-day fag, men for hvordan den behandler sitt emne - respekt og ærbødighet, med riktig vitenskapelig tvil.
Boken hedrer arbeidet fra forretningsmessige fagfolk som Thomas Davenport, Eric Sterne og Eric Stiegel. Det ærer også analytiske utøvere eller ledere som ønsker å øke sin virksomhets konkurransefortrinn.
Jeg trenger ikke data for å vite at konkurransefortrinn er hva en bedrift ser etter.
3 kommentarer ▼
