Lehet, hogy ez volt a Stallone fogása a filmben Dredd bíró, de manapság egy közös piacszervezés (marketing vezérigazgató) vagy akár a marketing stratégája is könnyen mondhatja ezt a kifejezést.
$config[code] not foundManapság az analitikus megoldások több adatot bontanak le több forrásból, pontosabb értékesítési és működési modelleket hozva létre. A vállalkozások az innováción keresztül tanulnak, de hogyan mutatják be az elemzés és a bemutatott fogalmak mennyiségét?
Prediktív analitika: az a hatalom, hogy Eric Siegel, aki megpróbálja meggyőzni, megvásárolni, elveszteni vagy meghalni, PhD-ként tisztázza az üzleti vezetőket, hogy megértsék a lehetőségeket és mítoszokat.
Siegel az előrejelző analitikai világ alapító konferenciája és a Prediction Impact elnöke, egy analitikai szolgáltató cég.
Nagyon izgatott voltam, amikor átértem a könyvet. Ebben az évben számos új elemzőkönyv jelenik meg, ezért megkérdeztem Wileyt, hogy vizsgálati példányt kapjon.
Az alapok lebontása - Hogyan viszonyulnak az adatok az Ön ügyfeleihez
Az „analitika” szó görögül „lebontja”.
Ez a fajta bontás a prediktív elemzésben azt jelenti, hogy az adatok az adott erőforrásokkal kapcsolatos új lehetőségeket fedeznek fel. Ez az új képesség a szervezeti „silók” felosztását is, a magatartásunk preferenciáit és időnként adatvédelmi intézkedéseinket.
Siegel megjegyzi, hogy az emberek figyelmen kívül hagyhatják a lehetőség mindenhatóságát:
„A legtöbb ember nem volt kevésbé érdekelt az adatok iránt. Úgy tűnik, mintha ilyen száraz, unalmas cucc lenne *** Ne tévesszen meg. Az igazság az, hogy az adatok felbecsülhetetlen értékű gyűjteményt alkotnak, amelyből tanulni lehet. Minden orvosi eljárás, hitelesítési kérelem, Facebook-posta, film ajánlások, csalárd cselekmény, spammy e-mail és bármilyen vásárlás - minden pozitív vagy negatív eredmény, minden sikeres vagy sikertelen értékesítési hívás, minden esemény, esemény vagy tranzakció adatként van kódolva és raktározott. Ez a csúszás naponta kb.
Siegel hét fejezetet használ annak bemutatására, hogy hogyan növeljük megértésünket - és félreértésünket - a világ adatain keresztül. A Hewlett-Packard az analitikát használja arra, hogy megjósolja, hogy fontolja meg, hogy kilép-e a munkájából - értékes, mivel az új alkalmazott keresése meghaladhatja a megtartást. Egy másik érdekes korrelációs kísérlet az „Anxiety Index”, a blog összefüggése az S&P 500 teljesítményével szemben.
$config[code] not foundA szórakoztató korrelációs megfigyelések bővelkednek - a gyakorlati mérési örömök között szerepel, hogy a vegetáriánusok kevesebb repülést hagynak („A vegetáriánus étkezést előre megrendelő légi fuvarozók nagyobb valószínűséggel repülnek…. ösztönző vagy elkötelezettségérzetet. ”). Ezek a megbeszélések képezhetik a személyeket; milyen ügyfelek léteznek:
„A PA (Predictive Analytics) a saját tervezésén keresztül elősegíti a szerendipityt. A prediktív modellezés kiterjedt, feltáró elemzést végez, számos prediktort tesztel, és ezzel feltárja a meglepő eredményeket… ”.
Megmondhatja Siegelnek, hogy imádja a témát, de nem a vakolókkal vagy hamis értékesítéssel az olvasónak. Amikor azt mondja: „Az adatszolgálók látják az értéket és az értéket izgalmasak,” tudod, hogy tényleg azt jelenti.
A Siegel további személyes betekintést oszt meg, mivel „fóliát” használtak a Fox hírek szegmensében a Target ügyfelei terhességének kiutazásán. A magánéletről beszélve Siegel bölcsen szentel egy fejezetet a témának. Azt használja, hogy minimális torzítással szüntesse meg a mítoszt, például megkülönbözteti a prediktív elemzést az adatbányászattól:
„PA prediktív analitika önmagában és nem önmagában támadja meg a magánéletet - alapvető folyamata az adatvédelem ellentéte. Bár a PA néha az adatbányászatnak is nevezik, nem „fúrja le” az egyén adatait. Ehelyett a PA ténylegesen „felemeli” a tanulási mintákat, amelyek általánosságban igaznak bizonyulnak az ügyfélrekordok tömegén átnyúló rote számmal. ”
Az ilyen megkülönböztetések kritikusak a személyre szabott programokkal kapcsolatos veszélyek megértésében. Ennek a könyvnek az olvasása segít a vezetőknek, akik úgy gondolják, hogy csak a kapcsolót váltják.
A kis- és nagyvállalatok ezt a könyvet használhatják arra, hogy segítsék az adatok szegmenseinek értelmezését. Például Siegel elmagyarázza, hogyan működik a tanulási gép egy döntési diagramon keresztül - bár a könyvben egy vállalati szintű prediktív modell kialakítására használják, a kisvállalkozások használhatják az ötletet saját adatkonfigurációjuk kialakításában.
További kiemelt jelentőségűek a Chase Bank jelzálog-kockázati előrejelző modellje, az IBM adatfelhasználása a Watson számára a játékban, a Jeopardy és a 147 példás iparági táblázat, amely a mai napig használható.
Hogyan hasonlítható össze ez a könyv más analitikus szövegekkel?
Tekintsük ezt a könyvet az adat alapú marketing kiterjesztésének és a Davenport-nál pontosabbnak Analytics a munkahelyen (A Davenport egyébként előszót is tartalmaz).
A könyv olyan megjegyzéseket tartalmaz, amelyek az adatokat szórakoztatóvá tehetik, bár kevésbé forognak, mint Avinash Kaushik könyve Web Analytics 2.0. Végső soron kiváló alapozó néhány olyan ötlet kidolgozására, amely alapján az adatok egy üzleti tevékenységet fokozhatnak.
Ez teszi a könyvet cselekvhetőbbé, mint a Nagy adat, bár mélyreható adatbázis-megbeszélések nem szerepelnek.
Szerezd meg ezt a könyvet, hogy jobb modelleket készítsen a te dolgodnak
Prediktív analitika kitűnő, nem csak a napjainak témája szempontjából, hanem az, hogy hogyan kezeli a témát - tisztelet és tisztelet, a megfelelő tudományos kétségekkel.
A könyv kitünteti az üzleti hírszerző szakemberek, például Thomas Davenport, Eric Sterne és Eric Stiegel munkáját. Emellett kitünteti az analitikus szakembereket vagy a vezetőket, akik növelik üzleti versenyelőnyüket.
Nincs szükségem adatokra, hogy tudjam, hogy a versenyelőny az, amit bármelyik vállalkozás keres.
3 Megjegyzések ▼
