3 اشتباه رایجی که می تواند تلاش های پیش بینی تحلیلی تیم شما را از بین ببرد-هاروارد

چکیده:با توجه به تقاضای زیاد امروزی برای دانشمندان داده و حقوق بالای آنها، اغلب برای شرکت ها عملی نیست که آنها را در کارمندان خود نگه دارند. در عوض، بسیاری از سازمان‌ها برای تقویت مهارت‌های تحلیلی کارکنان موجود خود، از جمله تجزیه و تحلیل پیش‌بینی، تلاش می‌کنند. اما سازمان ها باید با احتیاط عمل کنند. تجزیه و تحلیل پیش بینی به خصوص آسان است که اشتباه کنید. چند «نباید» وجود دارد که تیم شما باید بیاموزد. اولا، دلتنگ کلمات سرزنش نباشید. در عوض، هدف خود را روشن کنید. دوم، با انتخاب نرم افزار پیشرو نباشید. مهارت های تیمی حرف اول را می زند. به جای پیروی از یک فروشنده، کارکنان خود را برای مدیریت یکپارچه سازی یادگیری ماشین به عنوان یک تلاش سازمانی آماده کنید و سپس به کارکنان خود اجازه دهید تا انتخاب آگاهانه تری از نرم افزار تجزیه و تحلیل را در مرحله بعدی پروژه تعیین کنند. در نهایت، به سمت خرد کردن اعداد نروید. رایج‌ترین اشتباهی که پروژه‌های تحلیل پیش‌بینی‌کننده را از مسیر خارج می‌کند، پرش به یادگیری ماشین قبل از ایجاد مسیری برای استقرار عملیاتی است. تجزیه و تحلیل پیش‌بینی‌کننده فناوری نیست که شما به سادگی آن را خریداری کرده و به آن متصل کنید. این یک الگوی سازمانی است که باید شکاف کمی/فرهنگ کسب‌وکار را از طریق یک فرآیند مشارکتی که به طور مشترک توسط سهامداران استراتژیک، عملیاتی و تحلیلی هدایت می‌شود، پر کند.

1) به حرف‌های پر سر و صدا نخورید – هدف خود را روشن کنید
آهنگ جو جکسون، “You can’t get what you want (Till you know what you want)” را می شناسید؟ آن را روشن کنید و بگذارید شعار شما باشد. “علم داده” به همان اندازه که مد است، به خودی خود یک هدف تجاری یا یک هدف یادگیری نیست. این کلمه کلیدی چیزی جز «استفاده هوشمندانه از داده» به معنای خاص نیست. لزوماً به هیچ فناوری، روش یا پیشنهاد ارزش خاصی اشاره نمی کند. در عوض، به یک فرهنگ اشاره می کند – یکی از افراد باهوش که کارهای خلاقانه ای انجام می دهد تا ارزش داده های خود را پیدا کند. برای همه مهم است که هنگام یادگیری کار با داده ها این نکته را در ذهن داشته باشند.
زیر چتر گسترده علم داده، تجزیه و تحلیل پیش‌بینی‌کننده قرار دارد که عملی‌ترین بردی را که می‌توانید از داده‌ها به دست آورید، ارائه می‌کند. به طور خلاصه، تجزیه و تحلیل پیش بینی کننده فناوری است که از تجربه (داده ها) برای پیش بینی رفتار آینده افراد به منظور اتخاذ تصمیمات بهتر یاد می گیرد. پیش‌بینی جام مقدس برای اجرای مؤثرتر عملیات در مقیاس انبوه در بازاریابی، ریسک مالی، کشف تقلب و فراتر از آن است. تجزیه و تحلیل پیش‌بینی‌کننده به سازمان شما این امکان را می‌دهد که این عملکردها را با پرچم‌گذاری افرادی که به احتمال زیاد کلیک می‌کنند، خرید می‌کنند، دروغ می‌گویند، می‌میرند، مرتکب کلاهبرداری می‌شوند، شغل خود را ترک می‌کنند یا اشتراک خود را لغو می‌کنند – و فراتر از پیش‌بینی افراد، با پیش‌بینی نتایج محتمل‌تر برای افراد، بهینه‌سازی کند. مشتریان شرکتی و ابزارهای مالی. این پیش‌بینی‌ها مستقیماً اقداماتی را که باید با هر فردی انجام شود، به‌عنوان مثال، از طریق بازاریابی برای کسانی که احتمال خرید دارند و ممیزی کسانی که احتمالاً مرتکب تقلب می‌شوند، نشان می‌دهد.
در کاربرد آنها برای این کارکردهای تجاری، تجزیه و تحلیل پیش‌بینی‌کننده و یادگیری ماشین (ML) مترادف هستند (در عرصه‌های دیگر، یادگیری ماشین به کارهایی مانند تشخیص چهره که معمولاً آنالیز پیش‌بینی‌کننده نامیده نمی‌شوند نیز گسترش می‌یابد). یادگیری ماشینی کلید پیش بینی است. انباشته شدن الگوها یا فرمول‌هایی که ML از داده‌ها به دست می‌آید (یاد می‌گیرد) – که به عنوان یک مدل پیش‌بینی‌کننده شناخته می‌شود – برای در نظر گرفتن یک موقعیت منحصر به فرد و ایجاد شانس برای نتیجه مفید است. برای مثال، این مدل می‌تواند هر چیزی را که در حال حاضر در مورد یک مشتری مشخص است به عنوان ورودی دریافت کند و به عنوان خروجی احتمال لغو اشتراک خود را آن فرد تولید کند.
وقتی شروع به استقرار تجزیه و تحلیل پیش بینی با تیم خود می کنید، نوع جدیدی از ارزش پیشنهادی را آغاز می کنید، و بنابراین نیاز به نوع جدیدی از فرآیند رهبری دارد. برای تبدیل شدن به «رهبران یادگیری ماشینی» یا «مدیران تحلیل پیش‌بینی‌کننده» به تعدادی از اعضای تیم نیاز دارید – که نشان‌دهنده مجموعه مهارت‌های بسیار خاص‌تری نسبت به «دانشمند داده» است، عنوانی که مجرم ابهامات و تبلیغات بیش از حد است (اما، انجام دهید. اگر دوست دارند، به آنها اجازه دهید تا زمانی که در همان صفحه هستید، آن عنوان را به آنها بدهید).((تیم-مدیریت منابع انسانی))

1. هدف کسب‌وکار را تعیین کنید — اینکه چگونه مدل پیش‌بینی‌کننده به منظور ایجاد تأثیر مثبت فعال بر عملیات‌های موجود، مانند هدف‌گیری مؤثرتر کمپین‌های بازاریابی حفظ مشتری، یکپارچه می‌شود.
2. یک هدف پیش‌بینی خاص را برای خدمت به هدف کسب‌وکار تعریف کنید، که برای آن باید از طرف سهامداران کسب‌وکار – مانند کارکنان بازاریابی، که باید مایل باشند هدف خود را بر این اساس تغییر دهند. مثالی در اینجا آمده است: «کدام مشتریان فعلی با حداقل یک سال سابقه و بیش از 500 دلار تا به امروز خرید کرده‌اند، ظرف سه ماه آن را لغو می‌کنند و سه ماه دیگر پس از آن دوباره ملحق نمی‌شوند؟» در عمل، تاکتیک‌های کسب‌وکار و محدودیت‌های عمل‌گرایانه اغلب به این معنی است که هدف پیش‌بینی باید به‌طور خاص‌تر از آن تعریف شود. یک هدف پیش‌بینی خاص را برای خدمت به هدف کسب‌وکار تعریف کنید، که برای آن باید از سهامداران کسب‌وکار (مانند کارکنان بازاریابی) خرید داشته باشید. ، که باید مایل باشند هدف خود را بر این اساس تغییر دهند. مثالی در اینجا آمده است: «کدام مشتریان فعلی با حداقل یک سال سابقه و بیش از 500 دلار تا به امروز خرید کرده‌اند، ظرف سه ماه آن را لغو می‌کنند و سه ماه دیگر پس از آن دوباره ملحق نمی‌شوند؟» در عمل، تاکتیک‌های تجاری و محدودیت‌های عمل‌گرایانه اغلب به این معناست که هدف پیش‌بینی باید به‌طور خاص‌تر از آن تعریف شود.
3. داده‌های آموزشی را که یادگیری ماشینی روی آن‌ها عمل می‌کند، آماده کنید. این می تواند یک گلوگاه مهم باشد، که معمولاً انتظار می رود 80٪ از حجم کار عملی پروژه را نیاز داشته باشد. این یک کار برنامه نویسی پایگاه داده است که به وسیله آن داده های موجود شما به شکل فعلی برای نیازهای نرم افزار یادگیری ماشین مجدداً تنظیم می شود.
4. برای ایجاد مدل پیش‌بینی، از یادگیری ماشین استفاده کنید. این بخش «علم موشکی» است، اما زمان‌برترین نیست. این مرحله ای است که انتخاب ابزار تجزیه و تحلیل اهمیت دارد – اما، در ابتدا، گزینه های نرم افزار ممکن است امتحان شوند و قبل از تصمیم گیری در مورد خرید (یا استفاده از کدام ابزار منبع باز رایگان) با مجوزهای ارزیابی رایگان مقایسه شوند.
5. مدل را مستقر کنید. پیش بینی های خود را در عملیات موجود ادغام کنید. به عنوان مثال، یک کمپین حفظ را برای 5٪ از مشتریان برتر هدف قرار دهید که برای آنها پاسخ مثبت به سؤال “آیا مشتری لغو می شود” تعریف شده در (ii) محتمل ترین است.