Conceptos básicos de las principales tendencias tecnológicas de análisis predictivo
Video: ¿Cuáles son las tendencias tecnológicas del futuro? Joi Ito, director del MIT Media Lab, responde
técnicas analíticas predictivas tradicionales sólo pueden proporcionar información sobre la base de los datos históricos. Sus datos - tanto del pasado como entrante - puede proporcionarle un predictor fiable que puede ayudar a tomar mejores decisiones para lograr sus objetivos de negocio. La herramienta para lograr ese objetivo es el análisis predictivo.
Cómo explorar el análisis predictivo como un servicio
A medida que el uso de análisis predictivo se ha vuelto más común y extendido, es una tendencia emergente (comprensiblemente) hacia una mayor facilidad de uso. Podría decirse que la forma más fácil de utilizar análisis predictivo es como software - ya sea como un producto independiente o como un servicio basado en la nube proporcionado por una empresa cuyo negocio es el suministro de soluciones de análisis predictivo para otras empresas.
Si el negocio de su empresa es ofrecer análisis predictivo, puede proporcionar esa capacidad de dos maneras principales:
Como una aplicación de software independiente con una interfaz gráfica de usuario fácil de usar: El cliente compra el producto de análisis predictivo y lo utiliza para construir modelos predictivos personalizadas.
Como un conjunto basado en la nube de herramientas de software que ayudan al usuario elegir un modelo predictivo de usar: El cliente aplica las herramientas para cumplir con los requisitos y especificaciones del proyecto en cuestión, y el tipo de datos que el modelo se aplicará a. Las herramientas pueden ofrecer predicciones de forma rápida, sin la participación del cliente en el funcionamiento de los algoritmos en uso o la gestión de datos en cuestión.
Un ejemplo sencillo puede ser tan sencillo como estos tres pasos:
Un cliente carga de datos a los servidores, o elige los datos que ya reside en la nube.
El cliente solicita algo del modelo predictivo a disposición de esos datos.
Los comentarios de los clientes visualizar ideas y predicciones a partir de los resultados del análisis o servicio.
Cómo agregar datos distribuidos para el análisis
Una tendencia creciente es aplicar el análisis predictivo de los datos recogidos de diversas fuentes. Implementación de una solución típica de análisis predictivo en un entorno distribuido requiere la recopilación de datos - a veces grandes datos - de diferentes fuentes- un enfoque que debe confiar en las capacidades de gestión de datos. Los datos tienen que ser recogidos, pre-procesado, y gestionado antes de se puede considerar utilizable para generar predicciones de acciones concretas.
Los arquitectos de soluciones de análisis predictivo siempre tienen que enfrentar el problema de cómo recoger y procesar datos de diferentes fuentes de datos. Consideremos, por ejemplo, una empresa que quiere predecir el éxito de una decisión empresarial que afecta a uno de sus productos mediante la evaluación de una de las siguientes opciones:
Para poner recursos de la empresa en el aumento del volumen de ventas
Para terminar la fabricación del producto
Para cambiar la estrategia actual de ventas para el producto
Video: Tendencias tecnológicas 2017
El arquitecto análisis predictivo debe diseñar un modelo que ayuda a la empresa a tomar esta decisión, a partir de datos sobre el producto de los diferentes departamentos:
Datos técnicosEl departamento de ingeniería tiene datos sobre las especificaciones del producto, su ciclo de vida, y los recursos y el tiempo necesario para producirlo.
Los datos de ventas: El departamento de ventas tiene información sobre el volumen de ventas del producto, el número de ventas por región, y las ganancias generadas por esas ventas.
Los datos del cliente a partir de encuestas, opiniones y mensajes: La empresa puede tener ningún departamento dedicado que analiza cómo los clientes se sientan sobre el producto. Existen herramientas, sin embargo, que puede analizar automáticamente los datos publicados en Internet y extraer las actitudes de los autores, altavoces o los clientes hacia un tema, un fenómeno, o (en este caso) de un producto.
Por ejemplo, si un usuario publica un comentario sobre el producto X que dice: “Me gusta mucho el producto X y estoy contento con el precio”, una extractor de confianza etiquetas automáticamente este comentario como positivo.
Estas herramientas se pueden clasificar las respuestas como “feliz”, “triste”, “enojado”, y así sucesivamente, basar la clasificación en las palabras que usa el autor en el texto publicado en línea. En el caso del producto X, la solución de análisis predictivo necesitaría agregar comentarios de los clientes de fuentes externas.
El ejemplo es una agregación de datos de múltiples fuentes, tanto internas como externas - desde la ingeniería y las divisiones de ventas (internas), y de los clientes Reseñas obtenida de las redes sociales (externo) - que es también un ejemplo de la utilización de grandes volúmenes de datos en análisis predictivo .
Fundamentos de análisis basados en datos en tiempo real
La entrega de penetraciones como nuevos eventos ocurren en tiempo real es una tarea difícil ya que gran parte está sucediendo tan rápido. moderna de procesamiento de alta velocidad ha cambiado la búsqueda de la visión de negocio lejos de almacenamiento de datos tradicional y hacia el procesamiento en tiempo real.
Video: LINEAS DE TENDENCIAS ALCISTAS Y BAJISTAS | ANALISIS FOREX | TUTORIAL
Pero el volumen de datos también es alta - una enorme cantidad de datos variados, desde múltiples fuentes, que genera constantemente y en diferentes velocidades. Las empresas están ansiosos por escalables soluciones de análisis predictivo que pueden derivar conocimientos en tiempo real a partir de un flujo de datos que parece llevar “el mundo y todo lo que contiene.”
La demanda se está intensificando para el análisis de datos en tiempo real y generar predicciones rápidamente. Considere el ejemplo de la vida real de encontrar una ubicación de anuncios en línea que corresponde a una compra ya era a punto de hacer. Las empresas están interesadas en soluciones de análisis predictivo que pueden proporcionar capacidades tales como las siguientes:
Predecir - en tiempo real - el anuncio específico que un visitante del sitio más probable es que haga clic (un enfoque llamado la colocación de anuncios en tiempo real).
Especulan con precisión en el que los clientes están a punto de salir de un servicio o producto con el fin de apuntar a los clientes con una campaña de retención (la retención de clientes y el modelado de la rotación).
Identificar los votantes que pueden ser influenciados a través de una estrategia de comunicación específica, como una visita al hogar, anuncio de televisión, llamada telefónica o correo electrónico. (Se puede imaginar el impacto en la campaña política.)
Además de fomentar la compra y de votación a lo largo de las líneas deseadas, en tiempo real de análisis predictivo pueden servir como una herramienta crítica para la detección automática de los ataques cibernéticos.