Az IDC becslése szerint a vállalatok 2015-ig 120 milliárd dollárt költenek hardverre, szoftverre és szolgáltatásokra csak azért, hogy javuljanak az elemzéseik, hogy jobban kihasználják a nagy adatban rejlő lehetőségeket, hogy hatékonyabban menedzseljék pénzügyi műveleteiket, visszaszorítsák a csalásokat és megtudjanak valamit az ügyfélkapcsolatok következő fejlődési lépcsőjéről. A prediktív elemzőeszközök e vörösen parázsló piacon fehéren izzanak, s nem véletlenül.
Az IBM szerint a vállalati vezetők azért vágynak az új elemzőképességekre, mert kezdeniük kell valamit a növekvő komplexitással, a megjósolhatatlansággal és a hatalmas mennyiségű információval. Ha az elemzéseket az üzleti folyamatokba integrálják és a velük szerzett új információkat termőre fogják, a nagy adatból lehetőség válik. Bridget van Kralingen, a cég globális üzleti szolgáltató részlegének alelnöke új prediktív elemzési szolgáltatásuk bemutatásakor egyenesen úgy vélekedett, hogy ez a folyamat a vállalatok legértékesebb természetes erőforrása lehet.
A PA nem friss találmány, hiszen már évtizedek óta használják, de a körülmények sohasem kedveztek annyira alkalmazásának, mint manapság. Mindenekelőtt érdemes különbséget tenni az üzleti intelligencia (BI) és a prediktív elemzés között. A döntési menedzsmenttel foglalkozó FICO szakportál ezt azzal igyekszik megragadni, hogy a BI-t egy autó visszapillantó tükrében feltűnő képhez hasonlítja, míg a PA-t ahhoz, amit a szélvédőn át látunk (http://exchange.fico.com/dmc). Más megközelítésben a BI segít megmondani, hogy mi történt, miként működtetjük a céget, míg a PA azt, hogy mit kell majd tenni.
Az előrejelzésre alkalmas (prediktív) elemzőeszközök tulajdonképpen különféle matematikai technikák, amelyekkel be lehet hatolni az adathalmazokba, hogy onnan kihámozzák: mi a legjobb lépés egy adott helyzetben. A prediktív analízis leegyszerűsíti az adatokat, hogy felerősíthesse az értéküket, megtalálja azokat a mintázatokat, amelyek elvezetnek a döntésekhez. Amikor különféle tényezők ezreit kellene figyelembe venni, vagy milliónyi ügyfél szempontjait összesíteni, ezek az eszközök segítenek az ideális döntéshez közelebb kerülni. Egyszerűen szólva, a prediktív elemzés az okosabb döntések tudományos eszköze.
Miben segíthetnek a prediktív elemzések?
A prediktív elemzésekből egy sor területen származhatnak üzleti előnyök. Sok adat és sok változó mellett a PA segít az adatok értékelésének automatizálásában, ami gyorsítja a döntéshozatalt. Az ügyfelek, beszállítók és a többi partner, illetve a munkavállalók múltbeli viselkedéséből következtetni lehet arra is, hogy mit tesznek majd adott körülmények között a jövőben. A döntési kockázatok gyakran attól függnek, hogy a döntés-előkészítés korlátozott erőforrásait mire használják. Az adatok prediktív elemzése e területen elvezet a jó kompromisszumok kialakításához, ami jobb döntéseket eredményez. A PA az egységes döntési folyamatok lefektetését is segíti, s a döntések automatizálásával javulhat az ügyfelek kezelése. Ezt azonban számos előírás határozza meg, olykor már kezelhetetlenül sok. Ilyenkor a szabályhalmaz helyét a prediktív elemzési technikák vehetik át, amelyek egyszerűsíthetik magukat a szabályokat, de az általuk meghatározott folyamatokat is.
A PA lehetőséget ad arra is, hogy betekintsünk az ügyfelek jövőbeni viselkedésébe, ami segít meghatározni a legjobb lépéseket minden egyes ügyfél és tranzakció esetében. Ezzel elérhető a legmegfelelőbb szolgáltató cégek vagy ügynökségek alkalmazása, a csalások feltárása, a reklamációk hatékonyabb kezelése stb.
Az elemzések komplex kérdésekre is képesek választ adni és precízzé, egyben gyorssá is teszik az ügymenetet. Azok a döntések, amelyekre korábban órákat vagy napokat kellett szánni, akár másodpercek alatt is meglehetnek az előre kialakított banki termékektől, az új telefon-előfizetés ajánlatokon át a csalások valós idejű azonosításáig.
A betekintő elemzések sokkal pontosabban képesek mérni egy üzlet kockázatait és csökkenteni a veszteségeket. Beleértve ebbe a csalások miatti veszteségeket, az elvárhatótól a legkisebb mértékben is eltérő mintázat kiszűrését egy alkalmazásban, a vásárlásokban, a követelések között, az ügyletekben vagy a hálózati adatokban.
A PA konzisztensen és megbízhatóan működik az alkalmazott matematikai módszereknek köszönhetően. Ez kritikus a kockázatok kézben tartásában és egységes kezelésében, amelyet a bankok, biztosítók és más ágazatok szabályozói megkívánnak. Továbbá az egységes, elfogulatlan döntések jobban megfelelnek a korrektség elveinek, mintha azok az emberi szubjektivitáson alapulnának.
A végeredmény: gyorsabb, intelligensebb és sokkal egységesebb döntési folyamat. A vállalat a PA eszközkészletével még a nagyon változékony üzleti környezetben is gyorsan képes válaszolni a piaci kondíciók átalakulására, javítani az ügyfélszolgálatot és profitábilisan belépni az új piacokra.
Ki használ PA-t?
A PA-t számos területen használják az üzleti életben (különösen a pénzvilágban vagy a légitársaságoknál, de majd’ mindenütt, ahol sok ügyfél van), kormányzati, sőt tudományos (például meteorológiai vagy genetikai) problémák megoldására is. Az egyik terület, ahol a PA nyilvánvalóan komoly hasznot hajt, az a hitelkártya-üzlet, amelyet az elmúlt negyven évben a prediktív elemzések valósággal forradalmasítottak, mert felgyorsították, objektívebbé és egységesebbé tették az ügyfelekkel kapcsolatos döntéseket. Ezt a technológiát használják ma már az ügyfélszolgálat minden szintjén a marketingtől az ügyfelek előszűrésén és a meglévő ügyfelekkel való kapcsolatok kezelésén át a csalások kiszűréséig és a kölcsönök kezeléséig. Mivel az elemzés megállás nélkül zajlik, a kölcsönadók sokkal gyorsabban képesek dönteni a visszafolyó hitelek újbóli megforgatásáról is. A döntések pedig sokkal objektívebbek. A kártyakibocsátók rendszerei a tényeken alapuló döntésekre támaszkodnak, s az egész építmény szoros kapcsolatban áll a hitelkockázatokkal.
PA vs adatbányászat és BI
Az adatbányászat olyan elemzési eszközkészlet, amely hasznos mintázatokat keres nagy adattömegben. A prediktív analízis során viszont az elemző adatmintázatokat használ, hogy előrejelzéseket készíthessen, vagy összetett állításokat fogalmazzon meg az ügyfelekről sokféle adatmintázat értékelése alapján. Közös bennük, hogy mindkettő fejlett matematikát alkalmaz.
Az adatbányászat gyakran az egyik állomása egy prediktív modell fejlesztésének. Az automatizált adatbányászati technikák képesek elkülöníteni a legértékesebb adatokat a hatalmas mennyiségű lehetőség figyelembevétele után. Az elemzők ezt követően azokat a változókat és mintázatokat használják, amelyekből felépíthető az a matematikai modell, amely formalizálhatja ezeket a feltárt kapcsolatokat és konzisztens előrejelzést adhat a jövőbeli viselkedésről.
A hagyományos BI-eszközök strukturált úton keresik ki a releváns adatokat, összesítik azokat, majd prezentálják jelentésekben vagy ábrakészletekben (dashboardokban). Ahogy az adatbányászat, úgy a BI-eszközök is sokkal inkább felderítő, kutató jellegűek, mint cselekvésorientáltak. De ez a felderítés is alapvetően egy üzleti felhasználó igényeinek felel meg, s kevésbé egy elemző szempontjainak. A BI segít megérteni az üzleti teljesítmény mozgatóerőit és a trendeket. Ennek megfelelően a múlt teljesítményére fókuszál, a PA viszont előre jelzi a viselkedést és az eredményt annak érdekében, hogy elősegítsen bizonyos döntéseket. Ha a BI megmondja, hogy mi történt, a PA megmondja, hogy mit kéne tenni. Mindkettő fontos a helyes üzleti döntésekhez. A PA másik célja, hogy az adatok feldolgozásával betekintéshez jusson, de ekkor is kifejezetten a konkrét egyedi döntéseket kívánja támogatni.
Ma már sok BI programcsomag tartalmaz analitikus eszközöket is, amelyek a jelentéskészítéshez nyújtanak támogatást, az elmúlt időszakok teljesítményadatait feldolgozó alkalmazásoktól az előrejelzések készítésére szolgáló PA-eszközökig.
Globális bevételek: BI-, elemző- és teljesítménymenedzsment eszközök (forrás: Gartner)
Milyen fajtái vannak a PA-nak?
Manapság mindenféle elemzési módszert – amely javítja az ügyfelekkel kapcsolatos döntéseket – a prediktív analízis gyűjtőfogalma alá szoktak besorolni. Ezek legfőbb közös jellemzője – függetlenül attól, hogy másféle döntéseket és másféle módszerekkel támogatnak –, hogy matematikai eszközökön alapulnak.
Prediktív modellek. A múltbeli teljesítményt elemzik, hogy megjósolják az ügyfelek jövőbeli valószínű viselkedését. Például igyekeznek kideríteni annak a valószínűségét, hogy egy ügyfél elpártol-e máshová. De ide tartoznak a csalások kiszűrésére hivatott modellek is. A prediktív modelleket gyakran az operatív folyamatokba építik be, és az élő ügyletek során aktiválják őket. Ezekkel az eszközökkel a historikus és tranzakciós adatok feldolgozása során elkülönítik azokat a mintázatokat, amelyek megmondják, hogy egy csaló tranzakció hogy néz ki, milyennek mutatkozik egy kockázatos ügyfél, vagy mi jellemzi azt az ügyfelet, aki éppen másik ellátóra, szolgáltatóra akar átnyergelni. Ezek az elemzések az adatelemek százai közötti kapcsolatokat súlyozzák annak érdekében, hogy meghatározzák minden egyes ügyfél potenciálját vagy kockázatát, s elvezessenek az adott ügyféllel kapcsolatos konkrét cselekvésig.
Leíró modellek. Amíg a prediktív modellek egy ügyfél viselkedésére adnak előrejelzést (például, hogy hajlandó lenne-e még többet vásárolni, akar-e csalni vagy áttér-e a konkurenciához), a leíró modellek azonosítanak számos különféle kapcsolatot az ügyfelek és termékek között. Ezek a modellek felfestik az adatok alapján kimutatott kapcsolatokat, amelyeket gyakran az ügyfelek vagy a kilátások csoportba rendezésére használnak. Például a modell az ügyfeleket különböző csoportokba sorolja a vásárlási szokások alapján, ami nagyon hasznos lehet a marketingstratégia kialakításánál vagy az árérzékenység meghatározásánál.
Döntési modellek. A döntési modellek megjósolják – nagyon hasonlóan ahhoz, ahogy egy vásárló magatartását vetítik előre –, hogy mi lesz a kimenetele egy komplex döntésnek. Ez a prediktív elemzések legfejlettebb szintje. Ugyanis az egyes döntési elemek közötti összefüggések feltárásával a döntési modell megjósolja, hogy mi történik egy adott akció kivitelezése következtében.
Ellentétben a prediktív modellekkel, a döntési modelleket általában offline használják döntési stratégiák kidolgozásához. Ezek a stratégiák aztán valós időben is képesek működni. E modellek lehetővé teszik az egyes lépések hatásainak szimulálását is. Például mi történik, ha 10 százalékkal lejjebb engedjük, vagy éppen megemeljük az árakat? Mivel igen sok szimuláció futtatható le rövid időn belül, ezért a segítségükkel könnyebb kiválasztani a megfelelő lépést, amelyet a gyakorlatba is érdemes átültetni.
