Успешный интеллектуальный анализ больших данных основан на правильной аналитической модели, выборе соответствующих источников данных, получении достойных результатов и их использовании для обеспечения положительного опыта конечных пользователей.

Интеллектуальный анализ больших данных - это постоянная деятельность по определению желаемых бизнес-целей, выбору правильных источников данных, сбору соответствующей информации и применению результатов аналитики для получения существенных и реальных преимуществ, либо с точки зрения осуществимой (увеличение чистой прибыли), либо с точки зрения невозможности (клиент удовлетворенность или узнаваемость бренда и т. д.).

Даже самая дорогая и сложная система Аналитика больших данных совершенно бесполезна, если результаты ее работы не могут быть применены для улучшения текущего рабочего процесса, повышения узнаваемости бренда или влияния на рынок, обеспечения чистой прибыли или обеспечения длительного положительного опыта работы с клиентами. продукт или услуга, которые предоставляет компания. Вот почему внедрение интеллектуального анализа больших данных в существующую бизнес-рутину очень выгодно для стартапов, малых и средних предприятий и предприятий.

Ниже мы описываем 5 факторов, которые мы считаем критическими для успеха проектов по интеллектуальному анализу больших данных:

  1. Четкие бизнес-цели, которые компания стремится достичь с помощью Big Data Mining
  2. Актуальность источников данных, чтобы избежать дублирования и неважных результатов
  3. Полнота данных для обеспечения покрытия всей важной информации
  4. Применимость результатов анализа больших данных к поставленным целям
  5. Вовлеченность клиентов и рост чистой прибыли как индикаторы успеха интеллектуального анализа данных

Давайте подробнее рассмотрим, что это за факторы успеха и как их достичь.

Четкие бизнес-цели

Интеллектуальный анализ больших данных может быть успешным только в том случае, если он преследует определенные конкретные цели: выяснить, какой продукт или услуга наименее популярны и что можно сделать для улучшения ситуации. Это воронка продаж, неправильный дизайн, неправильное УТП или несоответствующее сообщение, которое не доходит до покупателя? Анализ активности клиентов в социальных сетях и их отзывов об опросах в рамках программы лояльности может стать кладезем информации о соответствии вашего инвентаря их потребностям и требованиям.

Практические реализации и подходы к постановке целей могут различаться, но результат будет одним и тем же: постановка четкой бизнес-цели имеет важное значение для обеспечения успеха анализа.

Актуальность источников данных

Очевидно, что для того, чтобы интеллектуальный анализ данных дал достоверные результаты, данные должны быть собраны из соответствующих источников. Сбор данных о средних ценах на автомобильные шины не поможет увеличить продажи буррито и т. Д. Однако определения соответствующих источников информации для проекта по добыче больших данных недостаточно. Также важно поддерживать размер набора данных близким к минимально подходящему.

Например, когда данные собираются путем агрегирования новостей, существует высокий риск многократного получения дубликатов одной и той же статьи, поскольку различные СМИ репостят материалы. Иногда предоставляется ссылка на источник, но предположим, что источник A публикует статью, источник B публикует ее и цитирует A, а источник C публикует материал и цитирует B как источник. Чтобы добавить еще больше хаоса в микс, предположим, что источник D немного переписывает материал и публикует его, не ссылаясь ни на один из вышеперечисленных источников.

Все это приводит к 4 новостям с практически одинаковой информацией, но только 1 представляет ценность, а 3 - просто дубликаты. Что можно сделать в этой ситуации?

  • Применение семантического анализа для поиска ключевых слов и обнаружения плагиата
  • Сравнение времени публикации дубликатов, чтобы найти самую раннюю публикацию
  • Анализируя пространственное распространение новостей, поскольку целевая аудитория в США будет меньше всего интересоваться новостной статьей из Конго, даже если конголезские СМИ перепечатали The New York Times и т. Д.
  • Использование RSS-каналов в качестве источников данных вместо новостных порталов, чтобы быть среди первых лиц, проинформированных о событии, и не отставать.

Полнота данных

Следующим шагом является обеспечение полноты набора данных, что означает, что все основные характеристики и показатели предполагаемого анализа охвачены по крайней мере 1 соответствующим источником данных. Конечно, иметь больше источников данных лучше, чем несколько, но набор данных должен быть максимально скудным, средним и эффективным, чтобы минимизировать затрачиваемые ресурсы.

После того, как соответствующий набор данных собран, его следует проанализировать с помощью правильно выбранного алгоритма машинного обучения, чтобы получить ожидаемые результаты интеллектуального анализа данных. Выбор правильного алгоритма - довольно сложная задача, поэтому для достижения наилучших результатов настоятельно рекомендуется работать с надежным и опытным подрядчиком.

Применимость результатов анализа больших данных

Получив результаты анализа больших данных, важно принять меры для их применения и достижения поставленных бизнес-целей. Если анализ показывает, что какой-то товар в изобилии - самое время для промо-акции или даже бесплатной раздачи этого товара в качестве бонуса к более дорогой покупке. Если система указывает на низкие продажи жареных ребрышек в одном из ресторанов, вы можете либо переместить их склады в более эффективные филиалы, либо организовать специальное мероприятие со скидкой 50% на жареные ребрышки для членов местного клуба лояльности, чтобы еще больше поддержать их. их положительный опыт.

Возможности безграничны, единственным условием является то, что бизнес действительно предпринимает какие-то действия на основе результатов анализа, или весь процесс выполняется напрасно. В случае, если такое действие не может быть предпринято, кажется, что цели были неправильно установлены с самого начала, или была допущена ошибка на любом из предыдущих этапов. Чтобы избежать такого риска, предприятиям следует либо иметь достаточный опыт работы с Big Data Mining, либо нанимать специалистов с таким опытом.

Индикаторы успеха интеллектуального анализа данных

Вам следует установить некоторые KPI (ключевые показатели эффективности) и проверить, помогло ли применение решений, принятых на основе результатов анализа интеллектуального анализа больших данных, вам достичь поставленных бизнес-целей. Выросли ли продажи после успешной кампании? Снизились ли расходы на логистику после заключения контракта с более надежной транспортной компанией? Ваша маркетинговая кампания принесла лучшие плоды по сравнению с предыдущими? Отзывы клиентов и сотрудников помогают оценить эффективность процесса интеллектуального анализа данных.

Также важно помнить, что иногда на ситуацию влияют форс-мажорные обстоятельства, и исправить ситуацию практически невозможно. Ураганы 2017 года в южных штатах США - прекрасный пример потерь и событий, которые никто не мог предотвратить, даже зная о них заранее. В то время как население было эвакуировано, имуществу и коммунальным услугам был нанесен значительный ущерб, а также был нанесен ущерб предприятиям в этом районе.

Таким образом, алгоритмы машинного обучения, используемые для интеллектуального анализа больших данных, должны иметь возможность генерировать интеллектуальные предупреждения при обнаружении неожиданных тенденций или закономерностей в данных, позволяя предприятиям быстрее получать информацию и принимать более обоснованные решения, чтобы максимизировать положительные возможности и минимизировать отрицательные. последствия.

Статья изначально была опубликована здесь.