Itu mungkin ungkapan menangkap Stallone di film Hakim Dredd, tetapi belakangan ini seorang CMO (Chief Marketing Officer) atau bahkan ahli strategi pemasaran Anda dapat dengan mudah mengatakan ungkapan itu juga.
$config[code] not foundSaat ini solusi analitik memecah lebih banyak data dari banyak sumber, menciptakan model penjualan dan operasional yang lebih akurat. Bisnis belajar untuk bersaing melalui inovasi, tetapi bagaimana seseorang memodelkan volume analisis dan konsep yang disajikan?
Analisis Prediktif: Kekuatan untuk Memprediksi Siapa yang Akan Mengklik, Membeli, Berbohong, atau Mati oleh Eric Siegel, PhD berfungsi sebagai seruan nyaring bagi para manajer bisnis untuk memahami berbagai kemungkinan dan mitos.
Siegel adalah Ketua Konferensi Pendirian Dunia Analisis Prediktif dan Presiden Dampak Prediksi, sebuah perusahaan layanan analitik.
Saya sangat senang ketika saya menemukan buku itu. Beberapa buku analitik baru sedang dirilis tahun ini, jadi saya meminta salinan ulasan untuk Wiley.
Merinci Dasar-Dasar - Bagaimana Data Berkaitan dengan Pelanggan Anda
Kata "analytics" berarti "rusak" dalam bahasa Yunani.
Jenis gangguan dalam analisis prediktif ini berarti mengkorelasikan data untuk menemukan peluang baru dengan sumber daya yang diberikan. Kemampuan baru ini juga memecah “silo” departemen dalam organisasi, preferensi kita dalam perilaku kita, dan kadang-kadang, langkah-langkah privasi kita.
Siegel mencatat bagaimana orang dapat mengabaikan kemahahadiran kesempatan:
“Kebanyakan orang tidak bisa kurang tertarik pada data. Ini bisa terlihat seperti hal yang membosankan dan membosankan. Jangan tertipu. Yang benar adalah bahwa data mewujudkan kumpulan pengalaman yang tak ternilai untuk dipelajari. Setiap prosedur medis, aplikasi kredit, posting Facebook, rekomendasi film, tindakan penipuan, email spam dan pembelian dalam bentuk apa pun - setiap hasil positif atau negatif, setiap panggilan penjualan yang berhasil atau gagal, setiap insiden, peristiwa atau transaksi - dikodekan sebagai data dan gudang. Kekenyangan ini akan tumbuh dengan estimasi 2,5 quintillion byte per hari …. "
Siegel menggunakan tujuh bab untuk menunjukkan bagaimana kita meningkatkan pemahaman kita - dan kesalahpahaman kita - dunia melalui data. Hewlett-Packard menggunakan analitik untuk memprediksi jika Anda mempertimbangkan untuk berhenti dari pekerjaan Anda - berharga mengingat bahwa mencari karyawan baru dapat menghabiskan biaya lebih dari sekadar retensi. Eksperimen korelasi lain yang menarik adalah "Anxiety Index," korelasi blog yang menyebutkan kinerja S&P 500.
$config[code] not foundBanyak pengamatan menyenangkan yang saling berhubungan - di antara pengukuran praktis yang menyenangkan, adalah bahwa vegetarian kehilangan lebih banyak penerbangan (“Pelanggan maskapai penerbangan yang memesan makanan vegetarian lebih mungkin untuk melakukan penerbangan mereka…. Pengetahuan tentang makanan yang dipersonalisasi atau istimewa yang menunggu pelanggan menyediakan insentif atau membangun rasa komitmen. "). Diskusi ini dapat membingkai personas; jenis-jenis pelanggan yang ada:
“Dengan desainnya sendiri, PA (Predictive Analytics) menumbuhkan kebetulan. Pemodelan prediktif melakukan analisis eksplorasi yang luas, menguji banyak prediktor dan dengan demikian mengungkap temuan mengejutkan …. "
Anda bisa memberi tahu Siegel menyukai subjek, tetapi tidak dengan penutup mata atau keahlian menjual palsu kepada pembaca. Ketika dia berkata, "Data prospektor melihat nilai dan nilai itu menarik," Anda tahu dia benar-benar bersungguh-sungguh.
Siegel berbagi wawasan pribadi lebih lanjut, yang telah digunakan sebagai "foil" pada segmen berita Fox pada acara outing tentang kehamilan pelanggan. Berbicara tentang privasi, Siegel dengan bijak mendedikasikan bab untuk subjek. Dia menggunakannya untuk menghilangkan prasangka mitos dengan bias minimal, seperti membedakan analitik prediktif dari data mining:
“PA analytics prediktif dalam dirinya sendiri tidak menyerang privasi - proses intinya adalah kebalikan dari invasi privasi. Meskipun kadang-kadang disebut penggalian data, PA tidak "menelusuri" untuk mengintip data individu mana pun. Alih-alih, PA sebenarnya "menggulung" pola pembelajaran yang berlaku secara umum dengan cara menghafal angka-angka di seluruh catatan pelanggan. "
Perbedaan seperti itu sangat penting dalam memahami bahaya dengan program personalisasi. Membaca buku ini akan membantu manajer yang berpikir digital hanya berarti membalik saklar.
Bisnis kecil dan besar dapat menggunakan buku ini untuk membantu membingkai segmen data apa yang masuk akal. Sebagai contoh, Siegel menjelaskan bagaimana mesin pembelajaran bekerja melalui diagram keputusan - meskipun digunakan dalam buku ini untuk membingkai model prediksi tingkat perusahaan, usaha kecil dapat menggunakan ide dalam membingkai teka-teki data mereka sendiri.
Sorotan lain termasuk model prediksi risiko hipotek Chase Bank, penggunaan data IBM untuk Watson pada acara permainan Jeopardy dan tabel contoh prediksi industri lintas-industri yang digunakan saat ini 147 contoh.
Bagaimana Buku Ini Dibandingkan Dengan Teks Analitik Lain?
Pertimbangkan buku ini sebagai ekstensi pemasaran berbasis data dan lebih spesifik daripada Davenport Analisis di Tempat Kerja (Ngomong-ngomong, Davenport menyediakan kata pengantar).
Buku ini memiliki komentar yang dapat membuat data menghibur, meskipun dengan sedikit putaran dari buku Avinash Kaushik Analisis Web 2.0. Pada akhirnya ini merupakan primer yang sangat baik untuk mengembangkan beberapa ide tentang bagaimana data dapat meningkatkan bisnis.
Ini membuat buku lebih dapat ditindaklanjuti daripada Data besar, meskipun tidak ada diskusi basis data yang disertakan.
Dapatkan Buku Ini untuk Membuat Model yang Lebih Baik untuk Bisnis Anda
Analisis Prediktif sangat bagus, tidak hanya untuk subjek trennya, tetapi juga untuk cara memperlakukan subjeknya - rasa hormat dan hormat, dengan keraguan ilmiah yang tepat.
Buku ini menghormati pekerjaan dari para profesional intelijen bisnis seperti Thomas Davenport, Eric Sterne dan Eric Stiegel. Ini juga menghormati praktisi analitik atau manajer yang ingin meningkatkan keunggulan kompetitif bisnis mereka.
Saya tidak memerlukan data untuk mengetahui bahwa keunggulan kompetitif adalah apa yang dicari oleh bisnis apa pun.
3 Komentar ▼
