«это магия, которая строится на основе гипотез». зачем компаниям предиктивный hr

Содержание

Преимущества предиктивного дозвона
Что не так с автоматизацией
Технологии и большие данные влияют
Что такое предикативная (предиктивная) аналитика?
Аналитик Big Data
Что говорят аналитические исследования?
Человеческий фактор в полной автоматизации
Примеры прогнозной аналитики
Проблема 2: Использовать слишком простые модели
Что такое прогнозная аналитика?
- Ключевые выводы
UX-аналитик
Предиктивная аналитика: определение
Приложения
Комментарий эксперта
Итоги

Преимущества предиктивного дозвона

Предиктивный дозвон позволяет:

сэкономить время операторов на совершение исходящих звонков;
исключить время ожидания операторов и потерю времени на неактивные номера, пропущенные вызовы, отклоненные звонки и пр.;
повысить количество успешных вызовов;
равномерно распределить нагрузку на операторов;
уменьшить количество ситуаций, когда оператор не нагружен и находится в ожидании задачи;
проконтролировать рабочий процесс и занятость операторов.

С помощью предиктивного дозвона операторам не надо искать и набирать номера вручную, а затем ждать соединения — вместо них это делает система. Главным условием верной работы предиктивного дозвона является настройка системы таким образом, чтобы клиенты, ответившие на звонок, в ту же секунду соединялись с операторами, а не ожидали на линии.

Voximplant предоставляет API и опции для настройки процессов коммуникации. На платформе можно настроить расширенные функции для кастомизации колл-центра и создания уникального сервиса, в числе которых есть система предиктивного дозвона. Платформа позволяет инициировать исходящие звонки к клиентам и операторам благодаря javascript-коду, при этом есть возможность «звонить» операторам прямо в браузер или мобильное приложение. Максимизируйте эффективность кампаний исходящих вызовов, используя предиктивный дозвон для колл-центра из 30 и более операторов.

Что не так с автоматизацией

У вас был хоть один вечный телефон? Nokia 3310 не считается, ее привез из будущего Терминатор, чтобы звонить своим, жаловаться на то, во что превратили легендарную франшизу. Но любой другой телефон и тем более «смарт» начинает глючить и выходит из строя, причем довольно быстро.

Стиральная машина может радовать своим блестящим умом по распознаванию режимов стирки, всякими LED-чудесами и встроенной кофеваркой. Но однажды блок управления переклинит, и придется отжимать ей челюсть стамеской, чтобы достать свои тряпки.

Вся техника ломается, это вопрос времени, производственного брака, архитектурных недоработок, колебаний напряжения в сети, плохой молниезащиты, неудачных апдейтов программного обеспечения, хакерских атак, компьютерных вирусов. Ломается по многим причинам.

На бытовом уровне все это неприятно. Когда масштабы крупнее, случаются такие, например, истории:

Полное отключение электроэнергии в Нью-Йорке, Нью-Джерси, Онтарио, Мичигане и других местах из-за неудачной архитектуры системы управления. Оказалось, что достаточно выключить 1 (один!) датчик, чтобы не просто прозевать локальную аварию, а спровоцировать веерный блэкаут.
Медцентр Св. Марии Милосердия в городе Гранд-Рапидс (штат Айова) немилосердно обновил учетную программу и разослал всем выписавшимся пациентам свидетельства о смерти.
Куда менее веселая ошибка в программном коде Therac-25 (устройство для радиотерапии) в течение двух лет приводила к большим дозам облучения, от чего умерли десятки людей.
Много ракет взорвалось или сгорело из-за программных ошибок. Один из ярких во всех смыслах примеров — спутник «Mars Climate Orbiter», разработчики которого невнимательно смотрели «Криминальное чтиво» и перепутали английские единицы измерения с метрическими.
Бизнес тоже часто нес потери. Проблемы с автоматическим ценообразованием, скидками. Или неудачными сделками на бирже, которые чуть не разорили компанию Knight. Роботы подставили ее на $440 млн прямого убытка.

Конечно, можно говорить что это были глупые роботы. Искусственный интеллект сначала открыл бы себе счета в офшорах и слил деньги туда. Кроме того, эрудиты возразят, что когда все это было! Годы назад. С тех пор IT космически поумнели, невероятно развились и глупых ошибок больше не совершают. Ну-ну.

Но и новый модный софт с нейросетями тоже лажает. Это ведь самообучающиеся системы, а не самообучившиеся. Пара довольно свежих примеров, с распознаванием движущихся объектов:

Во время футбольного матча в Шотландии «умные» камеры постоянно путали мяч с лысым черепом судьи. Болельщикам вместо голевых ситуаций приходилось любоваться совсем другими видами.
В Китае пачку штрафов за нарушение правил дорожного движения для пешеходов получила влиятельная женщина из топ-100 Forbes. Оказалось, что причиной стало ее фото на автобусах, которое распознавали как человека, бегущего по проезжей части.

Представьте, что ровно такого же качества программное обеспечение, подверженное рискам, ошибкам, уязвимостям управляет вообще всем. Нашим обучением, снабжением, коммуникациями, деньгами, здоровьем. Причем не просто наблюдает и распознает (хотя даже с таким ошибок бывает более чем достаточно). Еще предсказывает. Предиктивничает.

Но и это еще не все.

Технологии и большие данные влияют

Большое количество данных представляет собой набор наборов данных, которые настолько велики и сложны, что становится неудобно работать с традиционными управление базами данных инструменты. Объем, разнообразие и скорость больших данных создают повсюду проблемы для сбора, хранения, поиска, совместного использования, анализа и визуализации. Примеры источников больших данных включают веб-журналы, RFID, датчик данные, социальные сети, Индексирование поиска в Интернете, подробные записи вызовов, военное наблюдение и комплексные данные по астрономии, биогеохимии, геномике и атмосферным наукам. Большие данные — это ядро большинства услуг прогнозной аналитики, предлагаемых ИТ-организациями. Благодаря технологическим достижениям в компьютерном оборудовании — более быстрые процессоры, более дешевая память и MPP архитектуры и новые технологии, такие как Hadoop, Уменьшение карты, и в базе данных и текстовая аналитика для обработки больших данных теперь можно собирать, анализировать и добывать большие объемы структурированных и неструктурированные данные для новых идей. Также возможно запускать алгоритмы прогнозирования для потоковых данных. Сегодня изучение больших данных и использование прогнозной аналитики доступно большему количеству организаций, чем когда-либо прежде, и предлагаются новые методы, которые могут обрабатывать такие наборы данных.

Что такое предикативная (предиктивная) аналитика?

Предикативная или прогностическая аналитика (Predictive analytics) — это прежде всего множество методов статистики, анализа данных и теории игр, которые используются для анализа текущих и исторических данных/событий для прогноза данных/событий в будущем.

Наиболее известный способ использования прогностической аналитики – это применение скоринговых моделей для оценки платежеспособности клиента при выдаче кредитов в банке. Любая скоринговая модель строится на исторических данных, и если в прошлом, какая-либо группа клиентов была уличена в несвоевременном гашении кредитов, а вы по каким-либо характеристикам схожи с этой группой, то скорее всего в выдаче кредитов вам откажут.

Однако это не все области, где применяется предикативная аналитика, ее можно применять для разработки продуктов, для выбора потенциальной аудитории, для выбора следующего продукта, который вы можете предложить клиенту (Next Best Offer) и множестве других.

Родственным по отношению к предикативной аналитике является понятие data mining, так как предикативная аналитика использует частично подобные методы. Центральной же сущностью предиктивной аналитики является задача определение предиктора или нескольких предикторов (параметров или сущностей, которые влияют на прогнозируемое событие). Например, страховые компании выделяю такие предикторы, как возраст, стаж вождения при определении страховой премии. Множество этих предикторов образует модель предиктивной аналитики, которая предсказывает определенное событие в будущем с какой-то степенью вероятности.

Аналитики Gartner полагают, что дальнейшее развитие мирового рынка бизнес-анализа пойдет по пути активного освоения advanced (продвинутой) аналитики, в том числе предикативного анализа, построения симуляторов и вариативных моделей. Возможность к построению таких моделей в 2013 году в Gartner назвали 15 обязательным блоком корпоративных BI-платформ.

Аналитика класса advanced использует статистику, описательные и предикативные инструменты data mining (разведки данных), симуляторы и оптимизационные средства. Конечная цель применения всех этих инструментов – принятие решений, решение бизнес-задач и идентификация возможностей для составления наилучших прогнозов, выявления процессов, паттернов и прочих закономерностей.

Чтобы предикативный анализ был успешным, в Forrester рекомендуют четко следовать следующим стадиям: постановка цели, получение данных из различных источников, подготовка данных, создание предикативной модели, оценка модели, внедрение модели, мониторинг эффективности модели.

Схема внедрения инструментов предикативного анализа

Forrester Research, 2013

Аналитик Big Data

Big Data (Большие данные) — это термин, обозначающий огромные объемы структурированных и неструктурированных данных, которые можно обработать с помощью особых аналитических инструментов.

В качестве примера Big Data можно привести статистику всего поведения всех пользователей крупной социальной сети вроде Facebook за определенный период или данные обо всех торгах на Нью-Йоркской бирже.

Ручная обработка такого массива данных была бы невероятно затяжной и трудоёмкой. Но современные инструменты позволяют эффективно их анализировать, формулировать выводы и рекомендации и даже подстраивать под них поведение систем.

Аналитики BigData занимаются построением рекомендательных и предсказательных моделей, в том числе и для искусственного интеллекта — например, учат его распознавать пол человека по фотографии. Или могут спрогнозировать вероятность покупки платной версии мобильного приложения, исходя из поведения пользователя и данных о том, как вели себя люди, купившие приложение.

Профессия аналитика больших данных скорее ближе к деятельности разработчика, чем к труду других аналитиков, хотя непосредственно написанием кода они практически не занимаются. При этом в работе таким специалистам помогают инструменты программирования (Python, Scala, Bash) и системы для работы с данными (Spark, Hadoop). Но основную базу знаний Big Data аналитика составляют продвинутые знания в математической статистике, теории вероятностей, построении математических моделей, линейной алгебре и сложных методах вычислений.

Кому подойдет это направление аналитики?

Тем, кто всегда был на короткой ноге с математикой, и хотел бы применить свои знания в современной развивающейся области. Узнать больше о профессии аналитика больших данных можно на странице нашего факультета по Big Data Analytics.

Таковы наиболее популярные и востребованные аналитические специальности — хотя на самом деле их, безусловно, больше. Также существуют профессии CRM-аналитиков, категорийных аналитиков, аналитиков продуктовых категорий, аналитиков клиентского сервиса, SMM-аналитиков и многие другие.

Надеемся, что эта статья помогла вам лучше разобраться в многообразии аналитических профессий — и, возможно, «присмотреть» свою будущую стезю!

Что говорят аналитические исследования?

По подсчетам аналитического агентства IDC мировой объем данных к 2025 году он превысит 175 зеттабайт. То есть, для скачивания всей этой информации на скорости в 25 Мбит\с, потребуется около 1,8 млрд лет, а чуть меньше миллиарда лет уйдет лишь на загрузку данных от устройств, подключенных к сети Интернета вещей.

Предиктивная аналитика — это одно из наиболее перспективных направлений обработки этого массива данных. Среди сотен зеттабайт информации искусственный интеллект (ИИ) находит закономерности и данные, которые неочевидны человеку и которые он не сможет проанализировать вручную.

Человеческий фактор в полной автоматизации

Нет особых иллюзий насчет роботов. Конечно, они долго еще будут ошибаться. Без неожиданных квантовых прорывов в другие измерения — всегда будут. Что в целом относительно нормально, причем по сравнению с людьми наверное ошибок будет даже меньше. Все припоминают автопилотам несколько несчастных случаев, тогда как люди бьются в фарш чуть не каждую минуту – статистика дорожных травм и смертей ужасающая.

Только мы ведь и не дадим роботам рулить по-настоящему. Хотя бы в том смысле, что пока прокат четвертой Матрицы не вышел из-под контроля, мир еще принадлежит людям. И все системы автоматизации тоже. Каждый робот с ошибками или без кем-то контролируется, за ним приглядывают. И пытаются, понятно, использовать в качестве конкурентного преимущества. Чтобы выгадывать на предиктивной аналитике те самые драгоценные секунды, которые определяют чемпионов.

А на них все смотрят, вот в чем беда. Все участники забега пристально следят за лидерами. Мы часто видим, к чему это приводит по твитам Илона Маска, опущенным векам Уоррена Баффетта, малейшим движениям других магнатов. Если кто-то кашлянул или почесал нос – целые отрасли приходят в движение.

Так вот, когда предиктивные системы хорошо себя покажут, их отладят, масштабируют. Все будет автоматизировано, весь бизнес превращен в гигантскую систему взаимосвязанных датчиков. Нейросети по взмаху крыльев бабочки в Айове научатся прогнозировать отключение горячей воды в Воронеже. Идеальная логистика. Все связано невидимыми ниточками.

Одни роботы смотрят на других, и лавина автоматических микро-корректирующих действий сметает к черту все стопы за считанные минуты. Все индикаторы горят красным и взрываются от натуги, орут сирены, менеджеры, прохожие. А поздно, ничего уже не поделаешь. Мир вошел в сингулярность не тем боком, и застрял в текстурах. Потому что не надо было завязывать первую сигнальную систему на предиктивную аналитику.

Тем более что нас предупреждали. На одной из демонстраций Boston Dynamics их красивый, умный, технологичный робот ходил, распознавал команды, отнимал коробку у киберпса. А потом попрощался с рукоплещущей аудиторией, на выходе со сцены запутался в занавеске и грохнулся на пол. Именно так работают технологии.

И это проблема не все более совершенных машин, а по-прежнему глупых людей, которые ищут волшебные универсальные решения.

Примеры прогнозной аналитики

Прогнозная аналитика – это инструмент принятия решений в самых разных отраслях.

Прогнозирование – важная задача в производстве, поскольку оно обеспечивает оптимальное использование ресурсов в цепочке поставок. Критические спицы колеса цепочки поставок, будь то управление запасами или цех, требуют точных прогнозов для функционирования. Прогностическое моделирование часто используется для очистки и оптимизации качества данных, используемых для таких прогнозов. Моделирование гарантирует, что система может принимать больше данных, в том числе из операций, связанных с клиентами, для обеспечения более точного прогноза.

Кредитный скоринг и андеррайтинг также широко используют прогнозную аналитику. Когда потребитель или предприятие подает заявку на получение кредита, данные о кредитной истории заявителя и кредитной истории заемщиков с аналогичными характеристиками используются для прогнозирования риска того, что заявитель может не выполнить любой предоставленный кредит.

Страховые компании проверяют соискателей полиса, чтобы определить вероятность выплаты по будущему иску на основе текущего пула рисков аналогичных страхователей, а также прошлых событий, которые привели к выплатам. Прогнозные модели, которые рассматривают характеристики в сравнении с данными о прошлых страхователях и претензиях, обычно используются актуариями.

В другом месте маркетологи смотрят, как потребители отреагировали на общую экономику при планировании новой кампании, и могут использовать демографические сдвиги, чтобы определить, побудит ли текущий набор продуктов потребителей совершить покупку.

Между тем активные трейдеры смотрят на различные показатели, основанные на прошлых событиях, когда решают, покупать или продавать ценные бумаги. Скользящие средние, диапазоны и точки останова основаны на исторических данных и используются для прогнозирования будущих движений цен.

Проблема 2: Использовать слишком простые модели

Алгоритмы искусственного интеллекта, которые применяются сейчас, дают представление о том, какой будет отдача от клиента, но не объясняют, почему именно.

То есть почему клиент Х принесёт нам больше, чем клиент Y? Какие факторы влияют на отдачу от клиентов и как её увеличить?

Но проблема в том, что прогнозировать будущее исходя из текущих данных маркетолог может без привлечения высоких технологий, а количество данных и параметров, которые используются в простых моделях, слишком мало для глубинных выводов. Тогда как ценность искусственного интеллекта для маркетинга именно в том, чтобы моделировать различные сценарии: что будет с X, если мы изменим А и В, а С трогать не будем. А что, если оставим А, но уменьшим С?

Самые лучшие решения на сегодняшний день используют искусственный интеллект, алгоритмы машинного обучения и теорию игр, чтобы ответить на вопросы «А что, если…» и «Почему оно будет так»

И что важно, полученный ответ должен быть развёрнутый, понятный и легко интерпретируемый.

Что такое прогнозная аналитика?

Прогнозная аналитика – это использование статистики и методов моделирования для определения будущей производительности на основе текущих и исторических данных. Прогнозная аналитика изучает закономерности в данных, чтобы определить, могут ли они появиться снова, что позволяет предприятиям и инвесторам корректировать, где они используют свои ресурсы, чтобы воспользоваться возможными будущими событиями.

Ключевые выводы

Прогнозная аналитика – это использование статистики и методов моделирования для определения будущей производительности.
Он используется в качестве инструмента принятия решений в различных отраслях и дисциплинах, таких как страхование и маркетинг.
Прогностическую аналитику и машинное обучение часто путают друг с другом, но это разные дисциплины.

UX-аналитик

UX аналитик — это профессия на стыке аналитики, дизайна и исследований. UX-аналитик изучает интерфейсы, собирает данные о поведении целевой аудитории проекта, анализирует обновления конкурентов и продумывает вектор развития цифрового продукта. Свои выводы и рекомендации UX-аналитик презентует команде разработки и специалистам по развитию продукта — и, на основе этого, планируются дальнейшие улучшения.

UX-аналитик — человек, который стремится сделать продукт максимально эффективным и удобным, а для этого ему важно разбираться в исследованиях, чтобы анализировать клиентский опыт, и дизайне и разработке, чтобы давать грамотные рекомендации дизайнерам и программистам. UX-аналитик также частично выполняет и функции веб-аналитика

Но в целом он больше работает с продуктом, чем с рекламными кампаниями, и владеет более сложным и широким набором исследований

UX-аналитик также частично выполняет и функции веб-аналитика. Но в целом он больше работает с продуктом, чем с рекламными кампаниями, и владеет более сложным и широким набором исследований.

Такой специалист проводит аудит текущих интерфейсов и участвует в разработке новых, поэтому ему стоит разбираться в JSON, XML, HTML и в основах программирования, а также полезно владеть базовыми инструментами веб-аналитики, знать основы бизнес-анализа, работать с CJM (путями пользователя).

Кому подойдет это направление аналитики?

Тем, кому любопытно изучать сайты и приложения, кто интересуется дизайном и любит анализировать поведение других людей.

Предиктивная аналитика: определение

Предиктивная аналитика намечает контур будущих событий с помощью данных. Передовые, сложные системы используют исторические данные для определения закономерностей, а затем, с помощью этих закономерностей, дают людям представление о том, что может произойти. Специалисты в области управления данными разработали множество моделей предиктивной аналитики для разных целей:

- Модели прогнозирования используют множество вводных для оценки будущих результатов: как долго прослужит компонент двигателя, сколько покупателей ожидается в день, сколько единиц товара должно быть в запасе и т. д.
- Классификационные модели используют данные для сортировки информации и особенно полезны при ответе на вопросы «да/нет», например, при прогнозировании рисков потерять тех или иных клиентов или сотрудников с большей долей вероятности и т. д.
- Модели статистических выбросов предупреждают пользователей о появлении данных, которые не соотносятся с прогнозами и могут стать поводом для беспокойства. Это могут быть такие аномалии, как необъяснимое падение продаж в магазине или внезапный всплеск почтового трафика. Они могут указывать на что-то, требующее внимания — например, на использование служебного положения, низкую производительность или мошеннические действия.
- Модели временных рядов учитывают регулярно меняющиеся условия. Например, такие праздники, как, Новый год, Рождество, производители украшений учитывают в своих расчётах. Для предприятий другого типа будут иметь значение другие предсказуемые циклы, например, предвыборные кампании, Олимпийские игры, астрономические и погодные явления.
- Кластерные модели сортируют данные на подгруппы, чтобы пользователи могли обращаться к ним целенаправленно. Отправка различных сообщений клиентам на различных этапах воронки продаж — хорошее применение кластеризации.

Приложения

Хотя прогнозную аналитику можно использовать в большом количестве приложений, здесь представлены несколько примеров, когда прогнозная аналитика показала решающее влияние в прошлые годы.

Системы поддержки принятия клинических решений

В экспертах используют упреждающий анализ в области здравоохранения , прежде всего , чтобы определить , какие пациенты склонно к развитию таких заболеваний, как диабет, астма, болезнь сердца и другие потенциально опасные условия. Кроме того, системы поддержки принятия клинических решений включают прогностическую аналитику для поддержки медицинских решений. Доктором Робертом Хейвордом из Центра доказательств здоровья было предложено определение: «Системы поддержки клинических решений устанавливают связь между наблюдениями и клиническими знаниями, чтобы влиять на выбор клиницистов с целью улучшения медицинских услуг» . необходимо] .

Финансовое оздоровление

Каждый портфель содержит группу рискованных клиентов, которые не выполняют свои обязательства в срок. Финансовое учреждение должно принять меры по взысканию причитающихся сумм. Большое количество ресурсов тратится на клиентов, задолженность которых трудно или даже невозможно получить. Прогнозная аналитика может помочь оптимизировать сборы за счет определения наиболее эффективных агентств, контактных стратегий, юридических действий и многого другого для каждого клиента, чтобы повысить уровень сбора при одновременном снижении затрат .

Многие сделки должны учитывать свою подверженность рискам со ссылкой на услуги, которые они предлагают, и должны определять стоимость, необходимую для покрытия рисков. Например, страховые компании должны оценить размер страховой премии, чтобы покрыть риск для автомобиля и водителя. Финансовому учреждению необходимо оценить потенциал погашения и платежеспособность заемщика, прежде чем соглашаться на ссуду. Для медицинской страховой компании прогнозный анализ может помочь проанализировать данные медицинского прошлого за несколько лет, а также любую другую информацию из лабораторий, аптек и другие доступные записи, чтобы узнать, какие расходы застрахованное лицо понесет в будущем. Прогнозная аналитика может помочь в подписании этих контрактов, оценивая вероятность болезни, дефолта , банкротства и т. Д. Прогнозная аналитика может упростить процесс привлечения клиентов за счет оценки рискованного поведения клиентов с использованием доступных данных. Прогнозный анализ, в его компоненте скоринга, сократил время, необходимое для утверждения заявки на получение кредита или ссуды. Правильная прогнозная аналитика может привести к адекватным ценовым решениям, которые могут помочь снизить будущие риски дефолта, погашения и т. Д.

Прогнозирование инноваций

Первый шаг — выполнить автоматическое извлечение терминов из технической области, чтобы количественно измерить, какие термины используются в истории конкретной области, и это конкретно из архива технических отчетов или научных статей. Затем цель — подсчитать, какие термины будут популярны в ближайшие несколько лет. Исследование, опубликованное в LREC в 2016 году и примененное к области НЛП в проекте NLP4NLP, показало, что делать вид, что предсказывать более четырех лет — это иллюзия.

Комментарий эксперта

Иван Иванов

«Несмотря на то, что сегодня всё больше и больше вопросов уделяется прогнозной аналитике, приходится констатировать тот факт, что далеко не на всех проектах успешно реализован первый этап для работы с данными — сбор корректных данных о пользователях, например, о том, какие действия пользователи совершают на сайте.

В ряде случаев (и это отмечено в статье) бизнесу необходимо менять свой подход или организацию внутренних бизнес процессов для того, чтобы максимально автоматизировать процесс сбора данных и исключить человеческий фактор. Как верно описано в материале, любая модель будет работать и предоставлять значимую информацию только на основе достоверных данных.

При принятии решения об использовании возможностей современных аналитических инструментов нужно быть готовым к изменениям, при этом сопоставлять затраты на внедрение подобных систем и то, какой эффект от их использования может быть получен».

Итоги

Инструмент прогнозирования LTV, разработанный в компании, помогает Mail.Ru Group оптимизировать бюджет, выделенный на продвижение игр. Использование предиктивных моделей позволило сэкономить до 20% маркетингового бюджета: ранее эти деньги уходили на кампании, которые приводили в игру неплатящих или просто нерелевантных пользователей, но узнавали мы об этом по факту, то есть через несколько недель, когда оставалось только фиксировать убытки.

Кроме того, удалось сэкономить до 15% времени сотрудников отдела закупки: прежде они были вынуждены самостоятельно анализировать и фактически пытаться угадать уровень качества трафика по данным за две-четыре недели. Таким образом, благодаря предиктивной аналитике мы вышли на качественно новый уровень эффективности в маркетинге.