Tas, iespējams, bija Stallone nozvejas frāze filmā Tiesnesis Dredd, bet šajās dienās arī TKO (mārketinga vadītājs) vai pat jūsu mārketinga stratēģis varētu viegli pateikt šo frāzi.
$config[code] not foundMūsdienās analītiskie risinājumi sadala vairāk datu no daudziem avotiem, radot precīzākus pārdošanas un darbības modeļus. Uzņēmumi mācās konkurēt ar inovāciju palīdzību, bet kā tiek modelēts analīzes apjoms un prezentētie jēdzieni?
Prognozējošā Analytics: Power paredzēt, kas noklikšķinās, nopirkt, Lie vai Die Eric Siegel, PhD kalpo kā skaidrs aicinājums biznesa vadītājiem saprast iespējas un mīti.
Siegel ir prognozēšanas analītikas pasaules dibinātāju konference un analītisko pakalpojumu firmas Prediction Impact prezidents.
Es biju ļoti satraukts, kad es nācu pāri grāmatai. Šogad tiek izlaistas vairākas jaunas analītikas grāmatas, tāpēc es jautāju Wiley par pārskata kopiju.
Pamatu izjaukšana - kā dati ir saistīti ar jūsu klientiem
Vārds “analītika” nozīmē “sadalīt” grieķu valodā.
Šāda veida sadalīšana prognozējošajā analīzē nozīmē datu salīdzināšanu, lai atklātu jaunas iespējas ar dotajiem resursiem. Šī jaunā spēja ir arī nodalīt struktūrvienību „silosus” organizācijās, mūsu vēlmes mūsu uzvedībā un reizēm arī mūsu privātuma pasākumus.
Siegel atzīmē, kā cilvēki var aizmirst par visaptverošo iespēju:
“Lielākā daļa cilvēku nevarēja mazāk interesēties par datiem. Tas var šķist tāds sauss, garlaicīgs stuff *** Neļaujiet sevi apmānīt. Patiesība ir tāda, ka dati ietver nenovērtējamu pieredzi, no kuras mācīties. Katra medicīniskā procedūra, kredīta pieteikums, Facebook pasts, filmu ieteikumi, krāpniecisks akts, surogātpasta e-pasts un jebkāda veida pirkums - katrs pozitīvs vai negatīvs iznākums, katrs veiksmīgs vai neveiksmīgs pārdošanas zvans, katrs starpgadījums, notikums vai darījums ir kodēts kā dati un uzglabā. Šis glutuls pieaugs par aptuveni 2,5 kvintiljoniem baitu dienā … ”
Siegel izmanto septiņas nodaļas, lai parādītu, kā mēs palielinām mūsu izpratni - un mūsu pārpratumus - ar datiem, izmantojot datus. Hewlett-Packard izmanto analītiku, lai paredzētu, vai apsverat atteikties no sava darba - vērtīgs, ņemot vērā, ka, meklējot jaunu darbinieku, var maksāt vairāk nekā saglabāšana. Vēl viens interesants korelācijas eksperiments ir „Trauksmes indekss”, bloga korelācija norāda uz S&P 500 veiktspēju.
$config[code] not foundJautri saistītie novērojumi ir ļoti plaši - starp praktiskajiem mērījumiem ir tas, ka veģetārieši paliek mazāk lidojumu („Aviosabiedrības klienti, kas iepriekš pasūtīs veģetāros ēdienus, biežāk izdara lidojumu …. Zināšanas par personalizētu vai īpašu maltīti, kas gaida klientu stimulē vai izveido apņemšanās sajūtu. ”). Šīs diskusijas var veidot personas; veidu klienti, kas pastāv:
“Ar savu dizainu PA (Predictive Analytics) veicina serendipity. Prognozējošā modelēšana veic plašu, izpētes analīzi, pārbaudot daudzus prognozētājus un tādējādi atklājot pārsteidzošus secinājumus… ”
Jūs varat pateikt Siegel adores šo tēmu, bet ne ar žalūzijām vai viltus pārdošana lasītājam. Kad viņš saka: „Datu meklētāji redz vērtību un vērtību ir aizraujoši,” jūs zināt, ka tas tiešām nozīmē to.
Siegel dalās ar savu personīgo ieskatu, jo Fox ziņu segmentā tas ir izmantots kā „folija” Target izbraukumā no klienta grūtniecības. Runājot par privāto dzīvi, Siegel gudri veltīs priekšmetu nodaļai. Viņš to izmanto, lai nojauktu mītu ar minimālu novirzi, piemēram, paredzot analītisko analīzi no datu ieguves:
“PA prognozējošā analīze pašas par sevi nepārkāpj privātumu - tā galvenais process ir pretrunā ar privātās dzīves iebrukumu. Kaut arī tā dažkārt tiek saukta par datu ieguvi, PA “neierobežo”, lai salīdzinātu ar kādas personas datiem. Tā vietā PA faktiski „apgūst” mācīšanās modeļus, kas vispārīgi atbilst patiesajam skaitam, kas kropļo klienta ierakstu masu. ”
Šādas atšķirības ir būtiskas, lai saprastu riskus ar personalizācijas programmām. Šīs grāmatas lasīšana palīdzēs vadītājiem, kuri domā digitālo, tikai slēdzi.
Uzņēmumi, kas ir mazi un lieli, var izmantot šo grāmatu, lai palīdzētu veidot datu segmentus. Piemēram, Siegel izskaidro, kā mācīšanās mašīna darbojas, izmantojot lēmumu diagrammu - lai gan grāmatā tā tiek izmantota, lai izveidotu uzņēmuma līmeņa prognozēšanas modeli, mazie uzņēmumi varētu izmantot šo ideju, veidojot savus datu kopumus.
Citi izceltie faktori ir Chase Bank hipotēku riska prognozēšanas modelis, IBM datu izmantošana Watson uz spēli, kas parāda Jeopardy un 147 piemēru starpnozaru tabulu, kurā izmantoti prognozējamo modeļu modeļi.
Kā šī grāmata salīdzina ar citiem analītiskajiem tekstiem?
Apsveriet šo grāmatu kā datu bāzes mārketinga paplašinājumu un precīzāku nekā Davenport Analītika darbā (Starp citu, Davenport piedāvā priekšvārdu).
Grāmatā ir komentāri, kas var padarīt datus izklaidējošus, lai gan ar mazāk spin nekā Avinash Kaushik grāmata Web Analytics 2.0. Galu galā tas ir lielisks pamats, lai izstrādātu dažas idejas par to, kā dati var uzlabot uzņēmējdarbību.
Tas padara grāmatu efektīvāku nekā Lielie dati, lai gan nav iekļautas dziļas datu bāzes diskusijas.
Iegūstiet šo grāmatu, lai padarītu labākus modeļus jūsu uzņēmumam
Jutīgā Analytics tā ir lieliska, ne tikai tās dienas tendence, bet tā, kā tā izturas pret tās priekšmetu - cieņu un cieņu, ar pareizām zinātniskām šaubām.
Grāmatā tiek apbalvoti biznesa informācijas profesionāļu, piemēram, Thomas Davenport, Eric Sterne un Eric Stiegel, darbi. Tā arī apbalvo analītiskos praktiķus vai vadītājus, kas vēlas palielināt savas uzņēmējdarbības priekšrocības.
Man nav vajadzīgi dati, lai uzzinātu, ka konkurences priekšrocības ir tas, ko meklē jebkurš uzņēmums.
3 Piezīmes ▼
