Co to jest analiza preskryptywna?
Analizy preskryptywne to rodzaj analityki danych - wykorzystanie technologii, aby pomóc firmom w podejmowaniu lepszych decyzji poprzez analizę surowych danych. W szczególności analiza nakazowa uwzględnia informacje o możliwych sytuacjach lub scenariuszach, dostępnych zasobach, dotychczasowej wydajności i bieżącej wydajności oraz sugeruje kierunek działania lub strategię. Może być wykorzystywany do podejmowania decyzji w dowolnym horyzoncie czasowym, od natychmiastowego do długoterminowego.
Przeciwieństwem analizy nakazowej jest analiza opisowa, która analizuje decyzje i wyniki po fakcie.
Jak działa Prescriptive Analytics
Analizy preskryptywne opierają się na technikach sztucznej inteligencji, takich jak uczenie maszynowe - zdolność programu komputerowego, bez dodatkowego wkładu ze strony człowieka, do zrozumienia i przejścia z uzyskanych danych, dostosowując się cały czas. Uczenie maszynowe umożliwia przetwarzanie ogromnej ilości dostępnych dziś danych. Gdy nowe lub dodatkowe dane stają się dostępne, programy komputerowe dostosowują się automatycznie, aby z nich korzystać, w procesie, który jest znacznie szybszy i bardziej wszechstronny, niż ludzkie możliwości mogłyby to zrobić.
Wiele rodzajów firm i agencji rządowych intensywnie korzystających z danych może skorzystać na analizie nakazowej, w tym w sektorach usług finansowych i opieki zdrowotnej, w których koszt błędu ludzkiego jest wysoki.
Analizy preskryptywne współpracują z innym typem analityki danych, analityką predykcyjną, która obejmuje wykorzystanie statystyk i modelowania w celu ustalenia przyszłej wydajności, w oparciu o dane bieżące i historyczne. Jednak idzie jeszcze dalej: używając szacunkowej analizy analitycznej tego, co może się wydarzyć, zaleca się obranie przyszłego kursu.
Zalety i wady analizy preskryptywnej
Preskryptywne analizy mogą poradzić sobie z bałaganem natychmiastowej niepewności i zmieniających się warunków. Pomaga zapobiegać oszustwom, ograniczać ryzyko, zwiększać wydajność, realizować cele biznesowe i tworzyć bardziej lojalnych klientów.
Analiza preskryptywna nie jest jednak niezawodna. Jest skuteczny tylko wtedy, gdy organizacje wiedzą, jakie pytania zadać i jak reagować na odpowiedzi. Jeśli założenia wejściowe są nieprawidłowe, wyniki wyjściowe nie będą dokładne.
Jednak przy skutecznym stosowaniu analityczne analizy nakazowe mogą pomóc organizacjom w podejmowaniu decyzji na podstawie wysoce przeanalizowanych faktów, a nie wyciągać zbyt niedoinformowane wnioski oparte na instynkcie. Analizy preskryptywne mogą symulować prawdopodobieństwo różnych wyników i pokazywać prawdopodobieństwo każdego z nich, pomagając organizacjom lepiej zrozumieć poziom ryzyka i niepewności, na jakie napotykają, niż mogliby polegać na średnich. Organizacje mogą lepiej zrozumieć prawdopodobieństwo wystąpienia najgorszych scenariuszy i odpowiednio planować.
Kluczowe dania na wynos
- Analizy preskryptywne wykorzystują uczenie maszynowe, aby pomóc firmom w podjęciu decyzji o sposobie działania w oparciu o prognozy programu komputerowego. Analizy preskryptywne współpracują z analityką predykcyjną, która wykorzystuje dane do określania wyników w perspektywie krótkoterminowej. oparte na faktach i prognozach ważonych prawdopodobieństwem, zamiast przeskakiwać do niedoinformowanych wniosków opartych na instynkcie.
Przykłady analizy preskryptywnej
Wiele rodzajów firm i agencji rządowych intensywnie korzystających z danych może skorzystać na analizie nakazowej, w tym w sektorach usług finansowych i opieki zdrowotnej, w których koszt błędu ludzkiego jest wysoki.
Preskryptywne analizy można wykorzystać do oceny, czy lokalna straż pożarna powinna wymagać od mieszkańców ewakuacji określonego obszaru, gdy w pobliżu płonie pożar. Można go również wykorzystać do przewidywania, czy artykuł na określony temat będzie popularny wśród czytelników na podstawie danych o wyszukiwaniu i udostępnianiu w mediach społecznościowych powiązanych tematów. Innym zastosowaniem może być dostosowanie programu szkolenia pracowników w czasie rzeczywistym w oparciu o reakcję pracownika na każdą lekcję.
Prescriptive Analytics dla szpitali i klinik
Podobnie, szpitalne i kliniki mogą wykorzystywać preskrypcyjne analizy, aby poprawić wyniki leczenia pacjentów. Umieszcza dane dotyczące opieki zdrowotnej w kontekście oceny opłacalności różnych procedur i zabiegów oraz oceny oficjalnych metod klinicznych. Można go również wykorzystać do analizy, którzy pacjenci w szpitalu są najbardziej narażeni na ponowną hospitalizację, dzięki czemu świadczeniodawcy mogą zrobić więcej, poprzez edukację pacjentów i kontrolę lekarską, aby zapobiec ciągłym powrotom do szpitala lub na izbę przyjęć.
Prescriptive Analytics dla linii lotniczych
Załóżmy, że jesteś dyrektorem generalnym linii lotniczej i chcesz zmaksymalizować zyski swojej firmy. Preskryptywne analizy mogą ci w tym pomóc, automatycznie dostosowując cenę i dostępność biletów w oparciu o wiele czynników, w tym popyt na klientów, pogodę i ceny benzyny. Gdy algorytm wskazuje, że tegoroczna sprzedaż biletów przedświątecznych z Los Angeles do Nowego Jorku opóźnia się na przykład w zeszłym roku, może ona automatycznie obniżyć ceny, jednocześnie upewniając się, że nie spadnie zbyt nisko w świetle wyższych cen ropy w tym roku.
Jednocześnie, gdy algorytm ocenia wyższe niż zwykle zapotrzebowanie na bilety z St. Louis do Chicago z powodu oblodzonych warunków drogowych, może automatycznie podnieść ceny biletów. Dyrektor generalny nie musi przez cały dzień patrzeć na komputer, sprawdzając, co dzieje się ze sprzedażą biletów i warunkami rynkowymi, a następnie instruuje pracowników, aby zalogowali się do systemu i ręcznie zmienili ceny; program komputerowy może to wszystko i więcej - i to w szybszym tempie.
