Det kan ha varit Stallones fångstfras i filmen Judge Dredd, men idag kan en CMO (Chief Marketing Officer) eller till och med din marknadsföringsstrategi lätt säga den frasen också.
$config[code] not foundDessa dagar analyserar analytiska lösningar mer data från många källor, vilket ger mer exakta försäljnings- och driftsmodeller. Företagen lär sig att konkurrera genom innovation, men hur presenterar en modell volymen analys och koncept?
Prediktiv Analytics: Kraften att förutse vem som ska klicka, köpa, ljuga eller dö av Eric Siegel, doktorand tjänar som ett clearion-samtal för företagsledare för att förstå möjligheterna och myterna.
Siegel är den grundande konferensens ordförande för Predictive Analytics World och President of Prediction Impact, ett analytics serviceföretag.
Jag var verkligen upphetsad när jag kom över boken. Flera nya analysböcker släpps i år, så jag frågade Wiley för en recension kopia.
Att bryta ner Grunderna - Hur data relaterar till dina kunder
Ordet "analytics" betyder "att bryta ner" på grekiska.
Denna typ av nedbrytning i prediktiv analys betyder att korrelera data för att upptäcka nya möjligheter med de givna resurserna. Denna nya förmåga bryter också ner avdelningen "siloer" i organisationer, våra preferenser i vårt beteende och ibland våra integritetsåtgärder.
Siegel noterar hur människor kan glömma möjligheten:
"De flesta kunde inte vara mindre intresserade av data. Det kan verka som sådana torra, tråkiga saker *** Låt dig inte lura. Sanningen är att data förkroppsligar en ovärderlig samling erfarenhet från vilken man kan lära sig. Varje medicinskt förfarande, kreditansökan, Facebook-post, filmrekommendationer, bedräglig handling, spammig e-post och inköp av något slag - varje positivt eller negativt resultat, varje framgångsrikt eller misslyckat försäljningsanrop, varje incident, händelse eller transaktion - kodas som data och lagrad. Denna glut kommer att växa med uppskattad 2,5 quintillion bytes per dag …. "
Siegel använder sju kapitel för att visa hur vi ökar vår förståelse - och vårt missförstånd - av världen genom data. Hewlett-Packard använder analyser för att förutsäga om du funderar på att avsluta ditt jobb - värdefullt med tanke på att en ny anställd kan kosta mer än att behålla. Ett annat intressant korrelationsexperiment är "Angstindex", en korrelation av blogg nämner S & P 500-prestanda.
$config[code] not foundRoliga korrelerade observationer är överflödiga - bland de praktiska mätresultatet är det att vegetarianer saknar färre flygningar ("Flygkunder som förbeställer en vegetarisk måltid är mer benägna att göra flygningen… Kunskapen om en personlig eller speciell måltid som väntar på kunden ger en incitament eller etablerar en känsla av engagemang. "). Dessa diskussioner kan rama personas; vilka typer av kunder som existerar:
"PA (Predictive Analytics) med sin design skapar serendipitet. Prediktiv modellering utför en bred, undersökande analys, testar många prediktorer och avslöjar sålunda överraskande fynd …. "
Du kan säga att Siegel lovar ämnet, men inte med blinds eller falskt försäljningsarbete till läsaren. När han säger "Data prospektorer ser värde och värde är spännande", vet du att han verkligen betyder det.
Siegel delar ytterligare personlig inblick, har använts som en "folie" på ett Fox News-segment på Targets utträde av kundens graviditet. Med tanke på integritet delar Siegel medvetet ett kapitel till ämnet. Han använder den för att debunkera myt med minimal bias, som att särskilja predictive analytics från data mining:
"PA predictive analytics in i sig själv invaderar inte sekretess - dess kärnprocess är motsatt av integritetsinflytande. Även om det ibland kallas datautvinning, "PA" inte "borra ner" för att jämföras med någon persons data. Istället förbereder PA faktiskt "inlärningsmönster" som är sanna i allmänhet genom att rote-nummer knyter över massorna av kundrekord. "
Sådana skillnader är viktiga för att förstå faror med personaliseringsprogram. Att läsa den här boken hjälper chefer som tycker att digitalt bara betyder att du vänder på en omkopplare.
Företag små och stora kan använda den här boken för att hjälpa till att rama vilka datasegment som är meningsfulla. Siegel förklarar till exempel hur en inlärningsmaskin arbetar med ett beslutsschema - även om det används i boken för att rama en prognosmodell på företagsnivå, kan småföretag använda idén när de utformar egna dataskonrum.
Andra höjdpunkter är Chase Banks hypoteksprognosmodell, IBMs datanvändning för Watson på spelprogrammet Jeopardy och ett 147-tals cross-industry-tabellen med prediktiva modeller som används idag.
Hur jämför denna bok med andra analytiska texter?
Tänk på den här boken som en förlängning av databaserad marknadsföring och mer specifikt än Davenports Analytics på jobbet (Davenport ger ett förord, förresten).
Boken har kommentarer som kan göra data underhållande, men med mindre än en snurr än Avinash Kaushiks bok Web Analytics 2.0. I slutändan är det en utmärkt grund för att utveckla några idéer om hur data kan förbättra ett företag.
Detta gör boken mer användbar än Stora data, även om det inte finns några djupa databasdiskussioner.
Få den här boken för att göra bättre modeller för ditt företag
Prediktiv Analytics är utmärkt, inte bara för dess trend-of-the-day-ämne, utan för hur det behandlar sitt ämne - respekt och vördnad, med rätt vetenskapligt tvivel.
Boken hedrar arbetet från affärsintelligenspersonal som Thomas Davenport, Eric Sterne och Eric Stiegel. Det hedrar också analytiska utövare eller chefer som vill öka sin verksamhet konkurrensfördel.
Jag behöver inte data för att veta att konkurrensfördelen är vad någon verksamhet söker.
3 kommentarer ▼
