(Kiemelt kép: Unsplash+)
Az analitika ma már mindenhol jelen van. A vállalkozások számára számos szempontból nélkülözhetetlen eszközzé vált. A valós idejű, adatvezérelt meglátások javítják a döntéshozatali képességeket. A cégek azonosítják azokat a területeket, ahol javíthatják a hatékonyságot és csökkenthetik a költségeket, ezáltal potenciálisan növelhetik a nyereségüket is. Az analitikai befektetések megtérülése egyre inkább növekszik. A személyre szabott marketing, melynek működéséhez erős analitikára van szükség, számos vállalkozás esetében növeli az ügyfelek elégedettségi mutatóit. A közösségi médiacsatornákból származó valós idejű adatokat felhasználó „ügyfél-visszajelzési hurkok” azonnali információkat nyújtanak a vállalkozásoknak arról, hogyan javíthatják termékeiket és szolgáltatásaikat. A bevételkezelési modellek még a légitársaságoknak és a szállodáknak is segít(het)nek abban, hogy a lehető legmagasabb áron adják el ülőhelyeiket és szobakészleteiket.
Bár ezek mind lenyűgöző eredmények, nem könnyű elérni őket. „Garbage in, garbage out” hangzik az adattudósok és elemzők által világszerte gyakran hangoztatott refrén. Annak megértése azonban, hogy melyik típusú elemzés milyen típusú problémához illik, ugyanolyan fontos, mint az adatok minőségének megfelelő beállítása. A leíró analitika, a diagnosztikai analitika, a prediktív analitika és a preskriptív analitika mindegyike mutat némi hasonlóságot, de mindegyiknek megvan a maga egyedisége is. Ahhoz, hogy a legtöbbet hozzuk ki egy adathalmazból, pontosan tudnunk kell, hogy melyik típusú analitikát melyik helyzetben kell és lehet használni, és itt kezd bonyolulttá válni a dolog. Az analitika esetében nem mindig létezik egy mindenre megfelelő megoldás ugyanis. Az egyes analitikai típusok megértése, valamint az, hogy mikor, hol, miért és hogyan kell használni őket, önmagában is művészetnek számít még manapság.
Általánosságban az analitikának négy típusa van. Ezek a következők: Leíró analitika: Mi történt? Diagnosztikai analitika: Miért történt? Előrejelző analitika: Mi történhetett? Preskriptív analitika: Minek kellene történnie? Ez szemlélteti az adatelemzés fejlődését a leíró és diagnosztikai elemzéstől a prediktív és az előíró elemzésig. Ahogy a szervezetek felfelé haladnak az létrán, úgy nő a nyújtott analitika értéke, de az eredmények elérésének nehézsége is. Az analitika esetében nincs „ingyenebéd” és olcsónak számító lépések. A leíró analitika a legkönnyebben elérhető, de értéke korlátozott, míg a prediktív analitika a legnehezebben elérhető, de a legnagyobb értéket nyújtja a szervezet számára. Az optimalizálás a cél mindig. Ez viszont eleve a bevételi ároptimalizálás és a teljes munkaerő-kihasználtsági modellek ritkasága.
A leíró analitika visszatekint, utólagos képet nyújt a vállalat adatairól és üzleti tevékenységéről. Alapvető lépés, és az operatív jelentés alapját képezi. A diagnosztikus analitika a betekintésről szól. Összevont képet nyújt egy vállalat rendszereiről és az azokban rendelkezésre álló adatokról. Ezek az adatok felhasználhatók olyan problémák megértéséhez, melyek esetleg gátolják a szervezet növekedését vagy a vállalat nyereségét terhelik. A prediktív analitika az előrejelzés egy elemével egészíti ki az elemzést, és felteszi a kérdést: „Mi történhet?”. Előrelátást biztosít, de a preskriptív analitika egy fontosabb kérdésen töpreng: „Minek kellene történnie?”. Az analitika ezen típusa, az analitikai értéklépcső csúcsa, megpróbálja feltárni, hogyan jött létre egy adott analitikai eredmény, és ami ugyanilyen fontos, hogyan lehet(ne) azt megismételni.
Leíró analitika
A leíró analitika a legalapvetőbb kérdést teszi fel: „Mi történt?”. Ez utólagos képet ad, és különösen hasznos az operatív jelentésekben. Sok üzleti intelligencia (BI) műszerfal nem nyújt mást, mint egy sor leíró analitikát, melyek megvilágítják a vállalat múltbeli viselkedését, gyakran grafikonokkal, diagramokkal és jelentésekkel, melyek részletezik a vállalat ügyfél- vagy értékesítési adatait. A leíró analitika magában foglalja a múltbeli adatok elemzését a minták, trendek és kapcsolatok azonosítása érdekében. Gyakran használják a vállalat múltbeli teljesítményének megismerésére, a leíró analitika kontextust kínálhat az érdekelt felek számára az információk értelmezéséhez. Összefoglalja az adatokat, és leírja az adathalmaz fő jellemzőit, beleértve az olyan mérőszámokat, mint az átlag, a tartomány, a szórás és az eloszlás. Azonosíthatja az adatokban lévő tendenciákat, például a változók közötti korrelációkat vagy az időbeli változásokat.
Bár ez a fajta információ nem biztos, hogy olyan értékes, mint egy preskriptív bevételkezelési modell, mely egy majdnem teljes szálloda szobaáradatait szolgáltatja, jelentős értéket képvisel egy olyan vállalkozás számára, mely szeretné jobban megérteni múltbeli teljesítményét. A szegmentálás egy leíró elemzési modell, mely segíthet egy vállalkozásnak jobban megérteni az egyes ügyfeleit. A kaszinók mindenféle demográfiai információt nyomon követnek, hogy a vásárlóikat számos kosárba szegmentálják. Például a vendégeket korosztályi szegmensekbe lehet csoportosítani, melyek lehetővé teszik a kaszinó marketingosztálya számára, hogy az életszakaszok szerinti ajánlatokat népszerűsítsék. Míg a fiataloknak több idejük van a szerencsejátékra, addig egy 40 évesnek több elkölthető pénze van, így az ajánlatokat ennek megfelelően lehet elkészíteni; az ingyenes kaszinó zsetonok az előbbieknek, és esetleg egy szoba a hétvégére egy évforduló vagy születésnap környékén megfelelhetnek egy olyan játékosnak, akiről a kaszinó tudja, hogy negyvenes és házas férfi. A kaszinó azzal a meggyőződéssel teszi meg az ajánlatot, hogy a férfi valószínűleg elhozza a feleségét is, ami megduplázza a játékosok számát a teremben, így a szobaajánlat a kaszinó számára kifizetődő kiadássá válik.
A kiskereskedők a piaci kosárelemzést felhasználhatják az akciók összevonására és felkínálására, valamint betekintést nyerhetnek a vásárló vásárlási szokásaiba. A részletes vásárlói és vásárlási magatartás segíthet a jövőbeli termékek kialakításában és fejlesztésében is. A korábbi vásárlói vásárlási magatartást elemző Recency Frequency Monetary (RFM) modell a következő kritériumok alapján rangsorolja és csoportosítja a vásárlókat: Visszatérés: Milyen régen vásárolt az ügyfél? Gyakoriság: Milyen gyakran vásárol az ügyfél? Pénzbeli érték: Mennyit költ a vásárló? Az RFM-modellek betekintést nyújtanak a korábbi vásárlói trendekbe és mintákba, segítve a fejlesztendő területek azonosítását. A kiskereskedő marketingosztálya számára is hasznos információk, mivel részletesen tájékoztatnak arról, hogy kik a legjobb vásárlók, és kik azok, akik közel állnak az elvándorláshoz. Azáltal, hogy egyértelmű képet ad az adatokról és azok legfontosabb jellemzőiről, a leíró analitika az analitika legegyszerűbb típusa, de nagy értéket képvisel azon vállalatok számára, melyek meg akarják érteni az adataikban rejlő titkokat.
Diagnosztikai analitika
Az analitikai értéklépcső második lépése, a diagnosztikai analitika betekintést nyújt az adatokba. Felteszi a kérdést: „Miért történt ez?”. A „diagnosztika”, vagyis a nevében szereplő szó mindent elmond róla. Ez az elemzés a diagnózisról szól, vagyis arról, hogy megpróbáljuk megérteni, miért történt valami. Segíthet azonosítani a probléma kiváltó okát. Betekintést nyújt abba, hogyan lehet megelőzni egy hasonló probléma bekövetkezését a jövőben. A diagnosztikára úgy is lehet jól gondolni, ha arra fókuszálunk, hogy mit csinál egy rendszergazda a számítógép diagnosztikai ellenőrzése során. Felméri, hogy mi romolhatott el, általában egy sor lépés segítségével teszteli az érintett hardvert és szoftvert. Amint felfedezi a problémát, szabványos utasításokat követve kijavítja azt. A diagnosztikai elemzésekből kiderülhet, hogy az ügyfelek miért vásárolnak egy adott terméket, milyen funkciók tetszenek nekik, valamint milyen tényezők befolyásolhatják a vásárlási döntését.
A kiberbiztonsági elemzők a diagnosztikai analitikát arra használják, hogy megtalálják a kapcsolatot a biztonsági minősítések és a rendszerüket érő adatszegések száma között. Ez segíthet azonosítani azokat a területeket, ahol a vállalat sebezhető a kibertámadásokkal szemben, ami hasznos információ a támadás kockázatainak csökkentésére irányuló terv kidolgozásához. Az értékesítési és marketingcsapatok a diagnosztikai elemzések segítségével megállapíthatják, hogy miért nő vagy csökken a vállalat nyeresége, vagy miért emelkedik vagy csökken egy weboldal forgalma. Ez segíthet azonosítani azokat a területeket, ahol a vállalatnak javítania kell értékesítési és marketingtevékenységét.
A csalások felderítése napjainkban egyre nagyobb problémát jelent, és a diagnosztikai analitika segíthet a tranzakciók nyomon követésében és a csalásra utaló szokatlan minták felderítésében. Ez segít a szervezeteknek megelőzni a pénzügyi veszteségeket, és ami ugyanilyen fontos, megőrizni ügyfeleik mindent eldöntő bizalmát. Ez egy hatékony módja a diagnosztikáról való gondolkodásnak. Megfigyeljen, vonjon le következtetéseket abból, amit lát, és hagyja, hogy az adatok oda vezessék, ahová akarják, miközben nyitott marad arra, hogy meglepődjön azon, amit felfedeznek. Bár a leíró analitika önmagában is hasznos, nem proaktív megoldás.
Prediktív analitika
A Gartner Analytics Value Escalator harmadik lépcsőfoka, a prediktív analitika azt a kérdést teszi fel, hogy „Mi történhetne?”. Adatokat, statisztikai algoritmusokat és gépi tanulást (ML) használ a jövőbeli trendek előrejelzésére. Itt kezd kibontakozni az analitika valódi értéke. Charles Nyce a Predictive Analytics White Paper című alapvető cikkében a következőket írja: „A prediktív analitika egy tág fogalom, amely számos statisztikai és analitikai technikát ír le, amelyeket olyan modellek kidolgozására használnak, amelyek előre jelzik a jövőbeli eseményeket vagy viselkedéseket”. Ezeknek a prediktív modelleknek a formája az általuk előre jelzett viselkedéstől vagy eseménytől függően változik. A legtöbb prediktív modell egy pontszámot (például egy vendégminősítést) generál, ahol a magasabb pontszám az adott viselkedés vagy esemény bekövetkezésének nagyobb valószínűségét jelzi. A prediktív analitika segíthet a marketingeseknek növelni a marketing találati arányt azáltal, hogy egy nagy ügyféladatbázisból csak azokat a jelölteket választja ki, akik a legnagyobb valószínűséggel vesznek igénybe egy ajánlatot. A korábbi kampányokból származó adatok és a prediktív marketingmodell által generált intézkedések felhasználásával a kampányok tényleges válaszadási arányai nyomon követhetők ezek várható válaszadási arányaihoz képest. Felső és alsó ellenőrzési határokat lehet beállítani, és riasztásokat lehet beállítani, hogy tájékoztassák a kampánymenedzsereket, ha egy kampány túl- vagy alulteljesít.
A biztosítási ágazat volt az egyik első iparág, amelyik felkarolta a prediktív elemzést. Ma már prediktív modellezést használnak az ügyfélkockázat előrejelzésére, a vásárlási szándék előrejelzésére és a felhasználói élmény személyre szabására. A prediktív modellek segítenek az árképzés és a termékoptimalizálás, valamint a kárigény-feldolgozás automatizálása során. Az ellátási lánc menedzsmentjében a prediktív analitika segít a kereslet előrejelzésében, a készletszintek optimalizálásában és a logisztika javításában. Az ellátási lánc lehetséges zavarai előre jelezhetők és mérsékelhetők, így kevesebb szolgáltatási fennakadást biztosítva. Ez ismét az ügyfélélmény javításához vezet.
A pénzügyi modellezés segít a fintech-tér szereplőinek a jövőbeli piaci trendek előrejelzésében, valamint a potenciális befektetési lehetőségek azonosításában. A közösségi médiaelemzésben a prediktív analitika segítségével azonosíthatók a trendek, és megjósolhatók a jövőben valószínűleg népszerű témák. A játékosok és csapatok adatainak elemzésével a futballedzők és elemzők megjósolhatják, hogy mely stratégiák lesznek valószínűleg sikeresek a pályán. A sportfogadók még a meccsek kimenetelének előrejelzésére is használják, míg a szerencsejáték-társaságok a csalókat szúrják ki olyan modellekkel, melyek kiszúrják a furcsa szerencsejátékos viselkedést vagy akár a megkérdőjelezhető sportolói játékot.
A Patron Analytics in the Casino and Gaming Industry című cikkében: How the House Always Wins, Scott Sutton ismerteti az analitika történetét a szerencsejáték-iparban: Az 1980-as és 1990-es években számos nagyobb kaszinóban megjelentek a kaszinók törzsvendég hűségprogramjai, melyeket eredetileg »slot club«-oknak neveztek. Ezek arra ösztönözték az ügyfeleket, hogy regisztráljanak játékoskártyákra, és a kaszinóhoz való hűségükért cserébe a vendégek olyan jutalmakat kaptak, mint például ingyenes szobák, különleges eseményekre való belépés és egyéb ajánlatok. Ez forradalmi volt, mivel lehetővé tette a kaszinók számára, hogy egyéni szintig nyomon kövessék a játékviselkedést, ami pontosabb információkhoz vezetett a vendégek játékviselkedéséről és érdeklődéséről. Az információkat ezután fel lehetett használni az ügyfelek jobb szegmentálására, a jövőbeli viselkedés előrejelzésére és a marketing eredmények javítására.
Az egészségügyben a prediktív analitika segítségével még a betegek egészségügyi kockázatát is fel lehet mérni. Szó szerint életeket menthet azáltal, hogy azonosítja azokat a betegeket, akiknél fennáll az életveszélyes betegségek kialakulásának kockázata. A betegadatok elemzésével az egészségügyi szolgáltatók megjósolhatják, hogy mely betegek szorulnak a legnagyobb valószínűséggel orvosi ellátásra. Személyre szabott kezelési terveket lehet készíteni nemcsak a beteg adataiból, hanem a hasonló egészségügyi problémákkal küzdő betegek adataiból is. Bár a prediktív analitika hatékony eszköz, csak akkor hasznos, ha bevetésre kerül, és cselekvésre motivál. Amit érdemes figyelembe venni a prediktív modellek fejlesztése, bevezetése és karbantartása során.
Preskriptív analitika
A Gartner Analytic Value Escalator negyedik és egyben legfelső lépcsőfoka a preskriptív analitika, mely fejlett intelligenciát és automatizálást biztosít. Felteszi a kérdést: „Minek kellene történnie?”. A cél annak megértése, hogy a vállalat hogyan tudja a prediktív analitikai vagy preskriptív analitikai modell eredményeit újra megismételni. A preskriptív analitika egy kulcsfontosságú mérőszámot, például a nyereséget próbálja optimalizálni azáltal, hogy nem csak előre jelzi, mi fog történni, hanem azt is, hogy mikor fog megtörténni, és miért történik. Előremutató megközelítést nyújt a problémamegoldáshoz azáltal, hogy az adatok elemzése alapján konkrét intézkedéseket és/vagy döntéseket javasol. A Prescriptive Analytics Makes Waves with Retail & CPG című kiadványában azt állítják, hogy a preskriptív analitika a logika és a matematika alkalmazása az adatokra, hogy meghatározzunk egy előnyben részesített cselekvési irányt. A leggyakoribb példák az optimalizálási módszerek, például a lineáris programozás; a döntéselemzési módszerek, például a befolyásdiagramok; és a szabályokkal kombinálva működő prediktív analitika. A preskriptív analitika egyedülálló, mert kimenete mindig egy döntés lesz.
A preskriptív analitika felhasználási területei széles körűek és változatosak, többek között a gyártás, a kiskereskedelem, az egészségügy, a szórakoztatás, a biztosítás, a pénzügyek, a vendéglátás és az utazás területén találkozhatunk ma vele. A preskriptív analitika lehetővé teszi a marketingesek számára, hogy pontosabbá tegyék marketingkampányaikat és az ügyfelek elérését. Az ajánlómotorok a preskriptív analitikát arra használják, hogy az ügyfél böngészési előzményei, vásárlási szokásai és preferenciái alapján javaslatokat tegyenek az ügyfeleknek a megvásárolni kívánt termékekre vagy szolgáltatásokra. Az Amazon, a Netflix és a Spotify nagyszerűen használja ezeket a „motorokat”. A dinamikus árazási és bevételi optimalizálási modellek mind a négy elemzéstípust felhasználják olyan modellek létrehozására, melyek megszabják a legjobb árat egy repülőjegy, egy szállodai szoba, egy kaszinó asztali játékban elfoglalt hely, egy vidámparki belépőjegy vagy egy fuvarmegosztó autóban elfoglalt hely eladásához. Ezek a modellek dinamikusan módosítják áraikat olyan tényezők miatt, mint a kínálat, a kereslet, a rendelkezésre állás és a versenytársak árazása.
Az egészségügyi szervezetek előíró elemző modelleket használnak a kórházakban és klinikákon a betegigény, a személyzet rendelkezésre állása és a képzettségi követelmények alapján a személyzeti létszám optimalizálására. A betegellátásban az előíró analitika felhasználható a betegek eredményeinek javítására, a kezelések költséghatékonyságának értékelésére és a nagy kockázatú betegek azonosítására a megelőző beavatkozásokhoz. Az előíró analitikával a pénzintézetek több millió ügyféltranzakciót elemeznek, azonosítják a kiadási mintákat. A piaci trendek és az ügyfelek viselkedése alapján döntenek a termékekbe történő befektetésekről. A preskriptív analitika a kiskereskedelmi tervezésben használható az értékesítési adatok elemzésére, a trendek és minták azonosítására, valamint a készletgazdálkodással, az árképzéssel és a promóciókkal kapcsolatos intelligens döntések meghozatalára.
