Данные: от болот до чистых озер

Понимание того, что данные – это сырье будущего, давно пришел во все сферы жизни общества – от промышленности до спорта и политики. Например, компании получают из данных ценную информацию, которая помогает в стратегическом и оперативном планировании. Однако не всегда легко сделать правильные выводы из данных. Количество данных может быть слишком большим и привести к потере данных в болотах данных. Чтобы избежать этого ваши данные должны быть преобразованы в чистые озера данных, чтобы полное представление ваших данных стало возможным. Пример анализа оттока клиентов показывает, насколько сложен этот процесс и какие преимущества дает использование аналитики и искусственного интеллекта.
 
Оценка с помощью искусственного интеллекта и машинного обучения

Переход ваших клиентов к конкурентам является «максимальным наказанием» для компании и оказывает непосредственное влияние на текущий и ожидаемый доход компании. Поэтому важно проанализировать риск эмиграции, а затем принять целевые контрмеры (такие, например, как удержание с помощью маркетинга). В идеале, искусственный интеллект берет на себя оценку риска на этом этапе, поскольку процессы и анализы могут быть полностью и быстро связаны друг с другом. Однако, чтобы это работало, необходимо выполнить некоторую предварительную работу. Сначала необходимо произвести соответствующую подготовку данных, необходимых для оценки. Следующим шагом является машинное обучение, чтобы научить искусственный интеллект, как действовать в определенных случаях в будущем. Наша платформа данных InterSystems IRIS поддерживает метод Analytics Workflow, в котором вся эта подготовительная работа разделена на несколько разделов, рабочие процессы скоординированы и, таким образом, становятся несложными.
 
Аналитический бизнес-процесс

На практике несколько действующих лиц выполняют последовательные задачи. Приведем пример. ИТ-команда бизнеса почтовых заказов состоит из Стефана (Data Engineer), Майкла (Data Modeler), Александры (Data Scientist) и Николь (Interface Engineer). Рабочий процесс аналитики будет выглядеть следующим образом:
 

• На первом этапе Стефан собирает данные из базы данных управления взаимоотношениями с клиентами и базы данных обслуживания клиентов и объединяет их. Среди прочего, эти данные содержат демографическую информацию о клиентах и ​​информацию об их предыдущем опыте взаимодействия с компанией.

Затем Майкл использует объединенный набор данных для создания функций запросов, которые раскрывают подробности об оттоке клиентов. Для этого он также выполняет агрегацию и денормализацию исходного набора данных.

• На основе нового набора данных и функций запросов Александра создает модель для прогнозирования будущего риска оттока клиентов. Чтобы получить максимально точные результаты, модель должна быть применена ко всему набору данных. Затем Александра предоставляет модель для встраивания в бизнес-процесс.
• Теперь процесс машинного обучения вступает в силу: используя модель, Михаэль позволяет искусственному интеллекту автоматически выполнять анализ данных и предоставлять стандартизированные отчеты для проактивного контакта с клиентами.
• На последнем этапе Николь внедряет модель вместе с искусственным интеллектом в активный бизнес-процесс. Затем представители службы поддержки постоянно получают предупреждение о клиентах, которые подвергаются риску миграции и могут обращаться к этим клиентам индивидуально.

Ранее непрозрачные болота данных теперь стали чистыми озерами данных, которые обеспечивают значимые результаты и помогают инициировать контрмеры в случае надвигающегося оттока клиентов.
 
Машинное обучение стало проще

Многие члены команды значительно вовлечены в процесс машинного обучения. Зачастую каждый участник использует разные инструменты и языки программирования, которые часто не могут общаться друг с другом. С помощью InterSystems IRIS можно контролировать весь процесс и минимизировать ошибки. Все инструменты подключены к платформе данных, и в качестве посредника это создает необходимую совместимость между инструментами. Без InterSystems IRIS данные было бы необходимо стандартизировать и переносить после каждого шага. Еще одно преимущество: платформа данных объединяет функции как для проведения анализа, так и для самой оценки. Чтобы инициировать процесс машинного обучения (ML), отдельные процессы могут быть эффективно оркестрированы с помощью InterSystems IRIS. Так можно достичь наилучшего результата.