Analyse bien choisie discrète, analytics prédictif, et analytics bayésien toute l'observation d'admission des fonds de tiers pour mesurer des rapports et le servir de base au développement modèle prédictif. Le nombre d'observations est critique à la fiabilité et à l'utilité des modèles prédictifs développés. La rétroaction confirmant ou affaiblissant la force des modèles prédictifs est également principale à maintenir le modèle approprié. C'est pourquoi une grande partie du modèle de référence d'analytics de décision est concentré sur contrôler contenu pré et de poste-décision. Du point de vue de la rétroaction, les décisions pour accepter une offre (renfort positif) sont comme utiles juste que des décisions pour diminuer ou pour ignorer (renfort négatif) l'offre.

L'intelligence prédictive permet des entreprises -centrales de tous les types (fournisseurs, associés, et utilisateurs) à comprennent plus aisément le paysage concurrentiel qu'elles sont une partie de et prennent un meilleur produit au courant, un service, et des décisions de stratégie qui amélioreront leur capacité concurrentielle. Nous avons été étonnés de voir que la majorité d'entreprises qui maintiennent ils sont marché/data-driven ou arguer du fait que l'innovation est noyau à leur succès ne pouvez pas se diriger à tout decisioning de matériel basé sur l'intelligence prédictive. Le syndrome des enfants de ce cordonnier est en grande partie conduit par une combinaison de l'ignorance et de la négligence. La plupart des entreprises ne sont pas simplement assez au courant de l'avantage de l'analytics de décision pour savoir où commencer. Ces entreprises qui comprennent le potentiel de l'analytics de décision peuvent être stymied par la complexité d'accroître l'analytics avançé ou de trouver une manière de démystifier assez la matière pour recevoir l'appui de la direction.

Pour ces entreprises voulant supporter l'adoption des possibilités prédictives d'intelligence, le profit peut être transformative. Modeler discret de choix et analyse conjointe fournissent des techniques efficaces pour comprendre la dynamique et la direction du marché d'une manière entièrement impartiale, normale, et cohérente. Ceci fournit la base parfaite aux feuilles de route de produit de tableau et identifie les messages principaux par lesquels pour aller lancer sur le marché. L'analytics prédictif permettent à une entreprise de concurrencer plus efficacement et de contrôler le risque. Un voyage en bas de la route prédictive d'analytics peut mener à beaucoup de destinations. L'analytics prédictif à sens unique peut être employé est aux clients de scorecard et aux associés. Ceci aidera une entreprise à évaluer comment éviter le risque et profiter des occasions. Ceci permet à l'entreprise de réduire le coût et d'augmenter le revenu, qui est la meilleure approche à la rentabilité de gestion. L'analytics bayésien permet à une entreprise d'évaluer mieux la probabilité des événements basés sur le précédent historique et puis surveille comment la probabilité de l'occurrence change pendant que la nouvelle évidence devient disponible. Exprimer des résultats en termes de probabilité est immensément utile en raison de la normalisation qui est inhérente à la façon dont la probabilité est exprimée et la capacité accrue qu'elle fournit pour comparer et contraster des résultats prévus au gouvernement d'entreprise, risque, et normes de conformité.

Il y a une grande variété de cas d'utilisation pour l'analytics de décision et d'intelligence prédictive. Ces cas d'utilisation peuvent être largement classés par catégorie dans des cas d'utilisations opérationnelles (intérieurement focalisés) et des cas d'utilisation d'aller-à-marché (extérieurement focalisés). Ces caisses d'utilisation peuvent également être groupées adressant des possibilités existantes (les besoins courants) ou de nouvelles conditions (les besoins de futur). Le schéma 7 fournit une liste de cas prédictifs choisis d'utilisation d'intelligence.

L'analytics de décision pour les possibilités existantes qui sont opérationnelles emploient fréquemment la corrélation et les techniques algorithmiques pour identifier les faisceaux qui sont très efficaces à l'identification et à la segmentation/classant les clients existants. La segmentation et la catégorisation sont des choses nécessaires critiques pour faciliter decisioning par la logique conditionnelle. L'automation de processus est l'utilisation de la technologie d'automatiser des activités manuelles ou intégrer les fragments de processus et elle accroît principalement decisioning conditionnel et algorithmique. L'optimisation de processus est juste que : une activité d'optimisation qui permet à l'entreprise de s'assurer des ressources sont employées aussi efficacement comme possible.

Soutien d'analytics de décision des nouvelles conditions qui sont des utilisations opérationnelles la plupart des possibilités dans le continuum d'analytics de décision. Le développement de produits nouveaux emploie souvent l'analyse bien choisie discrète pour donner la priorité à des activités de développement. L'analytics prédictif est employé pour évaluer le mérite de client avec lequel aide à coûter l'action d'éviter, l'amélioration de processus, et la gestion des risques.

L'analytics de décision pour des activités existantes d'aller-à-marché peut employer le choix discret modelant pour comprendre l'élasticité de la demande de vos produits et pour entretenir et simuler comment mieux maximiser le revenu ou profiter et le placer contre votre concurrence. Inferencing bayésien est très efficace à l'évaluation et en aidant réduisez au minimum le risque. L'analytics prédictif est bien connu pour identifier comment améliorer l'appui vos clients et perspectives (génération de fil) en recommandant quelles promotions devraient être prolongées auxquelles segmente (vente de poussée).

L'analytics de décision pour de nouvelles activités d'aller-à-marché accroît modeler bien choisi discret, analyse conjointe, et collaboration pour comprendre des conditions de nouveau produit, évaluant, et comment efficacement vos produits concurrenceront la concurrence. L'analytics et la collaboration prédictifs sont très bien convenus à la construction/aux décisions d'achat/associé et au marketing de support de précision.

Le défi d'Analytics de décision

Actuellement, une des questions de vexer dans l'analytics de décision est l'intégration des outils decisioning avec des routines analytiques. L'origine de cette question remonte à beaucoup d'années. Des outils de Decisioning ont été au commencement alignés avec les langues et les environnements qui ont appareillé leurs possibilités avec le domaine de développement d'application. Les outils analytiques tels que SPSS et SAS ont au commencement fonctionné comme outils autonomes. Pendant que ces deux domaines ont évolué, l'effort a été fait de les apporter plus étroitement ensemble. La langue modèle prédictive de marge bénéficiaire bénéficiaire (PMML) était un bon début et a un suivant des utilisateurs fidèles. PMML XML-est basé et est Java-amical. Le python et les R tous les deux ont des possibilités statistiques assez complètes, bien qu'aucune vraie intersection avec les outils decisioning. La solution proche de limite à cette question est probablement de l'adresser par la gestion de services d'api. Un ensemble riche d'APIs public pour chaque outil et à travers des outils aidera de manière significative avec l'interopérabilité question-bien que l'intégration vraie vienne probablement de chez les fournisseurs qui ont des possibilités decisioning et d'analytics. Le but peut traverser seamlessly les composants decisioning et analytiques d'une manière stateful de sorte que le contexte soit préservé.