|
Discrete choice analysis, predictive analytics, and Bayesian analytics all leverage observation to quantify relationships and serve as a foundation for predictive model development. The number of observations is critical to the reliability and utility of predictive models developed. Feedback confirming or weakening the strength of the predictive models is also key to keeping the model relevant. This is why much of the decision analytics reference model is focused on managing pre- and post-decision content. From the standpoint of feedback, decisions to accept an offer (positive reinforcement) are just as useful as decisions to decline or ignore (negative reinforcement) the offer. |
分離した上等の分析、予言するanalyticsおよびベイズのanalytics予測モデルの開発のための基礎として関係およびサーブの量を示すすべてのてこ比の観察。 観察の数は開発される予測モデルの信頼性そして実用性に重大である。 予測モデルの強さを確認するか、または弱めるフィードバックはモデルを関連した保つことにまた主である。 こういうわけで決定のanalyticsの参照モデルの多くは前そしてポスト決定の管理に内容焦点を合わせる。 フィードバックの観点から、決定はへの提供(肯定的な補強)をである低下するか、または(否定的な補強)提供を無視して同じように有用と決定受け入れる。 |
|
Predictive intelligence allows IT-centric enterprises of all types (vendors, partners, and end-users) to more readily understand the competitive landscape that they are a part of and make better informed product, service, and strategy decisions that will improve their competitive position. We have been surprised to see the majority of enterprises that maintain they are market/data-driven or argue that innovation is core to their success are unable to point to any material decisioning based on predictive intelligence. This cobbler’s children syndrome is largely driven by a combination of ignorance and neglect. Most enterprises simply aren’t familiar enough with the benefit of decision analytics to know where to start. Those enterprises that do understand the potential of decision analytics may be stymied by the complexity of leveraging advanced analytics or finding a way to demystify the topic enough to gain the support of senior management. |
予言する知性は部分のであるするよりよい知識のあるプロダクト、サービスをおよび競争状態を改善する作戦の決定を可能にすることすべてのタイプ(売り手、パートナーおよびエンドユーザー)のそれ中枢的な企業をにもっと容易に理解し、競争の景色を。 私達は企業の大半が維持するそれら市場であるか、またはdata-drivenまたは革新は成功へ中心であることを論争するため見るために驚いた予言する知性に基づいてあらゆる材料のdecisioningを指すことないがありなさい。 この靴屋の子供シンドロームは無知および無視を組み合わせて主として運転される。 ほとんどの企業はどこで始まるか決定のanalyticsの利点を十分によく知られていない知るには単に。 決定のanalyticsの潜在性を理解するそれらの企業はレバレッジによって進められるanalyticsまたは十分の上級管理のサポートを得るにはトピックを分かりやすくする方法を見つけることの複雑さによって妨害されるかもしれない。 |
|
For those enterprises willing to endure the adoption of predictive intelligence capabilities, the payoff can be transformative. Discrete choice modeling and conjoint analysis provide effective techniques to understand market dynamics and direction in a fully unbiased, normalized, and consistent way. This provides the perfect foundation to chart product roadmaps and identify the key messages by which to go to market. Predictive analytics enable an enterprise to compete more effectively and manage risk. A journey down the predictive analytics road can lead to many destinations. One way predictive analytics can be used is to scorecard customers and business partners. This will help an enterprise evaluate how to avoid risk and capitalize on opportunities. This enables the enterprise to reduce cost and increase revenue, which is the best approach to managing profitability. Bayesian analytics permits an enterprise to better assess the likelihood of events based on historical precedent and then monitor how the probability of occurrence changes as new evidence becomes available. Expressing outcomes in terms of probability is immensely useful because of the normalization that is inherent in how probability is expressed and the increased ability it provides to compare and contrast expected outcomes to enterprise governance, risk, and compliance standards. |
予言する知性の機能の採用に耐えることを決定するそれらの企業のため給料支払いは変化させるである。 分離した選択の模倣およびconjoint分析は有効な十分に公平な、正常化された、一貫した方法の市場の原動力そして方向を理解するために技術を提供する。 これは図表プロダクト道路地図に完全な基礎を提供し、販売することを行くため主メッセージを識別する。 予言するanalyticsは企業がもっと効果的に競い、危険を管理することを可能にする。 予言するanalyticsの道の下の旅行は多くの行先に導く場合がある。 一方通行の予言するanalyticsはスコアカードの顧客および共同経営者にある使用することができる。 これは企業が危険を避け機会を生かす方法を評価するのを助ける。 これは企業がコストを削減し、管理の収益性へ最もよいアプローチである収入を増加することを可能にする。 ベイズのanalyticsは新しい証拠が利用できるようになると同時に企業がよりよく歴史的先例に基づいてでき事の可能性を査定するようにし、次に発生の確率がいかに変わるか監察する。 確率の点では結果を表現することは確率がいかにに表現される高められた能力危険そして承諾の標準のか企業の支配に期待された結果を比較し、対比するために提供する備わり、標準化のために無限に有用である。 |
|
There are a wide variety of use cases for decision analytics and predictive intelligence. These use cases can be broadly categorized into operational uses cases (internally focused) and go-to-market use cases (externally focused). These use cases can also be grouped either addressing existing capabilities (current needs) or new requirements (future needs). Figure 7 provides a list of selected predictive intelligence use cases. |
決定のanalyticsおよび予言する知性のための色々使用場合がある。 これらの使用場合はオペレーショナルユースの場合(内部的に集中する)および行に市場の使用場合に広くことができる(外的に集中する)分類する。 これらの使用箱はまた分けることができ既存の機能(現在の必要性)または新しい条件(未来の必要性)を処理する。 図7は指定予言する知性の使用場合のリストを提供する。 |
|
Decision analytics for existing capabilities that are operational frequently use correlation and algorithmic techniques to identify clusters that are very effective at identifying and segmenting/categorizing existing customers. Segmentation and categorization are critical prerequisites to facilitate decisioning through conditional logic. Process automation is the use of technology to automate manual activities or integrate process fragments and it primarily leverages conditional and algorithmic decisioning. Process optimization is just that: an optimization activity that enables the enterprise to make sure resources are used as efficiently as possible. |
操作上である既存の機能のための決定のanalyticsは頻繁に相関関係およびアルゴリズムの既存の顧客を識別し、区分するか、または分類することで非常に有効である集りを識別するのに技術を使用する。 細分化および類別は条件付き論理によってdecisioning促進するべき重大な前提条件である。 プロセス・オートメーションは手動活動を自動化する技術の使用であるまたはプロセス片およびそれを統合することは主に条件付きおよびアルゴリズムにdecisioningにてこ入れする。 プロセス最適化はちょうどそれである: 企業が確かめることを可能にする最適化の活動は資源できるだけ効率的に使用される。 |
|
Decision analytics support for new requirements that are operational uses most of the capabilities in the decision analytics continuum. New product development often uses discrete choice analysis to prioritize development activities. Predictive analytics is used to evaluate customer worthiness which helps with cost avoidance, process improvement, and risk management. |
決定のanalyticsの連続の機能の最もオペレーショナルユースである新しい条件のための決定のanalyticsサポート。 新製品の開発は頻繁に分離した上等の分析を開発の活動に順位をつけるのに使用する。 予言するanalyticsが回避、工程改善およびリスク管理を要するのを助ける顧客のworthinessを評価するのに使用されている。 |
|
Decision analytics for existing go-to-market activities can use discrete choice modeling to understand the elasticity of demand for your products and service and simulate how best to maximize revenue or profit and position against your competition. Bayesian inferencing is very effective at evaluating and helping minimize risk. Predictive analytics is well known for identifying how to better support your customers and prospects (lead generation) by recommending what promotions should be extended to which segments (push marketing). |
既存の行に市場の活動のための決定のanalyticsはあなたのプロダクトのための要求の伸縮性を理解し、最もよく整備し、模倣するために収入を最大にしか、またはあなたの競争に対して利益を得、置く方法を模倣する分離した選択を使用できる。 ベイズにinferencingは評価で非常に有効であり、助けて危険を最小にしなさい。 予言するanalyticsは識別するために有名区分するどんな昇進が拡張されるべきであるか推薦によってサポートをあなたの顧客および見通し(鉛の生成)よくする方法をである(押しのマーケティング)。 |
|
Decision analytics for new go-to-market activities leverages discrete choice modeling, conjoint analysis, and collaboration to understand new product requirements, pricing, and how effectively your products will compete against the competition. Predictive analytics and collaboration are very well suited to supporting build/buy/partner decisions and precision marketing. |
新しい行に市場の活動のための決定のanalyticsは効果的にあなたのプロダクトが競争といかに競うか新製品の条件を、価格設定理解する分離した上等の模倣、conjoint分析および共同に、てこ入れし。 予言するanalyticsおよび共同は支持の造りにとてもよく適するか、または決定および精密マーケティング買ったりかパートナーの。 |