Análise bem escolhida discreta, analytics predictive, e analytics Bayesian toda a observação da força de alavanca para quantify relacionamentos e saque como uma fundação para o desenvolvimento modelo predictive. O número das observações é crítico à confiabilidade e à utilidade dos modelos predictive desenvolvidos. O gabarito que confirma ou que enfraquece a força dos modelos predictive é também chave a manter o modelo relevante. Isto é porque muito do modelo da referência do analytics da decisão é focalizado em controlar índice pre- e da borne-decisão. Do ponto de vista do gabarito, as decisões para aceitar uma oferta (reforço positivo) são tão úteis justo quanto decisões declinar ou ignorar (reforço negativo) a oferta.

A inteligência Predictive permite empresas -centric de todos os tipos (vendedores, sócios, e end-users) a compreende mais prontamente a paisagem do competidor que são uma parte de e faz o produto informed melhor, o serviço, e as decisões da estratégia que melhorarão sua posição do competidor. Nós fomos surpreendidos ver que a maioria das empresas que mantêm eles é mercado/data-driven ou para discutir que a inovação é núcleo a seu sucesso seja incapaz de apontar a todo o decisioning do material baseado na inteligência predictive. O syndrome das crianças deste sapateiro é dirigido pela maior parte por uma combinação do ignorance e da negligência. A maioria de empresas não são simplesmente familiares bastante com o benefício do analytics da decisão saber onde começar. Aquelas empresas que compreendem o potencial do analytics da decisão podem ser stymied pela complexidade do analytics avançado leveraging ou de encontrar uma maneira demystify o tópico bastante para ganhar a sustentação da gerência sênior.

Para aquelas empresas que querem resistir o adoption de potencialidades predictive da inteligência, o payoff pode ser transformative. Modelar discreto da escolha e análise conjoint fornecem técnicas eficazes para compreender a dinâmica e o sentido do mercado em uma maneira inteiramente unbiased, normalizada, e consistente. Isto fornece a fundação perfeita aos mapas rodoviários do produto da carta e identifica as mensagens chaves por que para ir introduzir no mercado. O analytics Predictive permite uma empresa de competir mais eficazmente e de controlar o risco. Uma viagem abaixo a estrada predictive do analytics pode conduzir a muitos destinos. O analytics predictive de sentido único pode ser usado é aos clientes do scorecard e aos sócios de negócio. Isto ajudará a uma empresa avaliar como evitar o risco e capitalize em oportunidades. Isto permite a empresa de reduzir o custo e aumentar o rendimento, que é a mais melhor aproximação ao profitability controlando. O analytics Bayesian permite uma empresa avaliar mais melhor a probabilidade dos eventos baseados no precedent histórico e monitora então como a probabilidade da ocorrência muda enquanto a evidência nova se torna disponível. Expressar resultados nos termos da probabilidade é immensely útil por causa do normalization que é inerente em como a probabilidade é expressada e a abilidade que aumentada fornece para comparar e contrastar resultados previstos ao governance da empresa, risco, e padrões da conformidade.

Há uma variedade larga de casos do uso para o analytics da decisão e uma inteligência predictive. Estes casos do uso podem amplamente ser categorizados nos casos dos usos operacionais (focalizados internamente) e nos casos do uso do v-à-mercado (focalizados externamente). Estas caixas do uso podem também ser agrupadas dirigindo-se a potencialidades existentes (necessidades atuais) ou a exigências novas (necessidades do futuro). Figura 7 fornece uma lista de casos predictive selecionados do uso da inteligência.

O analytics da decisão para as potencialidades existentes que são operacionais usa freqüentemente a correlação e técnicas algorítmicas identificar os conjuntos que são muito eficazes em identificar e em segmentar/que categoriza clientes existentes. A segmentação e o categorization são pré-requisitos críticos para facilitar decisioning com a lógica condicional. A automatização Process é o uso da tecnologia automatizar atividades manuais ou integrá-lo fragmentos process e leverages primeiramente decisioning condicional e algorítmico. O optimization Process é justo que: uma atividade do optimization que permita a empresa de se certificar recursos é usada tão eficientemente como possível.

Sustentação do analytics da decisão para as exigências novas que são usos operacionais mais das potencialidades no continuum do analytics da decisão. O desenvolvimento de produto novo usa frequentemente a análise bem escolhida discreta dar prioridade a atividades do desenvolvimento. O analytics Predictive é usado avaliar o worthiness do cliente que ajuda com custar a vacância, a melhoria process, e a gerência de risco.

O analytics da decisão para atividades existentes do v-à-mercado pode usar a escolha discreta que modela para compreender a elasticidade da demanda para seus produtos e para prestar serviços de manutenção melhor e simular a como maximize o rendimento ou lucrar e posicioná-lo de encontro a sua competição. Inferencing Bayesian é muito eficaz na avaliação e ajudando minimize o risco. O analytics Predictive é bom - sabido para identificar melhorar a sustentação seus clientes e prospetos (geração da ligação) recomendando que promotions devem ser estendidos a que segmenta (marketing do impulso).

O analytics da decisão para atividades novas do v-à-mercado leverages modelar bem escolhido discreto, análise conjoint, e colaboração para compreender exigências do produto novo, fixando o preço, e como eficazmente seus produtos competirão de encontro à competição. O analytics e a colaboração Predictive são muito bons servidos à configuração/decisões da compra/sócio e ao marketing suportando da precisão.

O desafio de Analytics da decisão

Atualmente, uma das edições vexing no analytics da decisão é a integração de ferramentas decisioning com rotinas analíticas. A origem desta edição data muitos anos. As ferramentas de Decisioning foram alinhadas inicialmente com as línguas e os ambientes que emparelharam suas potencialidades com o domínio do desenvolvimento da aplicação. As ferramentas analíticas tais como SPSS e SAS funcionaram inicialmente como ferramentas autônomas. Enquanto estes dois domínios evoluíram, o esforço estêve feito trazê-los mais perto junto. A língua modelo Predictive do Markup (PMML) era um começo bom e tem um seguinte de usuários leais. PMML XML-é baseado e é Java-amigável. O Python e R ambos têm potencialidades estatísticas razoavelmente detalhadas, embora nenhuma interseção real com ferramentas decisioning. A solução próxima do termo a esta edição é provavelmente dirigir-se lhe através da gerência dos serviços do API. Um jogo rico de APIs público para cada ferramenta e através das ferramentas ajudará significativamente com interoperability edição-embora a integração verdadeira venha provavelmente dentro dos vendedores que têm potencialidades decisioning e de analytics. O objetivo está podendo atravessar seamlessly componentes decisioning e analíticos em uma maneira stateful de modo que o contexto seja preservado.