Hol hozza a prediktív elemzés a legnagyobb hasznot?

Összefoglaló: IFUA Horváth & Partners
2016. június 29.

Kereslet-előrejelzés, árképzés, karbantartás: a prediktív elemzés ezeken a területeken kecsegtet a legnagyobb hatással, a legjobb megtérüléssel – vagyis itt a leginkább indokolt a nagyvállatok számára a big datába és data science-be való befektetés – állítja a Harvard Business Review cikke. Felmérések szerint a vállalatok jelenleg mintegy 36 milliárd $-t költenek adattárolásra, valamint a szükséges számítástechnikai infrastruktúra biztosítására, és ez az összeg a várakozások szerint 2020-ra meg fog duplázódni.

Várható kereslet pontosabb előrejelzése

A „long tail” elmélettel leírható fogyasztási cikkek keresletének pontosabb előrejelzése jelentős üzleti értékkel bír, mivel a készletek tartása költséges, másrészről viszont a készlethiány kedvezőtlenül hat a bevételre (rövidtávon) és a vevői elköteleződésre (hosszútávon). A múltbéli adatokra épülő idősoros modell alkalmazása klasszikus megoldásként hibákhoz vezethet, amennyiben csupán kisebb adatmennyiség vagy kis minta áll rendelkezésre. A Microsoft adatelemzői a meglévő idősoros adatokon túl anonim és aggregált böngészési előzményeket használtak az autóértékesítések előrejelzéséhez egy ügyfelük számára (a potenciális vásárlók jelentős online keresést folytatnak autóvásárlás előtt). Habár a realizált hasznok országos szinten elmaradtak a várakozásoktól a legnépszerűbb modellekre vonatkozóan, a lefúrási lehetőségek következtében regionális szinten tényleges javulás volt tapasztalható az előrejelzések pontosságában.

Az anonimizált böngészési adatok bizonyítottan hasznosak lehetnek más előrejelzések esetén is, hiszen a vásárlóközönség online tevékenysége megfelelő alapot jelenhet a vásárlási, cselekvési szokások megismerésében, nyomon követésében. A pótlólagos adatok megléte önmagában kevés. A sikeres előrejelzéshez létfontosságú a böngészési adatok hagyományos adatforrásokkal való kombinálása – a tapasztalatok alapján a kizárólag nyers böngészési adatokból nem lehet a termékek iránti valós kereslettel korreláló adatsorokat előállítani.

Hatékonyabb árképzés

Az E-commerce weboldalak ügyfeleik böngészési előzményeit alapul véve áraikat nem csupán a tényleges értékesítések szerint tudják alakítani. Az árak hozzáigazítása kísérletezésekkel történik, a big data használata lehetővé teszi a vállalatok számára az ügyfelek árérzékenységének jobb megismerését is.  Az offline kiskereskedőknek is lehetőségük nyílik az e-commerce vállalatokéhoz hasonló árazási stratégia kialakítására. A kiskereskedők az okostelefonok adta lehetőségek használatával képessé válnak ügyfeleik nyomon követésére, azon adatok naplózásával, hogy milyen típusú ügyfél lépett be az üzletbe, mely termékeket tekintette meg és adott esetben vásárolt-e belőle.  Ezen adatokat alapul véve megfelelő algoritmusok segítségével árérzékenységre és preferenciákra alapozott vásárlói szegmensek alakíthatóak ki, ami számottevő javulást eredményezhet a korábban használatos demográfia alapú célcsoportképzéssel szemben.

Megelőző karbantartás

Az eszközintenzív iparágban tevékenykedő vezetők szerint az elsődleges működési kockázatot az eszközök váratlan meghibásodása jelenti. A „dolgok internete” (IoT) által generált adathalmaz lehetővé teszi a valós idejű telemetriai adatgyűjtést a gyártási folyamat egészére vonatkozóan. Az ezen adatokra alapozott modellek alkalmazásával esély nyílik a vállalatok számára a különböző gépek meghibásodásának előrejelzésére. A múltbéli adatokra alapozott gépi tanulás (machine learning) alkalmazása megfelelő alapul szolgál a műszaki meghibásodások valós idejű előrejelzéséhez. Valós idejű telemetriai adatok nyomon követésével előrejelezhetővé válik a repülőgép-hajtómű várható élettartama, a szenzor adatok elemzésével prognosztizálható az ATM automata potenciális meghibásodása a készpénzfelvétel során, előrejelezhető az olaj- és földgáziparban használatos elektromos búvárszivattyúk meghibásodása, az áramköri lapok hibái már a gyártási folyamat koraiszakaszában, a hitelfizetés nemteljesítése vagy az energiahálózatok túlterheltsége lokális régiók szintjén. A „machine learning” ezáltal kiszámíthatóbbá teszi a ellátási láncokat és csökkenti a számos termék előállítása / szolgáltatás nyújtása során fellépő lehetséges működési zavarokat.

Az adatelemzésből származó üzleti érték nagymértékben meghaladhatja a felmerülő infrastrukturális költségeket. Mindez arra enged következtetni, hogy jelentős növekedés várható a big datára alapozott tanácsadás terén, illetve egyes vállalatokon belül az adatelemzői szerepek jelentősége felerősödhet.

 

Ha szeretne még többet megtudni a tervezésről és a forecastingról, jöjjön el a Controlling Akadémia 4. lépcsőjére!

Hol hozza a prediktív elemzés a legnagyobb hasznot?

Forrás: Harvard Business Review