Większość systemów Big Data służy dzisiaj do analizy tego, co się zdarzyło lub właśnie się dzieje. Celem jest dotarcie do informacji, które prowadzą do poprawy efektywności firm, np. wskażą nowe możliwości sprzedażowe czy problemy w łańcuchu dostaw. To się jednak może zmienić. Cloud computing, uczenie maszynowe czy in-memory tworzą podstawę do budowy systemów Big Data, które pomogą w przewidywaniu przyszłości.

Analiza predykcyjna z dużym prawdopodobieństwem będzie głównym trendem w rozwoju systemów analitycznych. Zamiast reagować, dzięki pozyskiwanym informacjom będziemy przewidywać, co może się wydarzyć za godziny, tygodnie, a nawet miesiące. Takie rozwiązanie otwiera nowe możliwości nie tylko przed biznesem ale również innymi sektorami np. służba zdrowia. Pozyskane informacje umożliwią podejmowanie działań, które zapobiegną potencjalnym problemom, jak awarie sprzętu czy wyczerpanie zapasów magazynowych, ale także ostrzegą o nadchodzącej klęsce żywiołowej, co da czas, na wcześniejsze przygotowanie się do takich zdarzeń.

Połączenie systemów analitycznych z aplikacjami biznesowymi

Według Forrester Research, dostępne już teraz systemy Big Data oraz duża moc obliczeniowa sprawiły, że predykcyjne modele analityczne stały się efektywne, dokładne i dostępne jak nigdy wcześniej. Analitycy z tej firmy podkreślają, że za analizami predykcyjnymi muszą iść konkretne działania, nie powinny służyć tylko prognozowaniu. W praktyce oznacza to połączenie systemów analitycznych z aplikacjami i procesami biznesowymi.

Analiza predykcyjna wykorzystuje różne techniki – statyczne, modelowania oraz uczenia maszynowego – do przetwarzania bieżących i historycznych danych. Na podstawie zebranych w ten sposób informacji analitycy mogą opracowywać prognozy. Celem analizy predykcyjnej nie jest bowiem przewidzenie tego, co się zdarzy. To po prostu nie jest możliwe, niezależnie od używanych narzędzi analitycznych. Można jedynie określić prawdopodobieństwo, z jakim coś się wydarzy. Typowym przykładem jest analiza nastawienia (sentymentu). Dane wejściowe mogą być w tym przypadku zwykłem tekstem, wpisami na serwisach społecznościowych. Natomiast dane wyjściowe to punktacja wskazująca na pozytywne lub negatywne nastawienie (np. w skali od -1 do +1) do badanego obiektu. Nie jest to więc przewidywanie przyszłości.

Kolejnym etapem rozwoju systemów Big Data może być analiza zaleceniowa, która przedstawi rekomendacje, jakie działania należy podjąć oraz opisze prawdopodobne konsekwencje podjęcia różnych decyzji. Jest to rozwinięcie analizy predykcyjnej, przynoszące dodatkowo zalecenia, które w pewnym stopniu wyręczają osoby podejmujące decyzje. Analityka zaleceniowa wymaga modelu predykcyjnego wyposażonego w dwa dodatkowe komponenty: dane na temat podejmowanych działań i system śledzący efekty podejmowanych działań.

Zastosowania biznesowe analityki predykcyjnej

Rozwiązania do zarządzania relacjami z klientami (CRM) to jeden z głównych obszarów, w którym analiza predykcyjna może przynieść znaczne korzyści biznesowe. Sprzedawcy i marketerzy mogą, np. prognozować, jaki wpływ przyniosą podejmowane przez nich działania czy też dostarczą bardziej personalizowane treści do pojedynczych klientów. To mogłoby bardziej zwiększyć efektywność niż poleganie tylko na analizie historycznych danych.

Interesującą koncepcją jest usługa prognozowania świadczona w modelu chmurowym. Zakłada ona, że dane klienta, np. pochodzące z systemu CRM, są porównywane z setkami milionów zanonimizowanych rekordów z setek milionów interakcji biznesowych zebranych od innych klientów. To znacznie poprawia trafność prognozowania, jeśli można porównać firmowe dane z ogromnym zbiorem zagregowanych danych z innych źródeł. W praktyce umożliwia to porównywanie, jak firma radzi sobie na tle lokalnych czy światowych trendów w danym segmencie rynku. Daje to również możliwość weryfikacji, jaki wpływ na sprzedaż mają bieżące zdarzenia i czynniki ekonomiczne.

Wpływ Big Data na społeczeństwo

Predykcyjne systemy analityczne mogą być wykorzystywane nie tylko w biznesie, ale także w służbie społeczeństwu. Wśród przykładów takich zastosowań wymienić można:

• przewidywanie klęsk żywiołowych;

• podejmowanie decyzji prowadzących do ograniczenie zużycia energii i wody – według ekspertów dzięki projektom Big Data można w miastach ograniczyć zużycie tych zasobów o 30%-50%;

• wykrywanie uszkodzeń konstrukcji, np. mostów i przewidywanie ewentualnych katastrof budowlanych;

• ograniczenie przestępczości – 50% przestępstw w miastach ma miejsce na 5% ich obszaru, więc stosunkowo łatwo można ograniczyć liczbę takich zdarzeń, stosując analitykę predykcyjną.

Działania podejmowane, aby zapobiegać zmianom klimatycznym, w dużym stopniu są kształtowane właśnie przez Big Data i analizę predykcyjną. Ogromne ilości danych dotyczących temperatury, poziomu morza, powierzchni lasów czy emisji dwutlenku węgla są stale zbierane i analizowane. W ten sposób wykrywa się korelacje między różnymi zjawiskami i można przewidywać, w jakim kierunku prawdopodobnie podążą zmiany klimatyczne.

Szerokie zastosowanie Big Data może znaleźć w służbie zdrowia. Odpowiednia analiza danych pomoże pacjentom w pełnieniu aktywnej roli w dbaniu o własne zdrowie, np. wskaże właściwą dietę czy ćwiczenia fizyczne. Możliwe jest zwiększenie trafności diagnoz i ograniczenie błędów lekarskich. Narzędzia analityczne ułatwią dobranie kuracji właściwej dla określonego pacjenta. Analiza danych medycznych pacjenta ułatwi także skierowanie go do najlepszych specjalistów. Co więcej, możliwe będzie wcześniejsze wykrywanie sytuacji kryzysowych czy nieprawidłowych objawów i dzięki temu szybsze reagowanie na pojawiające się problemy zdrowotne. Taki potencjał drzemie w analizie czynników medycznych i społecznych, która umożliwia opracowanie skutecznej terapii czy zaleceń zdrowotnych dla danego pacjenta. Z punktu widzenia podmiotów działających w branży medycznej i służby zdrowia istotny jest potencjał Big Data do obniżenia kosztów leczenie. Możliwe będzie także wyeliminowanie oszustw, nadużyć i marnotrawstwa.

Podziel się na:
  • Facebook
  • Google Bookmarks
  • LinkedIn