قرن بیست و یکم مانند یک قطار غیرقابل توقف پیشرفت فناوری به سرعت در حال پیشروی است. تعداد فزاینده ای از شرکت ها از قدرت دیتا های دیجیتال استفاده می کنند. در نتیجه، تیم های تجزیه و تحلیل کسب و کار به اندازه کارکردهای بازاریابی، فروش و مالی در حال رشد هستند. با این حال، در حالی که فراگیر بودن دادهها نقش حیاتی فزایندهای در دسترسی به بینشهای زمان واقعی ایفا میکند، تکنیکهای تحلیلی درگیری جدیدی نیستند.
در این توضیح، تفاوت بین دو نوع از تجزیه و تحلیل دیتاها را بررسی می کنیم: آنالیز Predictive و Prescriptive . اگرچه این رویکردها جدید نیستند، اما در عصر دیجیتال کاربردهای جدیدی پیدا می کنند.
اگه میخواهید کار دیجیتال مارکتیگ را شروع کنید مقاله ای در این باره در سایت قرار دارد که میتوانید از آن دیدن کنید.
به طور خلاصه،آنالیز Predictive بر دیتا های گذشته برای پیش بینی آنچه ممکن است در آینده اتفاق بیفتد متکی است. این آنالیز ها معمولاً زمانی را پیشبینی میکنند که ممکن است اتفاقی رخ دهد، همراه با عدم قطعیت مربوط به این نتیجه. یک مثال ساده شرکتی است که از حساب های مالی گذشته برای پیش بینی میزان سود احتمالی در سال مالی آینده استفاده می کند. بر اساس عواملی مانند عرضه و تقاضا، رفتار مشتری و سایر معیارها، آنها می توانند احتمال حاشیه های سود احتمالی مختلف را تعیین کنند.
به طور کلی، آنالیز Predictive شامل ساخت مدل های آماری است که می تواند الگوها و روندها را در مجموعه دیتا های بزرگ شناسایی و تفسیر کند. آنها همچنین با استفاده از ریاضیات پیچیده، احتمال هر نتیجه ای را تعیین می کنند. از آنجایی که آنالیز Predictive با دادههای بزرگ بهترین عملکرد را دارد، اغلب از الگوریتمهای ماشین لرنینگ استفاده میکند. اینها می توانند مقادیر خروجی را بر اساس دیتا های آموزشی ورودی پیش بینی کنند.
چرا ماشین لرنینگ
با وجود پیچیدگی کار ماشین لرنینگ، در نهایت باعث صرفهجویی در زمان میشود و میتوانند الگوهایی را که ممکن است انسانها از دست میدهند، تشخیص دهند. در نهایت، در حالی که پیشبینیهای آنالیز Predictive ممکن است متضمن دورههای عمل خاصی باشد، آنها بهطور خاص توصیههایی ارائه نمیکنند. در عوض، آنالیز Predictive تلاش میکند تا حقایق را تا حد امکان واضح بیان کند. به عنوان مثال «از زمان اتفاق ، X احتمالاً Y رخ میدهد»
. کلمه “احتمالا” در اینجا بسیار مهم است – تجزیه و تحلیل Predictive یک نتیجه آینده را تضمین نمی کند، در عوض معیاری از احتمال وقوع آن را ارائه می دهد. از این نظر،آنالیز Predictive در واقع چیزی بیش از حدس و گمان آگاهانه نیست (البته حدس زدن بسیار پیچیده!)
اما یک توپ بلورین نیست.
آنالیز Prescriptive چیست؟
همانطور که مشخص کردهایم، آنالیز Predictive تلاش میکند تا پیشبینی کند که در آینده چه اتفاقی خواهد افتاد. در همین حال، آنالیز Prescriptive، با شناسایی یک یا چند اقدامی که یک فرد یا سازمان می تواند در پاسخ به یک پیش بینی معین انجام دهد، این کار را یک قدم جلوتر می برد. آنالیز Prescriptive همچنین تلاش می کند تا مشخص کند که این اقدامات ممکن است به نوبه خود منجر به چه نتایجی شوند.
به عنوان مثال، با استفاده از آنالیز Predictive، یک شرکت ممکن است تشخیص دهد که درآمد آن در سال مالی آینده راکد خواهد بود. در نتیجه، آنها ممکن است از آنالیز Prescriptive برای اطلاع رسانی استراتژی های رشد آینده استفاده کنند. با مدلسازی رشد درآمد بالقوه رویکردهای مختلف (مانند «محصول A در مقابل محصول B»)، آنها میتوانند تصمیم بگیرند که کدامیک بالاترین پتانسیل موفقیت را دارد (در این مورد، محصول به احتمال زیاد سود را افزایش میدهد).
از بسیاری جهات، تجزیه و تحلیل Prescriptive پیچیده تر از predictive است. (اگرچه تشخیص تفاوت آنالیز Predictive و Prescriptive همیشه آسان نیست). در حالی که اولی بر احتمال یک نتیجه معین تمرکز می کند، آنالیز Prescriptive به دقت این نتایج را تشریح می کند. با استفاده از طیف گستردهتری از معیارها و دیتا ها، آنالیز های Prescriptive گامهای عملی و تلاشهایی را برای اندازهگیری تأثیر مرتبط این اقدامات پیشنهاد میکنند.
از آنجایی که از طیف گسترده ای از دیتا ها استفاده می کند، آنالیز Prescriptive معمولاً از تکنیک های ماشین لرنینگ نیز استفاده می کند. همچنین باید با مشکلات مختلفی از مدیریت ریسک تا بهینه سازی کسب و کار مقابله کند. ظهور دیتا های جدید، آنالیزورهای Prescriptive به طور مداوم مدل های خود را برای بهبود توصیه ها به روز می کنند. این امر تجزیه و تحلیل Prescriptive را به یکی از کارهای مفید و در عین حال پیچیده برای هر تیم آنالیز دیتا تبدیل می کند.
تفاوت های دقیق این دو مدل آنالیز را در مقاله زیر میتوانید مطالعه کنید: