Itu mungkin frasa tangkapan Stallone dalam filem itu Hakim Dredd, tetapi hari ini CMO (Ketua Pegawai Pemasaran) atau ahli strategi pemasaran anda juga boleh mengatakan frasa itu dengan mudah.
$config[code] not foundPenyelesaian analitik hari ini memecahkan lebih banyak data dari banyak sumber, menghasilkan jualan dan model operasi yang lebih tepat. Perniagaan belajar bersaing menerusi inovasi, tetapi bagaimanakah satu model jumlah analisa dan konsep yang dibentangkan?
Analisis Ramalan: Kuasa untuk Ramalan Siapa yang Akan Klik, Beli, Lie, atau Die oleh Eric Siegel, PhD berfungsi sebagai panggilan kejelasan untuk pengurus perniagaan untuk memahami kemungkinan dan mitos.
Siegel adalah Pengerusi Pengasas Pengasas Dunia Analisis Prediktif dan Presiden Ramalan Impak, firma perkhidmatan analisis.
Saya sangat gembira apabila saya melihat buku itu. Beberapa buku analitik baru dikeluarkan tahun ini, jadi saya bertanya kepada Wiley untuk mendapatkan salinan semakan.
Memecah Asas-asas - Bagaimana Data Berkaitan dengan Pelanggan Anda
Perkataan "analisis" bermaksud "untuk memecahkan" dalam bahasa Yunani.
Ini jenis penurunan dalam analisis ramalan bermakna mengaitkan data untuk mencari peluang baru dengan sumber yang diberikan. Keupayaan baru ini juga memecah "silos" jabatan dalam organisasi, keutamaan kami dalam tingkah laku kami dan, kadang-kadang, langkah-langkah privasi kami.
Siegel mencatatkan bagaimana orang dapat mengabaikan rasa terpinggir peluang:
"Kebanyakan orang tidak boleh kurang berminat dengan data. Ia boleh kelihatan seperti perkara yang kering dan membosankan *** Jangan tertipu. Kebenarannya adalah bahawa data merangkumi pengumpulan pengalaman yang tidak ternilai dari mana untuk belajar. Setiap prosedur perubatan, permohonan kredit, pos Facebook, cadangan filem, tindakan penipuan, e-mel spam dan pembelian apa-apa - setiap hasil positif atau negatif, setiap panggilan jualan berjaya atau gagal, setiap insiden, peristiwa atau transaksi - dikodkan sebagai data dan warehoused. Kemunculan ini akan tumbuh dengan anggaran sebanyak 2.5 quintillion bytes setiap hari …. "
Siegel menggunakan tujuh bab untuk menunjukkan bagaimana kita meningkatkan pemahaman kita - dan salah faham kita - dunia melalui data. Hewlett-Packard menggunakan analitik untuk meramalkan jika anda sedang mempertimbangkan berhenti kerja anda - berharga memandangkan mencari pekerja baru boleh lebih mahal daripada pengekalan. Percubaan korelasi yang lain adalah "Indeks Kegelisahan," hubungan korelasi blog terhadap prestasi S & P 500.
$config[code] not foundPemerhatian yang menyeronokkan berkonsistasi berlimpah - di antara keseronokan pengukuran yang praktikal, adalah vegetarian melepaskan penerbangan yang lebih sedikit ("Pelanggan syarikat penerbangan yang mempengerusikan hidangan vegetarian lebih cenderung untuk membuat penerbangan mereka … Pengetahuan makanan yang khusus atau istimewa yang menunggu pelanggan menyediakan insentif atau menimbulkan rasa komitmen. "). Perbincangan ini boleh merangka personas; jenis pelanggan yang wujud:
"Dengan reka bentuknya yang sangat baik, PA (Analisis Prediktif) memupuk serenipiti. Pemodelan ramalan menjalankan analisis luas, penerokaan, menguji banyak ramalan dan dengan demikian melakukan penemuan yang mengejutkan … "
Anda boleh memberitahu Siegel memahaminya, tetapi tidak dengan blinders atau salesmanship palsu kepada pembaca. Apabila dia berkata, "Para prospektor data melihat nilai dan nilai yang menarik," anda tahu dia benar-benar bererti.
Siegel berkongsi pandangan peribadi lebih lanjut, yang telah digunakan sebagai "foil" pada segmen berita Fox pada Outing Sasaran kehamilan pelanggan. Bercakap tentang privasi, Siegel dengan bijak mendedikasikan satu bab ke subjek. Dia menggunakannya untuk menyuarakan mitos dengan kecenderungan minima, seperti analisis analitik yang membezakan dari perlombongan data:
"PA analisis ramalan dalam dan dari dirinya sendiri tidak menyerang privasi - proses utamanya adalah bertentangan dengan pencerobohan privasi. Walaupun kadang kala dipanggil penambangan data, PA tidak "mengetuk" ke rekan di mana-mana data individu. Sebaliknya, PA sebenarnya "menggariskan" corak pembelajaran yang berlaku secara umum dengan cara bilangan ribut yang merentasi seluruh rekod pelanggan. "
Perbezaan sedemikian penting dalam memahami peril dengan program peribadi. Membaca buku ini akan membantu para pengurus yang berfikir digital hanya bermaksud membalik suis.
Perniagaan kecil dan besar boleh menggunakan buku ini untuk membantu merangka segmen data yang masuk akal. Sebagai contoh, Siegel menerangkan bagaimana mesin pembelajaran berfungsi melalui gambarajah keputusan - walaupun digunakan dalam buku ini untuk merangka model ramalan tahap perusahaan, perniagaan kecil boleh menggunakan idea dalam membingkai kecenderungan data mereka sendiri.
Antara kemunculan lain termasuk model ramalan risiko gadai janji Chase Bank, penggunaan data IBM untuk Watson pada persembahan permainan Jeopardy dan model perantaraan 147-contoh model ramalan yang digunakan hari ini.
Bagaimana Buku Ini Bandingkan Dengan Teks Analitik Lain?
Pertimbangkan buku ini sebagai pelanjutan pemasaran berasaskan data dan lebih khusus daripada Davenport Analitis di Tempat Kerja (Davenport menyediakan kata laluan).
Buku ini mempunyai komen yang boleh membuat data menghiburkan, walaupun dengan kurang spin daripada buku Avinash Kaushik Web Analytics 2.0. Akhirnya ia merupakan buku asas yang sangat baik untuk membangunkan beberapa idea mengenai bagaimana data boleh meningkatkan perniagaan.
Ini menjadikan buku lebih banyak tindakan daripada Data besar, walaupun tiada perbincangan pangkalan data mendalam dimasukkan.
Dapatkan Buku Ini untuk Membuat Model Lebih Baik untuk Perniagaan Anda
Analisis ramalan sangat baik, bukan hanya untuk subjek trend hari ini, tetapi untuk cara memperlakukan subjeknya - rasa hormat dan penghormatan, dengan keraguan ilmiah yang tepat.
Buku ini menghormati kerja dari profesional perisikan perniagaan seperti Thomas Davenport, Eric Sterne dan Eric Stiegel. Ia juga menghormati pengamal analitik atau pengurus yang ingin meningkatkan kelebihan daya saing perniagaan mereka.
Saya tidak memerlukan data untuk mengetahui bahawa kelebihan daya saing adalah apa yang dicari oleh mana-mana perniagaan.
3 Komen ▼
