Nowy standard. Twoje centrum tworzenia inteligentnego, szybkiego i zrównoważonego oprogramowania AI
Analityka predykcyjna
Wykorzystywanie danych historycznych do oszacowania prawdopodobieństwa przyszłego wyniku wystarczająco wcześnie, by móc na tej podstawie działać.
Czym jest analityka predykcyjna?
Analityka predykcyjna wykorzystuje dane historyczne oraz modele statystyczne lub uczenia maszynowego, by oszacować, co wydarzy się dalej. Generuje prognozy dotyczące przyszłości, czyli prawdopodobieństwo lub przewidywanie, które służą do podejmowania decyzji jeszcze zanim dany wynik wystąpi.
Analityka opisowa pokazuje, co się wydarzyło. Analityka diagnostyczna wyjaśnia dlaczego. Analityka predykcyjna szacuje, co się wydarzy. Analityka preskrypcyjna podpowiada, co z tym zrobić. W większości organizacji pierwsze dwa poziomy są już dobrze zaopiekowane przez dashboardy i raportowanie, a przejście do trzeciego zmienia rolę danych: mają służyć działaniu.
Praktycznym wynikiem jest zwykle prawdopodobieństwo przypisane do konkretnego obiektu. Ten klient ma 73% szans na rezygnację w ciągu 90 dni. Ta maszyna prawdopodobnie ulegnie awarii w ciągu 2 tygodni. Ta faktura najpewniej zostanie opłacona po terminie. Taka konkretność sprawia, że wynik da się wykorzystać w działaniu, ale też staje się ryzykowna, jeśli model jest źle skalibrowany.
Jak analityka predykcyjna tworzy wartość biznesową?
Działanie przed wystąpieniem zdarzenia jest niemal zawsze tańsze niż reagowanie po fakcie, a to właśnie analityka predykcyjna sprawia, że taka interwencja jest możliwa.
Przewaga strategiczna: Pozwala przejść od działań reaktywnych do wyprzedzających. Utrzymanie klienta zidentyfikowanego jako zagrożonego odejściem kosztuje ułamek tego, co pozyskanie jego następcy. Serwis maszyny przed awarią pozwala uniknąć nieplanowanego przestoju. Trafne prognozowanie popytu ogranicza zarówno braki magazynowe, jak i nadmiar zapasów. W każdym z tych przypadków istniejące dane operacyjne przekładają się na decyzję o bezpośrednim wpływie finansowym.
Problem, który rozwiązuje: Skraca opóźnienie między wynikiem a informacją o nim. Gdy raport o churnie pokazuje, że klient już odszedł, jest za późno na działanie. Model, który wskaże go 8 tygodni wcześniej, tworzy przestrzeń na reakcję, i to właśnie w niej powstaje wartość.
Jak działa analityka predykcyjna?
To proces uczenia maszynowego podporządkowany konkretnej decyzji biznesowej, a właściwe zdefiniowanie problemu ma większe znaczenie niż samo modelowanie.
Zdefiniowanie predykcji i decyzji. Trzeba jednocześnie doprecyzować dwie rzeczy: co dokładnie ma być przewidywane i co zmieni się w działaniu na podstawie tego wyniku. Model, którego wynik nie wpływa na żadną decyzję, nie tworzy wartości bez względu na swoją trafność.
Zebranie danych historycznych. Gromadzi się dane obejmujące zarówno predyktory, jak i znane wyniki. Kluczowe ograniczenie jest takie, że cechy mogą odzwierciedlać wyłącznie informacje dostępne w momencie predykcji. W przeciwnym razie model zostanie wytrenowany na wiedzy, której w środowisku produkcyjnym nie będzie mieć.
Inżynieria cech. Surowe rekordy są przekształcane w dane wejściowe do predykcji: jak dawno wystąpiła aktywność, jak często się pojawia, a także jaki jest trend i zmienność w przesuwających się oknach czasowych. W przypadku ustrukturyzowanych danych biznesowych ten etap zwykle bardziej wpływa na trafność niż wybór algorytmu.
Dobór modelu i trenowanie. Gradient-boosted trees, czyli XGBoost i LightGBM, to najmocniejszy domyślny wybór dla tabelarycznych danych biznesowych i zwykle wypadają lepiej niż sieci neuronowe. Regresja logistyczna nadal ma dużą wartość tam, gdzie potrzebna jest wyjaśnialność. Prognozowanie szeregów czasowych wykorzystuje dedykowane podejścia, takie jak ARIMA, Prophet albo gradient boosting na opóźnionych cechach.
Walidacja w czasie. W przypadku prognoz dotyczących przyszłości walidacja musi respektować chronologię: model trenuje się na wcześniejszych danych, a testuje na późniejszych. Losowe podziały powodują przeciek informacji z przyszłości do treningu i zawyżają wyniki trafności, które nie utrzymają się w środowisku produkcyjnym.
Kalibracja. Nie wystarczy poprawnie uporządkować przypadków według ryzyka, prawdopodobieństwa muszą też być trafne liczbowo: jeśli model przypisuje 70%, to mniej więcej 70% takich przypadków powinno rzeczywiście wystąpić. Źle skalibrowane modele wprowadzają w błąd każdego, kto na podstawie tych liczb określa skalę interwencji lub budżetu.
Wdrożenie do przepływu pracy. Predykcje muszą trafiać tam, gdzie zapada decyzja, na przykład do CRM-u albo harmonogramu utrzymania, i zawierać dość kontekstu, by dało się na ich podstawie działać. Wyniki dostarczane do dashboardu, do którego nikt nie zagląda, to najczęstszy powód, dla którego takie projekty nie dowożą efektów.
Pomiar wyniku biznesowego. O sukcesie decyduje to, czy interwencje oparte na modelu przyniosły lepsze rezultaty, najlepiej potwierdzone przez grupę kontrolną, która nie otrzymała żadnej interwencji.
Jak analityka predykcyjna jest wykorzystywana w biznesie?
Prognozowanie odejścia klientów. Identyfikowanie subskrybentów, którzy prawdopodobnie zrezygnują, tak aby działania retencyjne trafiały tam, gdzie mogą zadziałać.
Prognozowanie popytu. Szacowanie przyszłego wolumenu według produktu i lokalizacji, aby lepiej planować zapasy, obsadę i zakupy.
Predictive maintenance. Wykorzystywanie danych z czujników urządzeń do przewidywania awarii i planowania serwisu przed nieplanowanym przestojem.
Ocena ryzyka kredytowego i ubezpieczeniowego. Szacowanie prawdopodobieństwa niewypłacalności lub zgłoszenia roszczenia, jedno z najdłużej stosowanych zastosowań i zarazem jedno z najsilniej regulowanych.
Wykrywanie nadużyć. Ocenianie transakcji w czasie rzeczywistym, aby wyłapywać prawdopodobne oszustwa przed ich sfinalizowaniem.
Scoring leadów i szans sprzedażowych. Porządkowanie potencjalnych klientów według prawdopodobieństwa konwersji, tak aby zespół sprzedaży skupiał się tam, gdzie wysiłek się opłaci.
Prognozowanie ryzyka klinicznego. Szacowanie ryzyka ponownej hospitalizacji lub pogorszenia stanu zdrowia, by odpowiednio ustalać priorytety opieki.
Jakich narzędzi używa się w analityce predykcyjnej?
Modelowanie: Python ze scikit-learn, XGBoost, LightGBM i statsmodels; Prophet oraz jego następcy do szeregów czasowych; R w zastosowaniach statystycznych.
Infrastruktura danych: Snowflake, BigQuery, Databricks i Redshift jako źródła danych oraz dbt do transformacji.
Platformy: AWS SageMaker, Google Vertex AI, Azure Machine Learning, DataRobot i H2O do zautomatyzowanego tworzenia modeli.
Integracja z narzędziami BI: Power BI, Tableau i Looker do prezentowania scoringów obok raportów.
Wyjaśnialność: SHAP i LIME do przypisywania predykcji cechom, które się do niej przyczyniły, co często jest potrzebne zarówno dla zaufania użytkowników, jak i zgodności z przepisami.
Operacje: MLflow, Evidently i szerszy zestaw narzędzi MLOps do wersjonowania i monitorowania.
Jakie są kluczowe cechy analityki predykcyjnej?
Wynik jest probabilistyczny i skierowany w przyszłość. Rezultaty mają postać prawdopodobieństw, a ich wartość wynika z tego, że są dostępne przed wystąpieniem danego wyniku.
Zakłada się, że historyczne wzorce będą się utrzymywać. Ta metoda opiera się na założeniu, że przyszłość będzie pod istotnymi względami przypominać przeszłość, dlatego modele zawodzą w momentach nieciągłości.
Predykcje są powiązane z konkretną decyzją. Każdy model istnieje po to, by zmienić określone działanie, a to działanie wyznacza, co model powinien optymalizować.
O użyteczności decyduje moment. Predykcja ma wartość operacyjną tylko wtedy, gdy dociera z odpowiednim wyprzedzeniem, by można było zareagować. Model churnu, który wskazuje klienta w dniu jego rezygnacji, jest trafny i bezużyteczny.
Kalibracja jest równie ważna jak ranking. Gdy prawdopodobieństwa pomagają określić, ile wydać na interwencję, muszą być wiarygodne liczbowo.
Wyjaśnialność jest często konieczna. Użytkownicy działają na podstawie predykcji tylko wtedy, gdy rozumieją ich powód, a w decyzjach regulowanych taki powód musi być też dostępny z punktu widzenia prawa.
Jakie korzyści daje analityka predykcyjna?
Interwencja przed zdarzeniem. Działanie na podstawie prognozy jest konsekwentnie tańsze niż reagowanie na wynik, i to na tym zwykle opiera się uzasadnienie finansowe.
Lepsze wykorzystanie ograniczonych zasobów. Budżet retencyjny i ekipy utrzymania są ograniczone. Kierowanie ich tam, gdzie przypadki najpewniej wymagają uwagi i najlepiej na nią zareagują, poprawia zwrot z tych samych wydatków.
Mniej nieplanowanych przestojów. Predictive maintenance zastępuje zarówno naprawy reaktywne, jak i niepotrzebnie częsty serwis planowy, obniżając koszty po obu stronach.
Dokładniejsze planowanie. Lepsze prognozy popytu ograniczają jednocześnie braki magazynowe i nadmierne zapasy, uwalniając kapitał obrotowy i poprawiając poziom obsługi.
Spójna ocena ryzyka. Model stosuje jednolite kryteria do każdego przypadku, eliminując zmienność, jaką indywidualna ocena człowieka wprowadza między różnymi osobami oceniającymi i w czasie.
Jakie wyzwania i kompromisy wiążą się z analityką predykcyjną?
Predykcje zawodzą, gdy warunki przestają przypominać przeszłość. Modele trenowane na historycznych wzorcach działają źle, gdy bieżące warunki zrywają z precedensem, co było szeroko widoczne na początku pandemii COVID-19, gdy prognozy popytu w wielu branżach przestały działać.
Przeciek danych tworzy modele, które imponują i do niczego się nie nadają. Uwzględnianie informacji, które nie byłyby dostępne w momencie predykcji, to częsty błąd, który daje świetne wyniki walidacji i słabą skuteczność w środowisku produkcyjnym.
Korelacja bywa mylona z przyczynowością. Model może trafnie przewidywać churn na podstawie cech, które wcale go nie powodują. Traktowanie tych cech tak, jakby były dźwigniami zmiany, nie przynosi żadnego efektu, a to pomylenie zdarza się często.
Predykcje bez integracji z przepływem pracy niczego nie zmieniają. Najczęstsza porażka to technicznie poprawny model, którego wynik nigdy nie trafia do osoby podejmującej decyzję w formie, na podstawie której da się działać.
Historyczne uprzedzenia są odtwarzane i mogą same się wzmacniać. Modele trenowane na wcześniejszych decyzjach uczą się uprzedzeń obecnych w tych decyzjach. Tam, gdzie predykcje wpływają na przyszłe wyniki, model może wzmacniać własne wzorce. To udokumentowany problem w zastosowaniach kredytowych i policyjnych, z konsekwencjami prawnymi wynikającymi z przepisów o równości.
Trafność nie jest miarą sukcesu. Model może być bardzo trafny i nie tworzyć żadnej wartości biznesowej, jeśli nie da się wpłynąć na przewidywane przypadki. Właściwą miarą jest efekt interwencji, a do jego ustalenia potrzebna jest grupa kontrolna.
Decyzje regulowane wiążą się z obowiązkiem wyjaśnienia. Decyzje kredytowe i dotyczące zatrudnienia często wymagają podania przyczyny, co ogranicza zakres technik, których można użyć.
Jaka jest różnica między analityką predykcyjną a opisową?
Czynnik | Analityka predykcyjna | Analityka opisowa |
Pytanie, na które odpowiada | Co prawdopodobnie się wydarzy | Co się wydarzyło |
Perspektywa czasowa | Skierowana w przyszłość | Historyczna |
Wynik | Prawdopodobieństwo, scoring, prognoza | Liczności, sumy, trendy |
Pewność | Oszacowana, z błędem | Faktyczna |
Typowa forma dostarczenia | Scoring w systemie operacyjnym | Dashboard lub raport |
Cel | Umożliwić działanie z wyprzedzeniem | Zrozumieć i raportować |
FAQ o analityce predykcyjnej
Powiązane pojęcia
Analityka predykcyjna: potrzebujesz wsparcia ekspertów?
Monterail tworzy oprogramowanie na zamówienie z wykorzystaniem najnowszych technologii. Porozmawiajmy o tym, jak możemy pomóc w Twoim projekcie.