Поиск
  • Дмитрий Гавриленко

Персонализация предиктивной аналитики


Клиенты реагируют на персонализацию, а не на обращение по имени в письме!

Проблема массового потребителя состоит в том, что он не хочет (а точнее, часто не может) напрягать мозг. Подавляющее большинство пользователей хотят простой функционал. Они в принципе не готовы включать мозг без крайней на то необходимости. Идеальная система с точки зрения потребителя не предполагает умственного напряжения. Система должна сама понять, чего хочет человек и выполнить это, не спрашивая. А это возможно только в одном случае, если за человека думает искусственный интеллект.

Предиктивная аналитика является обязательной частью этого процесса. Она делает коммуникацию более «личной», поскольку предполагает выявление точек воздействия на конкретного человека или группу людей. Такими точками являются: потребности, интересы, склонности, чувство собственного достоинства, отношения, убеждения, информационное обеспечение человека, привычки, умения, навыки.

Создание портрета клиента является сегодня предметом интереса большинства компаний. Сегодня для оценки вероятности совершения покупки, как правило, используются линейная регрессия, логистическая регрессия, дерево решений и нейронная сеть. Например, анализируя сообщения в социальной сети, можно получить информацию о сетевых связях между людьми, но причинно-следственные связи останутся «за кадром».

Первый шаг к пониманию предиктивной аналитики — рациональная организация данных. На сегодняшний день при построении предиктивной модели самая важная задача – определить параметры, которые сильнее всего влияют на прогнозируемое событие. И лучше всего это сможет сделать человек, имеющий опыт в предметной области и владеющий методами качественного анализа информации, а именно, способностью устанавливать причинно-следственные связи между событиями. Знания таких специалистов лежат на стыке многих наук, а именно, философии, психологии, экономики, математики.

Установление причинно-следственных связей по своей природе относится к сложным умозаключениям. В логике разработано несколько методов установления причинной связи между явлениями. Из этих методов чаще всего используются четыре: метод сходства, метод различия, метод сопутствующих изменений и метод остатков.

Метод сходства заключается в том, что, если два и более случая исследуемого явления сходны только в одном обстоятельстве, существует вероятность, что именно это обстоятельство и есть причина или часть причины данного явления. Метод различия состоит в следующем: если два случая между собой отличаются только одним обстоятельством, вероятно, оно и является причиной возникновения рассматриваемого явления. Метод сопутствующих изменений заключается в том, что, если какое-либо отдельно взятое явление изменяется каждый раз при изменении другого явления, с определенной степенью вероятности можно предположить, что второе явление влечет изменение первого и, следовательно, они находятся в причинной взаимозависимости. Метод остатков означает, что, рассматривая причины сложного явления, нужно двигаться поэтапно. В результате мы получим остаток данного явления, который будет следствием оставшихся из комплекса обстоятельств. В Gartner считают, что те компании, которые будут применять продвинутую аналитику к большим данным, будут расти на 20% быстрее конкурентов.

На сегодняшний день наиболее подходящим инструментом для качественного анализа, по нашему мнению, являются конфайнмент-модели и персональные эвристические модели. С их помощью, например, можно установить причинно-следственные связи между информацией, имеющейся в интернете (лайки, виды лайков, видео, перепосты, комментарии, посты) и характеристиками человека. С их помощью можно успешно строить и выявлять факторы, имеющие наибольшее влияние на событие. Тем более, что делать это можно без присутствия человека, поскольку данные методы основаны на рефлексивном анализе.

Трудность связана с многочисленностью факторов, являющихся причиной события или явления, а также тем, что некоторые причины проявляются в причинно-следственной связи при определенных условиях, о которых мы можем не знать. Поэтому, первым шагом на пути объяснения причины явления, как правило, становится гипотеза. (Под гипотезой обычно понимается уже в определенной мере обоснованное предположение о причине исследуемого автором события.)

Существует большое количество подтвержденных признаков, характеризующих свойства личности, по которым можно составить персональную модель человека. Они проявляют себя в течение жизни человека. Для каждого человека этот набор индивидуален, но можно отметить наиболее распространенные из них. Это признаки, характеризующие мораль человека, его мировоззрение; признаки, характеризующие здоровье человека; признаки, характеризующие уровень мышления и рефлексию, а также признаки, характеризующие силу воли.

Соединение математических методов анализа с конфайнмент-моделями и эвристическими персональными моделями означает более точное предсказание поведения пользователя за счет добавления причинно-следственных связей между его характеристиками и принимаемыми решениями. Предиктивная аналитика – это инструмент, который позволит не только корректировать текущее поведение, но и более адекватно прогнозировать будущее.

«В будущем технологии позволят объединить данные о клиентах и человеческий опыт, что позволит ретейлерам получить более четкое представление о намерениях покупателей и обслуживать их в соответствии с их личными предпочтениями.» (Джапджит Тулси, технический директор Ebay.)

Еще одно ожидаемое направление применения эвристических персональных моделей в предиктивной аналитике: возможность персонализировать игры, подбирая наиболее оптимальные параметры игрового процесса (уровень сложности, систем награждения, локации и т.п.) и монетизации для каждого игрока. В долгосрочной перспективе машинное обучение игра сама будет подстраиваться под конкретного игрока, корректируя его путь и максимизируя доход.

#менеджмент #кибернетика

Просмотров: 0