SAP Predictive Analytics

The Comprehensive Guide

Antoine Chabert, Andreas Forster, Laurent Tessier, Pierpaolo Vezzosi

Освойте прогностические модели — регрессию, прогнозирование временных рядов, кластеризацию и т. п. Узнайте, как установить и запустить SAP Predictive Analytics. Откройте для себя необходимые инструменты, от Predictive Factory и Automated Modeler до Data Manager и Social Network Analysis.

---

*Оригинал (англ.): SAP Predictive Analytics. The Comprehensive Guide. Антуан Шабер, Андреас Форстер, Лоран Тессиер, Пьерпаоло Веццози. Издательство SAP PRESS. Глава 1 (вступление и раздел 1.1). 2018, с. 23–25.

Корректура: Евгений Баранов (САПРАН).

Введение в прогнозную аналитику c SAP Predictive Analytics // SAP Professional Journal Россия, март–апрель, №2 (79), стр. 111–126. @ 2020, Антуан Шабер, Андреас Форстер, Лоран Тессиер, Пьерпаоло Веццози.

Грамотно реализованный проект по прогнозной аналитике может дать вашей компании существенные преимущества. Компания станет более эффективной и конкурентоспособной, а также будет опережать соперников в принятии важных решений. Первый шаг на пути к успеху — запускать новые проекты, уже зная, чего следует ожидать.

Наверняка вы уже много слышали о предиктивной аналитике, машинном обучении, искусственном интеллекте и т. д. Вы читаете эту книгу, значит, хотите подробнее узнать об этих технологиях, чтобы применять их в своей деятельности. Отлично! Приступим!

Из этой главы вы узнаете, в чём важность предиктивной аналитики (см. Раздел 1.1), как с её помощью можно изменить представление о вашей бизнес-деятельности, как эффективно пользоваться этой технологией и как другие компании применяют её при выполнении ежедневных задач. В разделе 1.2 представлено подробное описание теории, на которой построены прогнозные модели (см. статью «Прогнозная аналитика: предписывающая и разведочная» в этом номере SAP Professional Journal Россия, — №2, 2020). В главе описано, как использовать предиктивную аналитику в соответствии с вашими потребностями и как запускать новый проект с правильным мышлением и организацией, чтобы гарантировать его успешную реализацию. В разделе 1.3 (см. статью «Подготовка к успешному проекту прогнозной аналитики» в этом номере журнала) на примерах рассматриваются черты характерные всем успешным проектам внедрения прогнозной аналитики с учётом обстоятельств, в которых работает организация. В разделе 1.4 (см. статью «Отраслевые случаи использования прогнозной аналитики» в этом номере журнала) приводятся примеры из реальных проектов развёртывания прогнозной аналитики в разных отраслях. Сначала познакомимся с общими понятиями прогнозной аналитики, пока не в контексте SAP Predictive Analytics.

Мы не будем погружаться в математические сложности и объясним суть технологии, используя простые термины. Если вы являетесь опытным специалистом по теории и анализу данных, наше описание может показаться вам упрощённым и не вполне правильным, но нашей целью является дать представление об основах технологии всем читателям, чтобы они могли приступить к проекту с уверенностью и без страха.

Наконец, рассмотрим общую организацию, мышление и процесс, необходимые для определения прогнозного проекта. В Главе 4 будут подробно представлены фактические шаги для выполнения проекта с использованием методологии CRISP-DM. Это подробный, стандартизованный и поэтапный подход к выполнению операций прогнозирования и анализа данных с применением передового опыта в проектах.

Важность выполнения прогнозного анализа (раздел 1.1)

Для большинства людей первой ассоциацией с термином «прогнозный анализ» является прогнозирование и получение информации о том, что произойдёт в будущем. В некоторых случаях именно так и можно описать суть прогнозного анализа, однако прогнозирование предполагает не только использование, это может быть даже не самым важным компонентом анализа.

Полезно прогнозировать, что произойдёт в будущем, но прогнозы лишены всякого смысла, если вы не можете применить эти знания, чтобы эффективно действовать или реагировать. Целью предиктивной аналитики является не только получение информации о вероятном будущем сценарии, но и возможность повлиять на него.

Более того, решения для предиктивной аналитики помогают получить более полное представление о процессах компании независимо от отрасли и адаптировать среду для достижения высоких показателей.

Некоторые сценарии и цели при работе с применением прогноза:

• заблаговременное знание вероятного будущего сценария;
• знание возможностей влияния на будущие сценарии путём выполнения определённых действий уже сегодня, а также понимание того, какие именно действия будут наиболее эффективны;
• знание в реальном времени оптимального решения для достижения поставленных целей;
• знание оптимального варианта реагирования в случае наступления конкретного сценария в будущем;
• знание упреждающих шагов и способов подготовки уже сегодня к развитию вероятных сценариев в будущем;
• знание внутреннего устройства и принципов работы вашей компании (или среды, в которой вы работаете);
• умение замечать то, чего не замечают ваши конкуренты и знание, как применить эти наблюдения для получения преимуществ;
• получение всестороннего и глубокого представления о проблеме или ситуации и последующее применение этих знаний для достижения ваших целей.

В следующих разделах мы покажем, как можно активно применять функции предиктивного анализа для достижения любых из указанных целей.

Прежде всего, проясним один момент. Прогноз применяется не только для получения доходов от бизнес-деятельности. Помимо собственно монетизации существует огромное разнообразие вариантов его использования. С помощью прогнозной аналитики вы сможете лучше понять окружающую среду, обнаружить внутренние механизмы нашего мира и наконец, сделать жизнь лучше. Сегодня прогнозирование применяются в здравоохранении, управлении восстановлением после стихийных бедствий, обеспечении общественной безопасности и во многих других областях, где целью является улучшение качества жизни людей или его сохранение на прежнем уровне.

В исключительно коммерческой среде компании, применяющие средства предиктивной аналитики, имеют значительные конкурентные преимущества по сравнению с теми, кто не использует эти возможности. Понимание принципов работы компании и соответствующая адаптация в реальном времени в зависимости от требований клиентов позволяет таким компаниям достигать более высоких результатов и непрерывно повышать свою эффективность.

Знание важных рычагов для достижения определённых результатов позволит вам направить ресурсы на выполнение нужных действий. Выбирая наиболее продуктивные действия, вы сократите неэффективный расход времени и денежных средств на бесполезные усилия.

Как мы уже сказали, прогнозирование без действий не имеет смысла. В следующих разделах и главах показано, что в большинстве случаев результатом прогнозного проекта является не сам прогноз, а список действий, рекомендованных для достижения поставленных целей. Получение рекомендаций в реальном времени даёт мгновенное преимущество и позволяет быстро окупить вложения в проект. Иногда такую концепцию называют предписывающей аналитикой (prescriptive analytics). Несмотря на то, что не все проекты являются предписывающими, наш опыт показывает, что сюда можно отнести всё же большинство из них.

Вы можете не осознавать этого, но каждый день вы сталкиваетесь с предписывающими решениями, которые предлагают вам определённые рекомендации. Каждый раз при использовании системы GPS вы получаете инструкции по маршруту, каждый раз, вводя слово в поле поиска Google, вы видите предлагаемые вам варианты продолжения фразы, каждый раз, когда вы ищете подходящий рейс в сети Интернет, вам предлагают варианты, которые будут самыми выгодными для вас (и для спонсора сайта). Все эти рекомендации — результаты применения предписывающей аналитики.

Одной из причин того, что мы сегодня практически не замечаем, что работаем с прогнозными и предписывающими решениями, является максимальная простота интерфейса конечного пользователя. Для выполнения проектов прогнозного анализа могут потребоваться сложные решения и знание математики или программирования, но конечный пользователь, потребитель в таких проектах, видит только простой и интуитивно понятный интерфейс.

Конечных пользователей не должны касаться сложные механизмы, лежащие в основе всей структуры. Чем проще и понятнее интерфейс конечного пользователя, тем выше вероятность успешного принятия прогнозного проекта конечными пользователями, не знающими, как именно всё работает.

При подготовке к проекту прогноза необходимо учесть множество деталей. Начнём с описания двух основных типов результатов такого проекта, а затем подробнее посмотрим на базовые требования для успешной реализации проекта.

Прогнозная аналитика: предписывающая и разведочная**

Здесь представлено подробное описание теории, на которой построены прогнозные модели в SAP Predictive Analytics.

---

**Оригинал (англ.): SAP Predictive Analytics. The Comprehensive Guide. Антуан Шабер, Андреас Форстер, Лоран Тессиер, Пьерпаоло Веццози. Издательство SAP PRESS. Раздел 1.2. 2018, с. 26–31.

Корректура: Евгений Баранов (САПРАН).

Прогнозная аналитика: предписывающая и разведочная // SAP Professional Journal Россия, январь–февраль, №1 (78), стр. 114–126. @ 2020, Антуан Шабер, Андреас Форстер, Лоран Тессиер, Пьерпаоло Веццози.

Мы уже говорили, что прогнозирование бессмысленно без действия, но мы хотим сказать вам даже больше: само по себе прогнозирование не должно быть желаемым результатом прогнозного проекта. Мы знаем примеры с реальными клиентами, где цель — не узнать, что будет дальше, а более глубоко понять, что произошло в прошлом. При этом мы всегда стремимся применить полученную информацию, чтобы сделать будущее лучше.

Прогнозная аналитика позволяет заглянуть в будущее, но также она помогает лучше понять прошлое. Посмотрим, как это работает. В следующих разделах представлено подробное описание теории, на которой построены прогнозные модели. Вы также узнаете, как эти модели обычно применяются для принятия операционных или стратегических решений.

Основная идея (раздел 1.2.1)

Идея, которая лежит в основе предиктивного анализа, достаточно проста. Вы берёте данные за прошлые периоды и применяете к ним некий математический подход для изучения правил и отношений, которые существуют внутри ваших данных. Эти правила и отношения называются прогнозной моделью (predictive model).

Например, данные за прошлые периоды могут содержать информацию обо всех продуктах, купленных вашими клиентами за последние три года. У вас есть подробный профиль каждого клиента, вам известно время и сумма покупки по каждой транзакции. С помощью решения типа SAP Predictive Analytics (или других инструментов и вашего собственного ПО) вы применяете к данным математические алгоритмы, чтобы выделить модели в наборе данных. Эти модели называются поведенческими (behavior).

Например, вы можете обнаружить, что многие клиенты, купившие продукт А, живут в больших городах, а те, кто обычно покупает продукт Б, живут в сельской местности. Помимо этих отношений математические алгоритмы измеряют их силу. Результат применения алгоритма будет достаточно точным. Допустим, 83 % клиентов из больших городов покупают продукт А и 72 % клиентов, проживающих в сельских районах и владеющих автомобилем, покупают продукт Б. Это примеры правил, логически выведенных из ваших данных за прошлые периоды.

Сочетание таких правил представляет собой прогнозную модель, которую можно извлечь из данных.

В реальности вам придётся решать, какой вид анализа следует выполнить. Таким образом, вы будете выбирать, какие правила вам требуется извлечь из данных. В зависимости от типа извлечённых правил и выводы по набору данных могут значительно отличаться.

С помощью полученной информацией вы сможете определить, как характеристики клиентов сильнее связаны с покупкой конкретного продукта, точнее, какие клиенты похожи и с большей вероятностью будут вести себя одинаково. Вам может потребоваться узнать, какие продукты покупают вместе, или в какое время обычно выполняются транзакции. Если вы знаете, что именно вам нужно понять, вы сможете далее применить к этим данным наиболее подходящий способ математической обработки (алгоритм).

Для создания эффективной модели необходимо использовать достаточный объём информации высокого качества. Применение информации низкого качества ведёт к получению некорректных результатов, а недостаточный объём информации станет причиной низкой точности модели. Однако вам необязательно потребуется огромное количество данных идеального качества. Важен именно баланс между доступной информацией и необходимым минимальным количеством в полученной модели. Наконец, не всю имеющуюся информацию обязательно нужно учитывать. Вы можете использовать только те данные, которые являются релевантными для проекта. Ненужные данные повышают затраты и уровень сложности, а в некоторых случаях даже снижают качество результатов. К счастью для вас, SAP Predictive Analytics может предложить эффективный план действий в любой ситуации и автоматически удаляет ненужные данные.

Извлекаемые из данных правила в SAP Predictive Analytics обычно являются более эффективными, чем правила, предлагаемые людьми, поскольку они основаны исключительно на фактических данных, не пропущены через призму стереотипов и учитывают больше деталей, чем может обработать человеческий мозг.