Посібник з прескриптивної аналітики: мистецтво та наука вибору та застосування правильних методів

Перше правило прескриптивної аналітики полягає в тому, що ви не говорите про прескриптивну аналітику — не раніше, ніж ви сплатите свій внесок у описову, діагностичну та прогнозну аналітику. Це не означає, що рецептивна аналітика нереальна або не має переваг. Це робить. Але потрапити туди не можна одним натисканням кнопки.

Щоб зрозуміти, чому та що вам потрібно зробити, ми починаємо з перегляду того, що таке приписна аналітика, і переходимо через подорож у царство аналітики за невеликої допомоги Gartners і Forresters цього світ.

Прескриптивна аналітика є завершальним етапом еволюційного шляху аналітики

Аналітика – це використання даних і методів аналізу даних, щоб отримати кращу інформацію та зрештою прийняти кращі рішення. Аналітична компанія Gartner представила аналітичну модель зрілості щоб відобразити той факт, що не всі аналітичні методи народжуються однаковими, і існує прогрес у тому, чого ви можете досягти.

В аналітиці є ланцюжок еволюції, варіюючи від описового до діагностичного до прогнозного, і завершуючись прескриптивним, згідно з класифікацією Гартнера.

Багато організацій все ще знаходяться на стадії опису, використовуючи більш-менш традиційний бізнес Інтелектуальні підходи (BI): Зберіть усі ваші дані разом і використовуйте візуалізацію, щоб отримати швидкий огляд того, що сталося.

Діагностична аналітика полягає в тому, щоб з’ясувати, чому сталася подія, і використовує такі методи, як деталізація, виявлення даних, аналіз даних і кореляції. Більшість аналітичних фреймворків включають такі функції у свої пропозиції.

Де все стає дійсно цікавим, це використання прогнозної аналітики для прогнозування того, що станеться. Зазвичай це робиться за допомогою наявних даних для навчання моделей прогнозного машинного навчання (ML).

Наказова аналітика є останнім етапом еволюції аналітики, кінцевою метою якої є надання способів досягнення певних результатів.

Іншими словами, прогнозна аналітика повідомляє нам про ймовірність того, що щось станеться, враховуючи поточний стан на основі інтерпретації наявних у нас даних. Наказова аналітика йде на крок далі і говорить нам, що нам потрібно зробити, щоб щось відбулося. Наказова аналітика малює шлях, як перейти від того місця, де ми є, до того місця, куди ми хочемо прийти. Давайте виберемо приклад, щоб побачити це на практиці.

Приклад із реального світу: зламані труби та приписна аналітика

А Водоканал може почати свій шлях в аналітиці шляхом розгортання датчиків у своїй розподільчій мережі та створення інфраструктури даних, необхідної для передачі цих даних у відповідні бази даних — оперативні та аналітичні.

Переконавшись, що дані постійно надсилаються в оперативну базу даних і копіюються в аналітичну базу даних, компанія зможе бачити статус своєї мережі в режимі реального часу. Це описова аналітика.

Підключивши аналітичну базу даних до програмного рішення для аналітики та накопичуючи дані з часом, компанія зможе переглядати дані, що стосуються інцидентів у її мережі. Таким чином він може визначити, наприклад, що зламана труба сталася через збільшення споживання в цьому регіоні. Це діагностична аналітика.

Накопичуючи дані та аналізуючи інциденти з часом, можуть почати виявлятися закономірності. Наприклад, експерти з предметних питань компанії та аналітики даних можуть визначити, коли атмосферний тиск і температура перевищують певні порогові значення, ймовірно, що зламалася труба відбуваються.

Використання історичних даних про операції для живлення алгоритму машинного навчання може допомогти навчити алгоритми. Потім, надаючи алгоритму поточні дані, він може відповісти прогнозом щодо ймовірності інциденту з розривом труби. Це прогнозна аналітика.

Наступним кроком буде встановлення певної кореляції між станами в даних, визначених як проблемні (що призводять до зламаних труб), і станами, визначеними як нормальні. Наприклад, коли атмосферний тиск і температура перевищують пороговий рівень, зниження потоку води або використання альтернативних маршрутів може допомогти запобігти виникненню розриву труби.

Виявивши механізм, який можна застосувати до переходів між станами, аналітичне рішення може вказати шлях від стану, який приведе до неоптимального стану до бажаного стану. Це приписна аналітика.

Методи прескриптивної аналітики: правила оптимізації

Отже, які методи можуть допомогти перейти від прогнозної аналітики до наказової? Головний аналітик Forrester Майк Гуалтьєрі, наприклад, згадує низку технологій. Але прочитавши їх, стає очевидним, що більшість із них насправді стосується попередніх етапів аналітики. Загалом кажучи, галузь, здається, об’єднується навколо двох наборів методів: правил і оптимізації.

Це було зазначив, що підхід «Predictive Analytics Plus Rules» може бути простим способом отримати приписну аналітику. Підхід, заснований на правилах, поєднує передбачення з правилами та припущеннями, визначеними бізнесом.

Як би підхід, заснований на правилах, застосовувався до нашого прикладу підприємства водопостачання? Після отримання даних, які були позначені як такі, що відповідають проблемному стану А або нормальному стану В, завдання полягає в тому, щоб знайти переходи, що ведуть від одного до іншого.

Експерти в області, в даному випадку польові техніки або керівники операцій, можуть визначити комутатори в мережі, необхідні для переходу зі стану A в стан B. Вони можуть бути закодовані як набір правил, тому, коли стан A ідентифікується в даних, система відповість, запропонувавши застосувати відповідні правила для переходу до стану B. Це працює, але є ряд застережень.

По-перше, це вимагає широких знань у галузі та великої участі людей, які володіють цими знаннями. По-друге, ефективність цього підходу залежить від складності предметної області. У прикладі водопостачання, якщо мережа є достатньо великою та складною, ймовірно, що деякі переходи стану можуть бути пропущені або закодовані неоптимальним способом.

Те, що експерти роблять у цьому випадку, по суті, шукає простір рішень, щоб знайти правила переходу, а потім кодує ці правила статичним способом. Ідея оптимізації полягає в динамічному, автоматизованому пошуку в цьому просторі.

Оптимізація включає пошук «найкращих доступних» значень деякої цільової функції з заданою областю (або вхідними даними), включаючи різні типи цільових функцій і різні типи областей. Іншими словами, усі стани оцінюються за допомогою функції, яка корелює вхідні дані для вираження корисності. Цей підхід може бути більш гнучким і також може призвести до кращих рішень.

У прикладі водопостачання всі входи, які впливають на стани, повинні бути визначені та закодовані у функції корисності. Потім кожен стан оцінюється та виражається як числове значення за допомогою функції корисності, і йде далі від стану з низькою корисністю до стану з високою корисністю стає проблемою пошуку у функціях простір.

Пошук простору оптимізації для максимізації функції корисності може призвести до рішень, які неочевидні навіть для експертів у галузі. AlphaGo підійшов до гри в Go як до проблеми оптимізації, що призвело до стратегій, які застали зненацька навіть чемпіонів го. Недоліком є ​​те, що створення та тестування функції корисності, яка є реалістичною та ефективною, може бути дуже складним.

Нарешті, машинне навчання також може бути альтернативою - якщо це гілка машинного навчання, яка може генерувати результати, доступні на основі правил. Це можуть бути дерева рішень, системи на основі нечітких правил або комутаційні нейронні мережі.

Висновок

Рекомендована аналітика є складною, і немає жодної «срібної кулі», яка могла б вас досягти, не пройшовши через еволюційний ланцюжок аналітики. Ви повинні правильно створити інфраструктуру збору та зберігання даних, правильно моделювати дані, а також правильно класифікувати стан і прогнозувати.

Все це не легко. Але лише тоді ви будете готові вирішувати справді складні проблеми, які ставить приписна аналітика. Проте переваги можуть бути суттєвими. Рекомендована аналітика – це не що інше, як автоматизація вашого бізнесу.

Також див

• На Rookout для даних у реальному часі: можливість миттєвого спостереження для виправлення помилок програмного забезпечення та відкриття чорних скриньок ШІ
• Стандарт для зберігання великих даних? Творці Apache Spark випускають Delta Lake з відкритим кодом
• Наказова аналітика: шпаргалка (TechRepublic)
• Наказова аналітика: посібник для інсайдерів (безкоштовний PDF) (TechRepublic)
• Порівняння функцій: програмне забезпечення та служби аналізу даних (Tech Pro Research)