После создания аналитической песочницы и реализации аналитических наборов данных предприятия организации смогут более быстро и последовательно разрабатывать аналитические процессы и модели.

Кроме того, аналитические процессы будут более масштабируемыми. Что дальше? Как ценность, создаваемая новыми процессами, может вывести организацию на следующий уровень? Один из способов — встроенный процесс скоринга, позволяющий использовать результаты анализа.

Встроенный скоринг подразумевает проведение скоринга в базе данных так, чтобы пользователи могли использовать созданные модели эффективным и масштабируемым образом.

Успешная реализация встроенного скоринга будет включать в себя развертывание не только каждого отдельного процесса скоринга, но и процесса управления и отслеживания развернутых процессов. Обратите внимание: результатом проведения скоринга может являться показатель, полученный от прогнозной модели, или любой другой тип выходных аналитических данных.

Результатом аналитических процессов часто становится новый фрагмент информации. Примерами могут быть вероятность совершения покупки данным клиентом, точка оптимальной цены на товар или ожидаемое увеличение объема продаж в конкретном магазине в результате проведения акции. Когда разработанные аналитические процессы применяются к текущим данным, это и называется скорингом. Например, прежде чем решить, кому из потребителей стоит отправить электронное письмо, нужно определить вероятность отклика, основываясь на самых последних данных. Процесс обновления этих показателей вероятности представляет собой процесс скоринга, и он должен быть максимально автоматизирован и упрощен. Встраивание процессов скоринга в среду базы данных дает ряд преимуществ.

Во-первых, результаты пакетного скоринга будут доступны по требованию. Если набор оценок обновляется по графику, то пользователь в любой момент получит доступ к обновленным данным. Пакетное обновление также можно производить, когда это необходимо. Например, организация будет обновлять оценки для клиентов, добавляемых в список рассылки, только в момент его создания.

Далее, встроенный скоринг позволяет производить оценку в режиме реального времени. Это особенно важно в случае с веб-предложениями. Посетитель, находящийся на сайте в данный момент, должен быть сейчас же оценен исходя из того, что о нем известно, включая то, что он только что сделал на сайте, чтобы предоставить ему подходящее предложение, когда он перейдет к следующей странице. То же верно и для ситуации, когда кто-то находится на линии с представителем колл-центра. Во время разговора представитель вводит любую новую информацию, которую он выяснил. Ввод этой информации может служить основанием для обновления оценки клиента, так что сотрудник колл-центра будет знать, что делать дальше.

Кроме того, встроенный скоринг избавит пользователей от излишней сложности. Отдельным пользователям и приложениям очень легко запросить оценку. Всю тяжелую работу выполняет система. В результате встроенный скоринг сделает оценки доступными для менее подкованных в техническом плане людей.

Последнее преимущество — наличие всех моделей в централизованном хранилище. Если инвентаризация созданных моделей и оценок осуществляется с помощью процесса управления моделями, отследить то, что было создано, становится еще легче. Аналитикам больше не придется держать под своим единоличным контролем создаваемые ими процессы скоринга. Напротив, эти процессы будут контролироваться централизованно и развертываться для более широкого использования.

Интеграция встроенного скоринга

После развертывания процедур скоринга генерируемые результаты легкодоступны и пользователям, и приложениям. Например, CRM-приложения могут использовать оценки склонности. Все, что необходимо сделать пользователю CRM-приложения, — это нажать соответствующую кнопку в программе, чтобы получить доступ к оценкам. Результаты скоринга также могут использоваться оперативными приложениями. Допустим, на основе показателей продаж модель предсказывает, что запасы товаров могут иссякнуть. При возникновении такой ситуации необходимо оповестить местного менеджера. Или, возможно, авиакомпания использует модели, определяющие вероятность задержки рейсов, исходя из погодных условий. Эти оценки создаются для каждого рейса и передаются в приложение, используемое для отслеживания и управления этими задержками. Любой пользователь может получить прямой доступ к оценкам с помощью специального запроса.

Результаты проведения анализа должны использоваться для увеличения ценности

Для того чтобы воспользоваться преимуществами создаваемых аналитических процессов, организация должна применять их результаты. Не обеспечив легкий способ использования аналитики, организация не сможет в полном объеме реализовать весь ее потенциал. Встроенные процессы скоринга имеют решающее значение для обеспечения простоты применения их результатов широким кругом пользователей и приложений.

В главе 4 мы говорили о вариантах использования параллельных систем баз данных. Те же самые методы применимы для разработки встроенных процессов скоринга:

• SQL — родной язык базы данных — один из вариантов. Особенно это актуально для таких моделей, как деревья решений, линейная или логистическая регрессия. Даже написание кода вручную на языке SQL для таких моделей представляет собой достаточно простую задачу.
• Функции, определенные пользователем, на самом деле встраивают процедуру скоринга в базу данных как родную функцию.
• Язык разметки для прогнозного моделирования (PMML) представляет собой способ построения модели в одной системе и передачи информации о модели другой системе. Переданная информация позволяет принимающей системе автоматически сгенерировать код для процесса скоринга.
• Наконец, встроенные процессы позволяют аналитическим инструментам работать непосредственно в базе данных так, что не требуется перевода с языка аналитического инструмента на другие языки.

Обратитесь к главе 4, чтобы получить более подробную информацию о каждом из этих вариантов. Сейчас главное — понять, что к реализации встроенных процессов скоринга применимы все варианты.

Укрощение больших данных: как извлекать знания из массивов информации с помощью глубокой аналитики / Билл Фрэнкс. - М.: Манн, Иванов и Фербер, 2014.
Опубликовано с разрешения издательства