Sedan Qlik AutoML blev tillgänglig för allmänheten tidigare i höstas har ett växande antal organisationer inom olika branscher använt sig av plattformen.
Detta för att öka sitt beslutsfattande med styrkan av prediktiv analys för 90 % av de (användnings)fall som inte kräver djupgående expertis av professionella datavetare.
Maskininlärning används i många branscher, men dess bredare användning och värde har begränsats av gapet i datavetares bandbredd och resurser. Qlik AutoML fyller den luckan genom att erbjuda ett enkelt, kodfritt sätt för analysanvändare och analysteam att dra nytta av maskininlärning för att träna modeller, göra förutsägelser och planera beslut i sina nuvarande analysanvändningsfall. Med Qlik AutoML kan team inom hela organisationen utforska prediktiva data och testa potentiella scenarier direkt i Qlik Sense, som sedan kan utlösa varningar och automatiseringar för åtgärder i hela verksamheten.
Organisationer som Chef Works, RevLocal och Bentley Systems använder Qlik AutoML för att bättre kunna förutspå kundbortfall, öka effektiviteten samt engagera och behålla kunder genom att modellera sannolika utfall och således ändra strategier baserat på förutsägelser. Ett annat exempel är Polygon Research, som förser bolånebranschen med användbar information om marknaden. Polygon använder Qlik AutoML för att skapa förutsägelser inom områden som exempelvis återbetalning av lån för att hjälpa långivare att göra lämpliga insatser genom att erbjuda refinansiering eller lånemodifiering.
- Det är just här AutoML verkligen briljerar. Du kan gå ner till enskilda lån, se procentsatserna för varje enskild variabel och sedan se det kumulativa beslutet: kommer låntagaren att betala tillbaka i förtid eller inte? Vad är förutsägelsen och hur stark är den?, säger Greg Oliven, CTO på Polygon Research.
Det finns gemensamma användningsfall för AutoML inom alla avdelningar i en organisation. Exempelvis för affärsanvändare inom:
Försäljning (prognoser/kundbortfall/bibehållande)- Marknadsföring (livstidsvärde för kund och prognoser för efterfrågan)
- Finans (riskhantering och optimering av investeringar)
- HR (bibehållande/tillfredsställelse/rekrytering av anställda)
- Leveranskedjan (lagerprognoser/flaskhalsar och transportoptimering)
Samtliga affärsanvändare inom ett flertal områden kan dra stor nytta av bättre förutsägelser som leder till ett proaktivt engagemang.
- Modern analys, när den kompletteras med maskininlärning, kan minimera gissningar om framtiden och hjälpa beslutsfattare att veta vad som sannolikt kommer att hända. Det är även möjligt att se varför resultatet är sannolikt och vilka förändringar som kommer att påverka resultatet. Qlik AutoML hjälper organisationer att få ut mer värde ur sina data och ger teamen möjlighet att se ur ett bredare perspektiv när de fattar beslut som påverkar resultatet, säger Josh Good, Vice President, Product Marketing på Qlik.
