Những ứng dụng thực tế của Phân tích đề xuất (Prescriptive Analytics)

Phân tích đề xuất - việc sử dụng công nghệ Học máy để giúp các doanh nghiệp quyết định hành động dựa trên dự đoán của chương trình máy tính - đang được ứng dụng trong thực tế như thế nào?

• Phân tích dữ liệu đang làm thay đổi bóng đá như thế nào? (P1)
• Data Analytics mang lại những giá trị nào cho các đội bóng đá? (P2)
• Mức lương của Data Analytics: Các nhà phân tích dữ liệu kiếm được bao nhiêu?

Ví dụ về Phân tích đề xuất

Các doanh nghiệp và cơ quan chính phủ sử dụng nhiều dữ liệu có thể được hưởng lợi từ việc sử dụng phân tích đề xuất, bao gồm các tổ chức trong lĩnh vực tài chính và y tế, nơi lỗi của con người có thể gây ra thiệt hại rất lớn.

Phân tích đề xuất có thể được dùng để đánh giá xem sở cứu hỏa địa phương có nên yêu cầu cư dân sơ tán khỏi một khu vực khi gần đó đang bùng phát một đám cháy rừng hay không. Nó cũng có thể được sử dụng để dự đoán liệu một bài báo về một chủ đề cụ thể có lượt click cao hay không dựa trên dữ liệu về các lượt tìm kiếm và chia sẻ trên mạng xã hội về các chủ đề liên quan. Một ứng dụng khác là điều chỉnh trong thời gian thực chương trình đào tạo nhân viên dựa trên cách họ phản hồi với mỗi bài học.

Phân tích đề xuất cho các bệnh viện và phòng khám

Tương tự, phân tích đề xuất có thể được các bệnh viện và phòng khám sử dụng để cải thiện kết quả cho bệnh nhân, ví dụ như trong việc đánh giá hiệu quả chi phí của các phương pháp điều trị khác nhau. Nó cũng có thể được dùng để phân tích bệnh nhân nào có nguy cơ tái nhập viện cao nhất. Điều này giúp các nhân viên y tế tập trung nhiều nguồn lực hơn vào việc khuyến cáo bệnh nhân và khám lại, qua đó giúp ngăn chặn việc bệnh nhân phải liên tục quay lại bệnh viện hoặc phòng cấp cứu.

Phân tích đề xuất trong lĩnh vực hàng không

Giả sử bạn là CEO của một hãng hàng không đang muốn tối đa hóa lợi nhuận của hãng. Phân tích đề xuất có thể giúp bạn làm điều này bằng cách tự động điều chỉnh giá vé và tình trạng vé dựa trên nhiều yếu tố, bao gồm nhu cầu của khách hàng, thời tiết và giá xăng dầu. Ví dụ: khi thuật toán xác định rằng doanh số bán vé từ Los Angeles đến New York trước Giáng sinh năm nay thấp hơn năm ngoái, giá có thể tự động giảm, nhưng không quá thấp do giá dầu năm nay cao hơn.

Đồng thời, khi thuật toán đánh giá nhu cầu mua vé từ St. Louis đến Chicago cao hơn bình thường do đường bộ bị đóng băng, giá vé có thể tự động tăng. CEO không phải dán mắt vào máy tính cả ngày để theo dõi tình trạng bán vé và điều kiện thị trường, sau đó hướng dẫn nhân viên đăng nhập vào hệ thống và thay đổi giá theo cách thủ công. Một chương trình máy tính có thể thực hiện tất cả những điều này với một tốc độ còn nhanh hơn.

Vân Nguyễn (Dịch từ Investopedia)