Какая бывает аналитика: предиктивная, описательная и еще 2 вида аналитики больших данных

Зачем предиктивный анализ маркетологам, агентствам и клиентам

Можно ли использовать прогнозную аналитику для карьерного роста?

Смоделируем такую ситуацию: маркетолог, увидев, что прогноз обещает «не лучшие» времена для компании на ближайшее полугодие, решает уйти в другую фирму. Может он руководствоваться прогнозом?

Предсказательная аналитика показывает возможное будущее с точностью 80–85% при условии, что все останется без изменений (не изменяются субъективные факторы). «Не лучшие» времена наступили не в один момент. Скорей всего, ухудшения нарастали постепенно, и негативная тенденция отразилась в прогнозе. В нашем примере это «звоночек» — пора что-то менять.

Предиктивный анализ в маркетинге и вообще в бизнес-сфере лучше использовать как инструмент медиапланирования. Предположим, клиент хочет знать количество лидов в следующем месяце. С помощью алгоритма легко спрогнозировать это значение.

Можно ли по результатам предиктивного анализа ставить KPI?

Все зависит от типа данных на входе. Когда периодичность изменений четко прослеживается, как в нишах B2B, то — да. Мы видим, что и как было в прошлых периодах. Будущее более-менее известно. В этом случае можно встроить прогноз в KPI, но с запасом на погрешность метода.

Другой пример — когда для анализа берутся редкие данные. Скажем, у клиента было в прошлом месяце 3 лида. Прогноз выдает прибавку в 2 лида. Однако любое случайное изменение может легко исказить предсказание. В таких случаях прогнозные данные нельзя применять для построения KPI.

В целом предсказательную аналитику рекомендуется использовать как инструмент медиапланирования. Например, спрогнозировали 1500 лидов в месяц. Маркетологи ударно поработали и получили результат в 2 раза лучше. Соответственно, значение 1500 лидов можно взять как нижнюю планку для KPI.

Зачем прогнозирование агентствам и клиентам?

Агентствам, как инструмент медиапланирования. Клиентам, скорей всего тоже для этих целей. Скажем, понять, какая на данный момент тенденция в бизнесе — негативная или позитивная, чего ждать в будущем. Если видится спад, то, возможно, имеет смысл перераспределить бюджеты на другие рекламные каналы или сделать что-то еще. Всегда лучше понимать, что творится с твоим бизнесом, и строить планы на будущее на основе объективных данных. Например, речевая аналитика позволяет узнать, как сотрудники обрабатывают звонки клиентов из разных источников трафика, следуют ли скриптам продаж и так далее. Это помогает грамотнее управлять фирмой и узнать, какие инструменты и площадки на самом деле приносят результат. О том, как это возможно и вообще устроено, подробнее рассказали в этом видео.

Могут ли клиенты использовать данные прогноза, чтобы проверить работу агентства?

Смоделируем такую ситуацию: клиенту обещают 50 лидов в месяц. Агентство уверяет, что это самый потолок их KPI и вообще в нише клиента никто больше 50 лидов не приводит. Клиент заходит в личный кабинет, и предиктивный прогноз выдает ему результат: 150 лидов на ближайший месяц. Может клиент «вскрыть» обман агентства?

Клиент, помимо предиктивного прогноза, получает ежемесячные отчеты агентства по ключевым метрикам. Если он видит, что лидов в прошлом месяце и ранее было в среднем 150, то планируемый показатель в 50 лидов как минимум некорректен. Предиктивный анализ не используют для выявления «плохишей» в агентстве. Это — инструмент медиапланирования.

Ключевой момент, чтобы понимать суть алгоритма.

Предсказательная аналитика строит прогноз на будущее при условии, что никакие «внешние» данные не будут меняться.

Все, что использует алгоритм для расчета, — это значение конкретной метрики на определенный период времени. Больше ничего не известно. Как получили это значение: переработали рекламную кампанию, влили бюджеты, подключили акции и прочее — этого алгоритм не может знать.

Соответственно, точность прогноза будет снижаться, если что-то менять. Подключили новые каналы рекламы, исправили объявления, сделали еще что-то для улучшения ситуации. В итоге добились не прогнозного спада, а реального подъема продаж.

Вопросы и ответы

Что такое предиктивная аналитика?

Предиктивная аналитика — это технология, использующая статистические методы и моделирование для прогнозирования будущих результатов и производительности на основе текущих и исторических данных. Она выходит за рамки прогнозирования и помогает компаниям выявлять потенциальные будущие события, повышать эффективность работы и снижать риски.

Как работает предиктивная аналитика?

Предиктивная аналитика основана на анализе больших массивов данных с помощью таких методов, как искусственный интеллект, поиск данных, машинное обучение, моделирование и статистика. Эти методы выявляют закономерности и взаимосвязи в данных для разработки прогнозных моделей. Эти модели оценивают вероятность определенных будущих результатов путем анализа текущих условий или ожидаемых будущих условий.

Каковы области применения предиктивной аналитики?

Предиктивная аналитика имеет множество применений в различных отраслях. Среди наиболее распространенных областей применения — прогнозирование в производстве, кредитный скоринг и андеррайтинг в финансах, оптимизация маркетинговых кампаний, выявление мошенничества, управление цепочками поставок и планирование человеческих ресурсов. Она помогает компаниям принимать обоснованные решения, повышать эффективность и улучшать качество обслуживания клиентов.

Чем предиктивная аналитика отличается от машинного обучения?

Предиктивная аналитика и машинное обучение — родственные, но разные дисциплины. Предиктивная аналитика использует статистические методы, включая машинное обучение, для оценки будущих результатов на основе исторических и текущих данных. Она направлена на понимание будущих событий путем анализа прошлого. С другой стороны, машинное обучение — это область информатики, которая включает в себя программирование компьютеров для обучения на основе данных и улучшения производительности с течением времени.

Каковы преимущества предиктивной аналитики?

Предиктивная аналитика предлагает несколько преимуществ для бизнеса. Она улучшает процесс принятия решений, предоставляя точные прогнозы и выводы. Она повышает эффективность и оптимизацию, оптимизируя процессы и эффективно распределяя ресурсы. Она помогает снизить риски, прогнозируя возможные последствия. Она повышает качество обслуживания клиентов за счет персонализации предложений. Кроме того, она обеспечивает конкурентное преимущество, позволяя компаниям опережать тенденции рынка и предвосхищать запросы клиентов.

Каковы критические замечания в адрес предиктивной аналитики?

Хотя предиктивная аналитика имеет множество преимуществ, есть и ряд критических замечаний. Качество данных и предвзятость могут повлиять на точность прогнозов, если используемые данные неполные, устаревшие или необъективные. Чрезмерная зависимость от исторических данных может не всегда точно отражать будущие условия. Этические проблемы и проблемы конфиденциальности возникают в связи с использованием конфиденциальных данных и необходимостью обеспечения прозрачности и подотчетности при использовании прогностических моделей

Организациям важно решить эти проблемы, чтобы сохранить доверие общества

Как предиктивная аналитика может быть применена в России?

В России предиктивная аналитика может применяться в различных отраслях. Финансовые организации могут использовать ее для оценки кредитоспособности, выявления мошенничества и управления рисками. Производители могут оптимизировать работу цепочки поставок и прогнозировать спрос. Ритейлеры могут персонализировать маркетинговые усилия и повысить качество обслуживания клиентов. Однако организации должны обеспечивать качество данных и соблюдать правила защиты информации, чтобы обеспечить неприкосновенность частной жизни.

Why is predictive analytics important?

The need for predictive analytics is arguably more critical than it’s ever been. «The traditional notion of learning from mistakes no longer applies; the reality nowadays is more like ‘One strike and you are out,'» wrote Delen, a professor of management science and information systems at Oklahoma State University, in his introduction to Predictive Analytics, Second Edition. «The organizations that use business analytics not only can survive but often thrive in this type of condition.»

Data is the lifeblood of business analytics and, increasingly, the fuel of business. Companies, big and small, run on data generated and collected from their operations and external sources. For example, companies collect data on every step of the buyer’s journey, tracking when, what, how much and how frequently customers purchase. They also track customer defections, complaints, late payments, credit defaults and fraud.

But the massive amount of data businesses accumulate on their customers, business operations, suppliers, employee performance and so on is not useful unless it’s acted on. «Data has become so ubiquitous in business operations that merely having access to more or better data is not in itself a key difference,» noted analytics expert Donald Farmer, principal at consultancy TreeHive Strategy, in his in-depth article on the difference between descriptive, predictive and prescriptive analytics. «What changes business outcomes today is how we understand and act on our data. That understanding requires analytics.»

Predictive analytics gives businesses a leg up by looking for meaningful patterns in this cumulative data, then building models that forecast what will likely happen in the future. For example, based on a customer’s past behavior and the behavior of other customers with similar attributes, how likely is it that the customer will respond to a certain type of marketing offer, default on a payment or bolt?

Savvy sales and marketing departments have long taken advantage of predictive modeling, but the use of predictive analytics can now be found across business functions and industries. It is used tactically by organizations to improve key performance metrics by reducing risk, optimizing operations and increasing efficiency, and to set strategies that ultimately confer a competitive advantage.

However, advanced techniques like predictive analytics can be challenging, as outlined below. 

Предиктивная аналитика данных — моделирование и валидация

Представляю вашему вниманию перевод главы из книги Hands-On Data Science with Anaconda «Предиктивная аналитика данных — моделирование и валидация»

Наша основная цель в проведении различных анализов данных — это поиск шаблонов, чтобы предсказать, что может произойти в будущем. Для фондового рынка исследователи и специалисты проводят различные тесты, чтобы понять рыночные механизмы. В этом случае можно задать много вопросов. Каким будет уровень рыночного индекса в ближайшие пять лет? Каков будет следующий ценовой диапазон IBM? Будет ли волатильность рынка увеличиваться или уменьшаться в будущем? Каким может быть влияние, если правительства изменят свою налоговую политику? Какова потенциальная прибыль и убытки, если одна страна начнет торговую войну с другой? Как мы прогнозируем поведение потребителя, анализируя некоторые связанные переменные? Можем ли мы предсказать вероятность того, что студент-выпускник успешно закончит учебу? Можем ли мы найти связь между определенным поведением одного конкретного заболевания?

Критика предиктивной аналитики

Несмотря на то, что предиктивная аналитика дает множество преимуществ, она не лишена и критики. Вот несколько распространенных замечаний:

1. Качество данных и предвзятость

Предиктивная аналитика в значительной степени зависит от качества и точности данных. Если данные, используемые для анализа, неполные, устаревшие или необъективные, это может привести к неточным прогнозам и ошибочному принятию решений. Кроме того, необъективные данные могут увековечить существующее неравенство и дискриминацию.

2. Чрезмерная зависимость от исторических данных

Прогностические модели строятся на основе исторических данных, которые не всегда точно отражают будущие условия. Изменения в динамике рынка, поведении потребителей или внешних факторах могут сделать исторические данные менее актуальными или ввести в заблуждение. Организациям необходимо следить за тем, чтобы их модели регулярно обновлялись и проверялись на актуальных данных.

3. Этические аспекты и вопросы конфиденциальности

Использование предиктивной аналитики порождает этические проблемы и проблемы конфиденциальности. Организации должны ответственно относиться к конфиденциальным данным, обеспечивая соблюдение правил защиты данных и защищая права частных лиц на неприкосновенность частной жизни. Прозрачность и подотчетность при использовании предиктивных моделей необходимы для поддержания доверия общества.

Кадровая аналитика, основанная на фактических данных, в контексте бизнеса

Все об HR-аналитике простыми словами…

Эволюция HR-аналитики

Развитие HR-аналитики представляет собой непрерывный процесс, эволюционирующий от простых показателей HR до сложной дисциплины, в которой используются передовые аналитические методы и технологии. В этом разделе мы рассмотрим этапы эволюции HR-аналитики и ее трансформацию с течением времени:

HR-метрики

На ранних этапах HR-аналитика в основном была сосредоточена на измерении основных видов деятельности, связанных с HR, таких как текучесть кадров, численность персонала и посещаемость. Показатели управления персоналом давали представление о рабочей силе организации, но предлагали ограниченную информацию для принятия стратегических решений.

Аналитика людей

Когда организации осознали потенциал принятия решений на основе данных, появилась HR-аналитика, позволяющая HR-специалистам анализировать данные о вовлеченности, удовлетворенности и производительности сотрудников. Это помогло определить тенденции, закономерности и корреляции для формирования стратегий управления талантами.

Аналитика рабочей силы

Аналитика рабочей силы, основанная на аналитике персонала, включает данные из нескольких источников, чтобы обеспечить целостное представление о рабочей силе организации. Это позволило HR-специалистам лучше понять влияние различных инициатив в области управления персоналом и определить возможности для улучшения.

Предиктивная аналитика

Внедрение прогнозной аналитики ознаменовало значительный скачок в HR-аналитике. Используя алгоритмы машинного обучения, HR-специалисты теперь могут прогнозировать увольнение сотрудников, выявлять лучшие таланты и предсказывать будущие потребности в рабочей силе, что позволяет принимать упреждающие и стратегические решения.

Платформа найма ИИ-талантов

В последние годы появились платформы для найма талантов на базе ИИ , которые произвели революцию в процессе найма талантов. Эти платформы используют машинное обучение и обработку естественного языка для проверки и сопоставления кандидатов с вакансиями, сокращая время найма и повышая качество новых сотрудников.

Интеграция передовых технологий

Непрерывное развитие HR-аналитики привело к интеграции искусственного интеллекта, машинного обучения и обработки естественного языка в различные HR-процессы. Эти передовые технологии позволяют HR-специалистам получать более глубокое понимание, автоматизировать повторяющиеся задачи и принимать более обоснованные решения.

Таким образом, эволюция HR-аналитики изменила роль HR-специалистов, превратив их в стратегических партнеров в организации. Используя анализ данных и передовые технологии, HR-специалисты теперь могут принимать более обоснованные решения, оптимизировать управление талантами и вносить свой вклад в общий успех организации.

Тест Грэнджера на причинность

Тест Грэнджера на причинность используется для определения того, является ли один временной ряд фактором, и предоставляет полезную информацию для прогнозирования второго. В следующем коде набор данных с именем ChickEgg используется в качестве иллюстрации. Набор данных имеет две колонки, число цыплят и количество яиц, с отметкой времени:

Вопрос в том, можем ли мы использовать число яиц в этом году, чтобы предсказать число цыплят в следующем году?

Если это так, то количество цыплят будет причиной по Грэнджеру для количества яиц. Если это не так, мы говорим, что количество цыплят не является причиной по Грэнджеру для количества яиц. Вот соответствующий код:

В модели 1 мы пытаемся использовать лаги цыплят плюс лаги яиц, чтобы объяснить количество цыплят.

Т.к. значение P довольно мало (оно значимо при 0,01) мы говорим, что количество яиц является причиной по Грэнджеру для количества цыплят.

Следующий тест показывает, что данные о цыплятах не могут быть использованы для прогнозирования следующего периода:

В следующем примере мы проверяем доходность IBM и S&P500 с целью выяснить, что их них является причиной по Грэнджеру для другого.

Сначала мы определим функцию доходности:

Теперь функция может быть вызвана с входными значениями. Цель программы — проверить, можем ли мы использовать отставания на рынке для объяснения доходности IBM. Точно так же мы проверяем, объяснить отставания IBM доходами рынка:

Результаты показывают, что индекс S&P500 можно использовать для объяснения доходности IBM за следующий период, поскольку он статистически значим на уровне 0,1%. Следующий код будет проверять, объясняет ли отставание IBM изменение S&P500:

Результат предполагает, что в течение этого периода доходность IBM может быть использованы для объяснения индекса S&P500 следующего периода.

Прогнозирование будущих событий

Есть много методов, которые мы могли бы использовать при попытке предсказать будущее, таких как скользящее среднее, регрессия, авторегрессия и т. п. Во-первых, давайте начнем с простейшего для скользящего среднего:

В предыдущем коде значение по умолчанию для количества периодов равно 10. Мы могли бы использовать набор данных, называемый MSFT, включенный в пакет R, называемый timeSeries (см. Следующий код):

В ручном режиме мы находим, что среднее из первых трех значений x совпадает с третьим значением y. В каком-то смысле мы могли бы использовать скользящее среднее для прогнозирования будущего.

В следующем примере мы покажем, как оценить ожидаемую доходность рынка в следующем году. Здесь мы используем индекс S&P500 и историческое среднегодовое значение в качестве наших ожидаемых значений. Первые несколько команд используются для загрузки связанного набора данных под названием .sp500monthly. Целью программы является оценка среднегодового среднего и 90-процентного доверительного интервала:

Как видно из результатов, историческая среднегодовая доходность для S&P500 составляет 9%. Но мы не можем заявить, что доходность индекса в следующем году будет равна 9%, т.к. она может быть от 5% до 13%, а это огромные колебания.

Сезонность

В следующем примере мы покажем использование автокорреляции. Во-первых, мы загружаем R пакет под названием astsa, который выступает для прикладного статистического анализа временных рядов. Затем мы загружаем ВВП США с ежеквартальной частотой:

В вышеуказанном коде — функция diff() принимает разницу, например текущее значение минус предыдущее значение. Второе значение ввода указывает на задержку. Функция, называемая acf2(), используется для построения и печати ACF и PACF временного ряда. ACF обозначает функцию автоковариации, а PACF обозначает функцию частичной автокорреляции. Соответствующие графики показаны здесь:

Визуализация компонентов

Понятно, что концепции и наборы данных были бы намного более понятными, если бы мы могли использовать графики. Первый пример показывает колебания ВВП США за последние пять десятилетий:

Соответствующий график показан здесь:

Если бы мы использовали логарифмическую шкалу для ВВП, у нас был бы следующий код и график:

Следующий график близок к прямой линии:

R пакет – LiblineaR

Этот пакет представляет собой линейные прогностические модели, основанные на LIBLINEAR C/C++ Library. Вот один из примеров использования набора данных iris. Программа пытается предсказать, к какой категории относится растение, используя данные обучения:

Вывод следующий. BCR — это сбалансированная классификационная ставка. Для этой ставки, чем выше, тем лучше:

R пакет – eclust

Этот пакет представляет собой средо-ориентированную кластеризацию для интерпретируемых прогнозных моделей в высокоразмерных данных. Сначала давайте рассмотрим набор данных с именем simdata, который содержит смоделированные данные для пакета:

Предыдущий вывод показывает, что размерность данных равна 100 на 502. Y — это вектор непрерывного отклика, а E — двоичная переменная среды для метода ECLUST. E = 0 для неэкспонированных (n = 50) и E = 1 для экспонированных (n = 50).

Следующая программа R оценивает z-преобразование Фишера:

Определим z-преобразование Фишера. Предполагая, что у нас есть набор из n пар xi и yi, мы могли бы оценить их корреляцию, применяя следующую формулу:

Здесь p — корреляция между двумя переменными, а

хуz

ln — функция натурального логарифма, а arctanh() — обратная гиперболическая касательная функция.

Программное обеспечение для прогнозного анализа

Прогнозный анализ может быть весьма полезен в вашей повседневной работе, независимо от того, являетесь ли вы аналитиком данных, инженером или владельцем бизнеса. Это может помочь вашей компании стать более продуктивной, безопасной и более чутко реагирующей на запросы потребителей, что даст вам преимущество в конкурентной борьбе. В решении вышеперечисленных задач помогают программы высшего уровня для предиктивного анализа. Тем не менее, не все имеют одинаковую ценность. Вот некоторые из лучших программ для прогнозного анализа, которые вы можете попробовать.

№ 1. Анаконда

Для тех, кто увлекается наукой о данных и функциями машинного обучения, доступно несколько выпусков продуктов Anaconda. Основной продукт компании с открытым исходным кодом называется Anaconda Enterprise и ориентирован на языки программирования Python и R. Программное обеспечение является кроссплатформенным, поэтому вы можете использовать его в Linux, Windows или Mac для проведения анализа данных и машинного обучения. Используя Anaconda, пользователи могут получить доступ к более чем 1,500 пакетам обработки данных Python и R, организовать свои библиотеки, зависимости и среды, а также выполнять анализ данных с помощью Dask, NumPy, pandas и Numba. После того как Anaconda сгенерирует результаты, вы можете использовать такие инструменты, как Matplotlib, Bokeh, Datashader и Holoviews, для их изучения.

№ 2. Пекан

Pecan — это цифровое решение с низким кодом и искусственным интеллектом (ИИ) для прогнозного анализа и обработки данных. Инструменты бизнес-аналитики (BI) доступны пользователям для увеличения продаж и улучшения операций. Тем не менее, предприятия могут сэкономить деньги, не нанимая специалистов по данным, потому что они просты и понятны в использовании. Без какого-либо кодирования все работает так же хорошо.

Кроме того, вы можете легко отрегулировать размер продукта, и он вполне адаптируется. Благодаря своим многочисленным преимуществам он широко используется организациями всех размеров и во всех областях, от медицинских и биологических наук до программирования видеоигр и электронной коммерции. Его используют многие крупные корпорации, в том числе Johnson & Johnson, SciPlay и Phoenix.

AutoML, создатель наборов данных, автоматическая подготовка данных, моделирование и обогащение, а также прогнозная аналитика на основе ИИ — вот некоторые из наиболее важных аспектов. Они позволяют пользователям, практически не имеющим опыта программирования, генерировать полезную информацию с помощью ИИ. Как и лучшие приложения бизнес-аналитики, Pecan предоставляет готовые модели прогнозирования и удобные информационные панели.

Программа безотказно работает с другими корпоративными программами. Salesforce, Google AdWords, Snowflake, Google Big Query, HubSpot и другие платформы данных и маркетинга могут быть интегрированы без дополнительного программирования. Наконец-то Pecan может стать вашим по индивидуальному плану подписки.

№3. Хрустальный шар Оракула 

Для моделирования, прогнозирования, имитации и оптимизации процессов многие предприятия обращаются к программному приложению Oracle Crystal Ball. Эта система была разработана для удовлетворения потребностей специалистов по стратегическому планированию, финансовых аналитиков, инженеров, ученых, владельцев бизнеса, сертифицированных бухгалтеров, менеджеров по маркетингу, венчурных капиталистов и экспертов по шести сигмам, предлагая сложные инструменты оптимизации и расчета для широкого круга секторов. Кроме того, он предоставляет пользователям множество ресурсов для принятия стратегических решений, дающих им преимущество перед конкурентами. Если вы решите, что эта платформа подходит для вашего бизнеса, доступна единовременная цена лицензии в размере 995 долларов США за пользователя приложения. Поставщик взимает плату в размере 218.90 долларов США за лицензию и поддержку обновлений программного обеспечения.

What is the difference between forecasting and predictive analytics?

Another problem arises when you want to tell the difference between forecasting and predictive analytics. They are both used by businesses to gain insight that could be useful for the future. The nuances between them are subtle but significant.

Forecasting is a prediction of what will happen based on past performance. On the other hand, predictive analytics is using historical data along with other factors that come from various sources of information. It analyzes numerous things to display the full picture of what can be expected in a certain situation.

Source: Unsplash

It’s difficult to define a precise time frame for a forecast, but typically specialists provide a range of potential outcomes rather than a single value. Predictive analysis is more detailed and can be used to determine how likely certain events will occur.

Using Data to Strategize for the Future

No matter your industry, predictive analytics can provide the insights needed to make your next move. Whether you’re driving financial decisions, formulating marketing strategies, changing your course of action, or working to save lives, building a foundation in analytical skills can serve you well.

For hands-on practice and a deeper understanding of how you can put analytics to work for your organization, consider taking Business Analytics, one of three online courses that make up HBS Online’s CORe program.

Do you want to become a data-driven professional? Explore our eight-week Business Analytics course and our three-course Credential of Readiness (CORe) program to deepen your analytical skills and apply them to real-world business problems.

Виды предиктивной аналитики

Предиктивная аналитика основана на анализе большого объема данных, которые невозможно обработать привычными методами. Благодаря использованию ИИ и машинному обучению компьютерные системы могут самостоятельно провести необходимые расчеты, что экономит время и трудозатраты компании. Условно предиктивную аналитику можно разделить на три вида:

• Кластеризация. Группировка данных по схожим признакам. Метод позволяет обнаруживать закономерности и на их основе разделять информацию на отдельные группы.
• Классификация. Процесс соотнесения данных с классами на основе характеристик. Такой способ помогает обобщить информацию и упорядочить ее.
• Временные ряды. В ходе анализа рассматриваются изменения за конкретный временной отрезок. Благодаря этому удается выявлять закономерности и прогнозировать будущие значения. Такой метод чаще применяется при планировании продаж, определении цен, количества клиентов и т. д.

Для сбора и интерпретации больших данных в предиктивной аналитике применяются различные языки программирования, специальные сервисы и платформы для Data Science, например, Python, SAS EnterpriseMiner, IBM SPSS Modeler, Oracle Big Data Preparation и т. д.

Для анализа используются данные, полученные из внутренних источников, например сведения из CRM-систем или других корпоративных сервисов, или из внешних — исследования или публикации из открытых источников. Учитываются количественные и экономические показатели (число клиентов, заявок, чистая прибыль, отказов), качественные и маркетинговые параметры, данные целевой аудитории, объем запасов на складе и т. д.