Beslutsstöd

Skrivet 2018-06-13

Du kanske har spenderat tid och resurser på att få upp en avancerad BI-lösning som stöd för allt från strategiska till taktiska och operativa beslut men ändå är det något som saknas; det beslutsstöd man får baseras på historiska data och kräver att användaren definierar handlingar för att bekräfta ett antagande. Man kan svara på frågor som ”Vad hände?”, ”Hur många?” och ”Hur ofta?”.

Hur vore det att istället kunna förutse och proaktivt bygga bort problem innan de har inträffat och dyker upp i en rapport? Detta är vad avancerad dataanalys med hjälp av prediktiva metoder kan erbjuda, med en effektivare och lönsammare affär som resultat.

Prediktiv analys vilar på metoder inom "Machine Learning", en disciplin som går ut på att låta datorn hitta mönster i stora mängder data utan specifika instruktioner från en mänsklig användare. Man kan svara på frågor som ”Varför händer detta?”, ”Vad kommer hända om dessa trender fortsätter?” och ”Vad är det bästa som kan hända?”.

bi_evolution

Figur 1: Illustration över stegen du kan ta till högre analytisk mogenhet.

Möjligheter med prediktiv analys

Möjligheterna med prediktiv analys är många och tillämpningarna kan variera mellan olika branscher. Gemensamt är att analyserna görs målmedvetet, med ett specifikt problem att lösa. Det handlar ofta om att fylla i saknade data, som till exempel när en kund kan förväntas hoppa av, eller att förutsäga kundens livstidsvärde. Några branschspecifika tillämpningar kan vara till exempel:

  • Marknadsföring: Korrekt bearbetning av nya kunder genom att automatiskt klassificera dem baserat på beteendemönster.
  • HR: Identifiera anställda som är på väg att sluta och sätt in stimulerande åtgärder.
  • E-handel: Om en kund köpt en produkt, ge förslag på andra produkter de sannolikt är intresserade av.
  • Finans: Bedöma sannolikheten för att en transaktion är bedräglig.
  • Prenumerationer: Förutsäg när en kund får slut på en viss produkt.
  • Industri: Förutse när svaga enheter i ett system kommer att fallera.
  • Logistik: Beräkna sannolikheter för att transporter har ledig kapacitet vid en viss plats en viss tidpunkt…

… och många, många fler. En ytterligare fördel är att man med analytiska modeller kan inkludera ostrukturerade data som till exempel sociala medieflöden för att prediktionerna ännu bättre. Effekterna blir att man får bättre underlag för att utveckla förebyggande strategier och undvika stora kostnader.

Hur börjar jag?

Det finns en hel del self-service verktyg på marknaden för de som vill grotta ner sig i sin data och bygga egna analytiska modeller; Välkända verktyg som SPSS, SAS och RapidMiner för att nämna några. Kanske också din BI-lösning har inbyggda verktyg för data mining, med mer eller mindre snygga presentationsmöjligheter. Det går att skaffa sig mycket insikt för den som har tid och energi att lägga på det.

En dedikerad dataanalytiker använder ofta verktyg som R eller Python för att bygga egna modeller och skaffa mer kontroll över analysprocessen. En data scientist kan designa infrastrukturen som krävs för att analysera stora datamängder och bemästrar alla steg i en strukturerad analysprocess, från ansamling och uppstädning av data, till urval och design av lämpliga prediktiva modeller, till statistisk kontroll och tolkning av resultaten, för att slutligen presentera och visualisera insikterna i ett format anpassat till den specifika intressenten.

Vi kan hjälpa dig att maximera värdet av din data genom att låsa upp möjligheterna med prediktiv analys och se till att processen sköts på rätt sätt för att få ut tillitbara insikter som kan driva rätt beslut och maximera affärsnyttan av din data.

Vill du veta mer om dina möjligheter så föreslår vi att du gör en intresseanmälan för vårt frukostseminarium om Prediktiv Analys.