Prediktiv analys

Vad är prediktiv analys?

Predictive Analytics är en del av de 4 typerna av dataanalys. Prediktiv analys är ett område inom data mining som är relaterat till den övergripande förutsägelsen av framtida sannolikheter och trender. Här används historiska data, maskininlärning och AI för att förutsäga vad som kommer att hända i framtiden. Ett teknikverktyg för business intelligence producerar en prediktiv poäng som ger information om vilka åtgärder kunderna bör vidta. Historiska data matas in i en matematisk algoritm som letar efter trender och mönster i datan och skapar en modell för den. Modellen tillämpas sedan på aktuella data för att förutsäga vad som kommer att hända härnäst.

I grunden svarar prediktiv analys på frågan "Vad är mest sannolikt att hända baserat på mina aktuella data, och vad kan jag göra för att förändra det resultatet?" Ett försäkringsbolag kommer till exempel sannolikt att ta hänsyn till potentiella trafiksäkerhetsfaktorer som ålder, kön och tidigare körningar när de distribuerar bilförsäkringar. Prediktiv analys kan hjälpa organisationer att identifiera de mest effektiva marknadsföringskampanjerna och webbplatsbeteendena för att öka kundresponsen, konverteringarna och klicken samt minska avbrotten.

Vad används prediktiv analys till?

Prediktiv analys kan ge slutanvändarna insikter och föreslå åtgärder som direkt påverkar verksamheten, intäkterna och riskbedömningen. Det gäller affärsapplikationer för ett brett spektrum av användningsfall i olika branscher. Några scenarier inkluderar:

• Minska kundbortfallet: En försäljningsapplikation med prediktiv analys kan analysera vanliga kundbeteenden och varna säljarna när en kund sannolikt kommer att lämna företaget. Riktade kampanjer kan då sättas in på ett effektivt sätt.
• Upptäcka bedrägerier: Inom finanssektorn hjälper prediktiv analys till att identifiera potentiellt bedrägligt beteende innan det inträffar. Banker kan förutse uteblivna lån, godkänna krediter eller upptäcka misstänkta aktiviteter.
• Minska stilleståndstiden för maskiner: Prediktiv analys kan förbättra produktionskapaciteten och minska stilleståndstiden genom att analysera historiska data och onlinedata från produktionslinjer.
• Flaggning av högriskpatienter inom sjukvården: Sjukhus och läkare kan identifiera högriskpatienter som ska prioriteras för screening och rekommendera förebyggande behandlingar. Detta leder också till färre återinläggningar på sjukhus.

Så här kommer du igång med prediktiv analys

För många applikationsteam kan prediktiv analys börja som ett enstaka exempel för att bevisa att det kan tillföra värde till deras applikation, öka användarnöjdheten och bevisa avkastning på investeringen för företaget. Oavsett skälen är stegen i stort sett desamma.

1. Identifiera ett problem som ska lösas:

Varje fråga inom prediktiv analys bör erbjuda ett mätbart och tydligt värde. PADS-ramverket kan hjälpa dig att identifiera en fråga som löser kritiska affärsbehov. PADS står för: Förhindra problem, hjälpa människor, upptäcka problem och effektivisera tjänster.

2. Välj och förbered dina data:

För att kunna köra prediktiva analysmodeller behöver du ett dataset som kan generera insikter. I de flesta fall använder du både historiska data, som används för att träna din prediktiva algoritm hur den ska förutsäga ett resultat, och nya data, där framtida förutsägelser görs. De flesta applikationsteam lagrar historiska och nya data i separata databaser. Men om du har en databas för alla dina datauppsättningar kan du använda ett tidsfilter (till exempel sex månader) på historiska data och ett sista dagen- eller sista veckan-filter för att förutsäga nya data.

3. Involvera andra:

Börja med organisationens intressenter, inklusive alla chefer eller teamledare som behöver stödja projektet. När intressenterna blir förespråkare kan de hjälpa till att marknadsföra initiativet till andra, se till att du får de tvärfunktionella data du behöver och skapa förutsättningar för långsiktig framgång för ditt projekt.

4. Välj dina prediktiva analysmodeller:

Vilken modell för prediktiv analys du väljer beror på vilken fråga du ställer. De flesta frågor om prediktiv analys kommer att använda en av dessa fem vanliga modeller:

• Klassificeringsmodell: Den prediktiva klassificeringsmodellen svarar på en ja/nej-fråga. Till exempel: Är den här kunden på väg att byta kund? Kommer det här lånet att godkännas? Är det här en bedräglig transaktion?
• Klustringsmodell: Denna modell är användbar för att sortera datapunkter i grupper. Du kanske t.ex. vill hitta den grupp kunder i din databas som är mest benägna att vara missnöjda. Du kan behöva sortera dem ytterligare i kategorier baserat på de problem som de sannolikt upplever. Klustringsmodellen kan snabbt sortera dessa individer med en hög grad av noggrannhet.
• Prognosmodell: Den här modellen förutspår siffror - till exempel hur många kunder som sannolikt kommer att konvertera inom en viss vecka, hur många supportsamtal ditt callcenter kommer att få per timme och hur mycket lager du bör ha.
• Outliers-modellen: Den här modellen belyser avvikelser i dina data. Den kan till exempel registrera en ökning av antalet supportsamtal, vilket kan tyda på ett produktfel som kan leda till en återkallelse. Den kan hitta avvikande data i ett försäkringsanspråk och hitta ett exempel på bedrägeri. Den kan till och med hitta ovanlig information i dina NetOps-loggar och upptäcka tecken på förestående oplanerade driftstopp.
• Modell för tidsserier: En tidsserie är en sekvens av datapunkter som registreras i rätt ordning. Det kan till exempel vara antalet dagliga samtal under de senaste tre månaderna, försäljningen under de senaste 20 kvartalen och antalet patienter som besökt ett visst sjukhus under de senaste sex veckorna. Tidsserier är ett kraftfullt sätt att förstå hur ett mått utvecklas över tiden och är ofta mer exakta än andra modeller som inte tar hänsyn till tid som ett mått.

5. Minska klyftan mellan insikter och åtgärder:

Många lösningar för prediktiv analys misslyckas med att ge slutanvändarna egenmakt. De levererar insikter, men berättar inte för användarna vad de ska göra med informationen - än mindre låta dem vidta åtgärder utan att lämna applikationen. Denna koppling slösar bort tid och avbryter användarnas arbetsflöden. För ett prediktivt analysprojekt måste du tänka hårt på att inte bara leverera informationen, utan också ge dina användare möjlighet att agera på den. Hur kan du göra informationen användbar? Först måste du se till att den når rätt personer. Sedan bör du föreslå nästa steg baserat på informationen, och helst låta användarna vidta åtgärder utan att lämna applikationen.

6. Bygga prototyper:

Börja med något enkelt och ge det till dina slutanvändare och intressenter för betatest. Dessa kommer att vara de första användarna av din produkt, och deras feedback kommer att forma riktningen för din prediktiva analyslösning.

7. Iterera regelbundet:

I takt med att projektet utvecklas ska du kontinuerligt samarbeta med testgruppen för att se hur arbetet fortskrider och ta in ny feedback.