Hvad er Predictive Analytics?
Predictive Analytics er en gren af avancerede analyser, der laver forudsigelser om fremtidige hændelser, adfærd og resultater.
Oversigt over prognoseanalyse
Predictive analytics hjælper virksomheder med at se ind i fremtiden og kigge rundt om hjørner med en rimelig grad af nøjagtighed. Denne evne har altid vaeret vigtig – men den har aldrig vaeret så kritisk, som den er lige nu. Virksomhederne har måttet navigere i store handels- og forsyningskædeafbrydelser, pludselige stigninger (eller nosediver) i efterspørgslen, helt nye risici og udfordringer og generelt uchartrede farvande. Det er derfor, at prædiktive analyser har skudt til toppen af prioriteringslister for organisationer over hele verden.
Definition af prognoseanalyse
Predictive Analytics er en gren af avancerede analyser, der laver forudsigelser om fremtidige hændelser, adfærd og resultater. Det bruger statistiske teknikker – herunder maskinindlæringsalgoritmer og sofistikeret prognosemodellering – til at analysere aktuelle og historiske data og vurdere sandsynligheden for, at noget vil finde sted, selvom noget ikke er på en virksomheds radar.
Predictive analytics er relevant for de fleste brancher og har utallige anvendelser, herunder:
Reduktion af medarbejder- og kundeafgang
Identifikation af kunder, der med størst sandsynlighed vil misligholde betalinger
Understøtter databaseret salgsprognose
Indstiller optimal prisfastsættelse
Sporing af, hvornår maskiner skal vedligeholdes eller udskiftes
Actionable, præcise forudsigelser er afgørende for at hjælpe beslutningstagere med at navigere i en verden, hvor hurtige forandringer og markedsvolatilitet er konstanter. Og selv om det var sandt før COVID-19, er evnen til at pivotere og forudsige og planlægge for flere mulige scenarier nu mere kritisk end nogensinde.
Prognoseanalyser har også spillet en central rolle i kampen mod COVID-19. Hospitaler og sundhedssystemer bruger prognosemodeller til at måle risici, forudsige sygdomsresultater og administrere forsyningskæder for medicinsk udstyr og personlige værnemidler. Til gengæld bruger forskerne modeller til at kortlægge spredningen af virusset, forudsige antallet af tilfælde og styre kontaktopsporing, alle med det formål at reducere antallet af infektioner og dødsfald.
Prognoseanalyser, som vist ovenfor, kan hjælpe virksomheder med at forudse pengestrømme.
Predictive vs. præskriptive analyser
Efter opbygning og implementering af prognosemodeller, der genererer nøjagtige, rettidige forudsigelser – hvad er det næste? Mange virksomheder ser præskriptive analyser som det næste logiske trin.
Predictive analytics hjælper dig med at finde ud af, hvad der sandsynligvis vil ske næste gang, mens præskriptive analyser kan fortælle dig, hvad du skal gøre ved det – eller hvordan du kan opnå et bedre resultat, hvis du gjorde X, Y eller Z. Denne type avancerede analyser bygger på prædiktive analyser og tager mange, mange forskellige faktorer i betragtning for at foreskrive den bedst mulige fremgangsmåde eller beslutning.
Præskriptive analyser beskrives ofte som "sidste fase af forretningsanalyser". Det er også det mest komplekse og relativt nye – der i øjeblikket sidder på toppen af Gartners Hype Cycle for Analytics og Business Intelligence 2020.
Predictive Analytics i dag
Ifølge en undersøgelse fra Allied Market Research forventes det globale marked for prædiktiv analyse at nå op på 35,45 mia. USD i 2027 og vokse med en samlet årlig vækstrate (CAGR) på 21,9 %. Predictive analytics er virkelig kommet til sin ret i nutidens verden, hvor der genereres enorme mængder data, computere har eksponentielt hurtigere processorkraft, og software er blevet mere interaktiv og nemmere at bruge.
Virksomheder indsamler ikke kun enorme mængder data, de indsamler mange forskellige typer - fra traditionelle strukturerede data til ustrukturerede data som Internet of Things (IoT), tekst, video og mørke data. Prædiktive analysers evne til at kombinere og analysere big data fra forskellige kilder giver mere præcise prognoser og giver indsigt, der er dybere og kraftigere. Skyen er nøglen til at forbinde alle disse forskellige datakilder – plus, at lagring af data i cloud-baserede datalagre og søer er mere omkostningseffektivt og mere skalerbart end at lagre dem på stedet.
Dagens prædiktive analyser er også "udvidet" med kunstig intelligens (AI) teknologier som maskinindlæring, dyb læring og neurale netværk. Disse udvidede analyser kan analysere store mængder data hurtigt, afsløre indsigter, som mennesker kan gå glip af, og gøre forudsigelse af sandsynligheden for fremtidige hændelser mere nuanceret og mere præcis. De automatiserer også komplicerede trin i prognoseanalyseprocessen, såsom opbygning og test af prognosemodeller. Og naturlig sprogbehandling (NLP), en type AI, der lader brugerne stille spørgsmål og få svar i konversationssprog, gør tolkning og forståelse af disse svar lettere end nogensinde.
Historisk set har redskaberne og teknikkerne bag forudsigende analyser vaeret så avancerede – og så komplicerede – at kun dataforskere og professionelle analytikere har kunnet bruge dem effektivt. Men med augmented analytics kan erhvervsbrugere med minimal træning nu generere præcise forudsigelser og træffe smarte, fremadrettede beslutninger uden hjælp fra IT – en fordel, der ikke kan ignoreres på et stærkt konkurrencepræget marked.
Eksempler på prædiktive analyser
Prognoseanalyser er anvendelige og værdifulde for næsten alle brancher – fra finansielle tjenester til luftfart. Prognosemodeller bruges til prognosticering af lager, styring af ressourcer, fastsættelse af billetpriser, styring af udstyrsvedligeholdelse, udvikling af kreditrisikomodeller og meget mere. De hjælper virksomheder med at reducere risici, optimere driften og øge omsætningen.
Prognoseanalyser i HR
HR er et felt, der naturligvis sporer en stor mængde medarbejderdata. Med prædiktive analyser kan disse data analyseres for at afgøre, om en potentiel medarbejder sandsynligvis vil være et kulturelt fit, hvilke medarbejdere der risikerer at forlade en organisation (vist nedenfor), om en virksomhed skal opgradere en medarbejder eller ansætte for at udfylde kvalifikationshuller, og om medarbejdere bidrager produktivt til forretningsresultater. Disse evner betyder, at HR kan bidrage til overordnede forretningsresultater i stedet for at fungere som en isoleret funktion.
Prognoseanalyser i HR kan bruges til at forudsige medarbejderafgang.
Prognoseanalyser inden for sundhedssektoren
I nutidens verden er hospitaler og sundhedsorganisationer under et enormt pres for at maksimere ressourcerne – og forudsigende analyser gør det muligt. Ved hjælp af prædiktive analyser kan sundhedspersonale forbedre den økonomiske og operationelle beslutningstagning, optimere lager- og bemandingsniveauer, administrere deres forsyningskæder mere effektivt og forudsige vedligeholdelsesbehov for medicinsk udstyr. Prognoseanalyser gør det også muligt at forbedre de kliniske resultater ved at opdage tidlige tegn på forværring af patienten, identificere patienter, der risikerer at blive tilbagetrukket, og forbedre nøjagtigheden af patientdiagnosen og behandlingen.
Prognoseanalyse i detailhandel
Detailhandlere indsamler store mængder kundeoplysninger både online, såsom sporing af onlineaktivitet via cookies, og i den virkelige verden, såsom overvågning af, hvordan kunderne navigerer gennem en butik. Andre oplysninger, der spores, omfatter kundernes kontaktoplysninger på salgsstedet, deres aktivitet på sociale medier, hvad de har købt, og hvor ofte de køber bestemte varer eller besøger en butik. Ved hjælp af prædiktive analyser kan detailhandlere udnytte disse data til alt fra beholdningsoptimering og indtægtsprognoser til adfærdsanalyser, kundemålretning og afsløring af svindel.
Predictive analytics i marketing
De modeller, der genereres af prædiktive analyser, er yderst værdifulde for marketingfolk i at gøre deres kampagner mere målrettede og effektive i en verden, hvor kunderne kan bestille, hvad de ønsker, når de ønsker det, fra næsten overalt online. Predictive Marketing Analytics driver datadrevet kunde- og målgruppesegmentering, ny kundetilgang, leadscoring, indholds- og annonceanbefalinger og hyperpersonalisering. Marketingfolk kan bruge en kundes data til at sende dem kampagner, annoncekampagner og forslag til andre produkter, de kan lide, på det helt rigtige tidspunkt, hvilket forbedrer kundeoplevelsen og fastholdelsen.
Prognoseanalyser i forsyningskæde
Prognoseanalyser er blevet afgørende for at køre en smidig, robust forsyningskæde og undgå afbrydelser. Den analyserer massive datasæt fra mange forskellige kilder for at generere nøjagtige forsynings- og efterspørgselsprognoser, bestemme optimale beholdningsniveauer, forbedre logistik og rettidige leveringer, forudsige problemer med vedligeholdelse af udstyr, opdage og tilpasse sig uventede forhold – og meget mere.
Virksomheder, der anvender prognoseanalyser
Motor Oil Group er førende inden for råolieraffinering og salg af olieprodukter i hele Grækenland og den østlige del af Middelhavsområdet. Med understøttelse af prædiktive analysefunktioner udnyttede de sensordata til løbende at overvåge udstyrets tilstand og forudsige potentielle fejlfunktioner dage, før de sker. Resultaterne? De opnåede større end 77 % nøjagtighed ved at forklare unormale hændelser fra 120 til 20 timer i forvejen ved hjælp af grundårsagsanalyse af historiske data.
Ottogi Corporation er en af de største føde- og drikkevarevirksomheder i Korea og et globalt anerkendt mærke af karrypulver, instant nudler og mange andre produkter. Prognosticering af efterspørgslen med prædiktive analyser er en vigtig del af virksomheden, der informerer strategiske beslutninger for salg, marketing, produktion og finansielle afdelinger, hvilket giver mulighed for dyb indsigt i markedsandele og virksomheden.
Grundlæggende trin i prognoseanalyseprocessen
Den prædiktive analyseproces omfatter definition af et mål eller mål, indsamling og rensning af enorme mængder data og derefter opbygning af prognosemodeller ved hjælp af sofistikerede prognosealgoritmer og teknikker. Denne traditionelt komplekse proces bliver mere automatiseret og mere tilgængelig for den gennemsnitlige forretningsbruger takket være nye AI-teknologier, men virksomheder kan stadig have brug for IT til at hjælpe i bestemte trin eller til at opbygge visse modeller.
I meget enkle vendinger er trinnene i prognoseanalyseprocessen som følger:
Trinnene i prognoseanalyseprocessen.
- Definer dit projekts mål. Hvad er det ønskede resultat? Hvilket problem forsøger du at løse? Det første trin er at definere dit projekts mål, leverancer, omfang og data, der kræves.
- Indsaml dine data. Saml alle de data, du har brug for, på ét sted. Inkluder forskellige typer aktuelle og historiske data fra forskellige kilder – fra transaktionssystemer og sensorer til call center-protokoller – for mere dybdegående resultater.
- Rens og forbered dine data. Rens, forbered og integrer dine data for at gøre dem klar til analyse. Fjern afvigelser og identifikation af manglende oplysninger for at forbedre kvaliteten af dit prognosesæt.
- Byg og test din model. Opbyg din prognosemodel, træn den på dit datasæt, og test den for at sikre nøjagtigheden. Det kan tage flere iterationer at generere en fejlfri model.
- Implementer din model. Implementer din prognosemodel, og anvend den til at arbejde på nye data. Få resultater og rapporter – og automatiser beslutningstagningen baseret på outputtet.
- Overvåg og præciser din model. Overvåg din model regelmæssigt for at kontrollere dens ydeevne og sikre, at den leverer de forventede resultater. Præciser og optimer din model efter behov.
Forudsig resultater med et tryk på en knap
Udforsk SAP Analytics Cloud – udvidede og prædiktive analyser i skyen.
Ideer, du ikke finder andre steder
Tilmeld dig en dosis business intelligence leveret direkte i din indbakke.