Naar inhoud gaan
Persoon die uit een raam kijkt

Wat is predictive analytics?    

Predictive analytics helpt bedrijven om met een redelijke mate van nauwkeurigheid naar de toekomst te kijken. Dit was altijd al belangrijk, maar nog nooit was het zo essentieel als nu. Bedrijven kregen te maken met grote verstoringen in de handel en toeleveringsketen, plotselinge pieken (of terugval) in de vraag, compleet nieuwe risico's en uitdagingen, en in het algemeen met onbekend terrein. Daarom staan voorspellende analyses bovenaan de prioriteitenlijstjes van organisaties wereldwijd.

Predictive analytics helpt bedrijven om met een redelijke mate van nauwkeurigheid naar de toekomst te kijken. Dit was altijd al belangrijk, maar nog nooit was het zo essentieel als nu. Bedrijven kregen te maken met grote verstoringen in de handel en toeleveringsketen, plotselinge pieken (of terugval) in de vraag, compleet nieuwe risico's en uitdagingen, en in het algemeen met onbekend terrein. Daarom staan voorspellende analyses bovenaan de prioriteitenlijstjes van organisaties wereldwijd.

Definitie van predictive analytics

Predictive analytics (voorspellende analyses) is een tak van geavanceerde analytics die voorspellingen doet over toekomstige gebeurtenissen, gedragingen en resultaten. Hierbij wordt gebruikgemaakt van statistische technieken, waaronder algoritmen voor machine learning en geavanceerde voorspellende modellen, om huidige en historische data te analyseren en de kans in te schatten dat er iets zal gebeuren: ook dingen die niet eens op de radar van een bedrijf staan. 

Predictive analytics is relevant voor de meeste sectoren en heeft vele toepassingen, waaronder:

  • Vermindering van personeels- en klantverloop
  • Identificatie van klanten die het meest waarschijnlijk in gebreke blijven bij betalingen
  • Ondersteuning van op data gebaseerde verkoopprognoses
  • Optimale prijsstelling
  • Bijhouden wanneer machines onderhoud nodig hebben of vervangen moeten worden

Praktische, nauwkeurige voorspellingen zijn van essentieel belang om beslissers te helpen door een wereld te laveren die wordt gekenmerkt door snelle veranderingen en een zeer volatiele markt. En hoewel dit ook vóór COVID-19 al speelde, is tijdens de pandemie de mogelijkheid om meerdere scenario's af te wegen en te voorspellen, en om hiervoor te plannen, belangrijker dan ooit.

Predictive analytics wordt ook gebruikt in de strijd tegen COVID-19. Ziekenhuizen en gezondheidssystemen gebruiken voorspellende modellen om risico's in te schatten, ziekte-uitkomsten te voorspellen en toeleveringsketens voor medische apparatuur en persoonlijke beschermingsmiddelen te beheren. Op hun beurt gebruiken onderzoekers modellen om de verspreiding van het virus in kaart te brengen, het aantal besmettingen te voorspellen en contactonderzoek te beheren, met als doel het aantal infecties en sterfgevallen te verminderen. 

Predictive analytics, zoals hierboven aangegeven, kan bedrijven helpen inspelen op de cashflow.

Predictive analytics (voorspellende analyses) is een tak van geavanceerde analytics die voorspellingen doet over toekomstige gebeurtenissen, gedragingen en resultaten. Hierbij wordt gebruikgemaakt van statistische technieken, waaronder algoritmen voor machine learning en geavanceerde voorspellende modellen, om huidige en historische data te analyseren en de kans in te schatten dat er iets zal gebeuren: ook dingen die niet eens op de radar van een bedrijf staan. 

Predictive analytics is relevant voor de meeste sectoren en heeft vele toepassingen, waaronder:

  • Vermindering van personeels- en klantverloop
  • Identificatie van klanten die het meest waarschijnlijk in gebreke blijven bij betalingen
  • Ondersteuning van op data gebaseerde verkoopprognoses
  • Optimale prijsstelling
  • Bijhouden wanneer machines onderhoud nodig hebben of vervangen moeten worden

Praktische, nauwkeurige voorspellingen zijn van essentieel belang om beslissers te helpen door een wereld te laveren die wordt gekenmerkt door snelle veranderingen en een zeer volatiele markt. En hoewel dit ook vóór COVID-19 al speelde, is tijdens de pandemie de mogelijkheid om meerdere scenario's af te wegen en te voorspellen, en om hiervoor te plannen, belangrijker dan ooit.

Predictive analytics wordt ook gebruikt in de strijd tegen COVID-19. Ziekenhuizen en gezondheidssystemen gebruiken voorspellende modellen om risico's in te schatten, ziekte-uitkomsten te voorspellen en toeleveringsketens voor medische apparatuur en persoonlijke beschermingsmiddelen te beheren. Op hun beurt gebruiken onderzoekers modellen om de verspreiding van het virus in kaart te brengen, het aantal besmettingen te voorspellen en contactonderzoek te beheren, met als doel het aantal infecties en sterfgevallen te verminderen. 

Predictive analytics, zoals hierboven aangegeven, kan bedrijven helpen inspelen op de cashflow.

Predictive analytics, de stand van zaken

Volgens een onderzoek van Allied Market Research zal de wereldwijde markt voor predictive analytics in 2027 naar verwachting uitkomen op 35,45 miljard dollar, met een jaarlijks groeipercentage (CAGR) van 21,9%. Predictive analytics heeft echt bestaansrecht in de wereld van vandaag, waarin enorme hoeveelheden data worden gegenereerd, computers een exponentieel snellere verwerkingskracht hebben en software interactiever en gemakkelijker is geworden.

 

Bedrijven verzamelen niet alleen enorme hoeveelheden data, maar ook allerlei verschillende soorten data, van traditionele gestructureerde data tot ongestructureerde data zoals Internet of Things- (IoT), tekst-, video- en dark data. Dat predictive analytics big data uit verschillende bronnen kan combineren en analyseren leidt tot nauwkeurigere prognoses en diepere en krachtigere inzichten. Om al deze verschillende databronnen met elkaar te kunnen verbinden is de cloud is essentieel. Bovendien is opslag van data in datawarehouses en datalakes in de cloud rendabeler en schaalbaarder dan on-premise opslag.

 

Predictive analytics is tegenwoordig ook 'uitgebreid' met technologieën voor kunstmatige intelligentie (AI), zoals machine learning, deep learning en neurale netwerken. Deze zogenaamde augmented analytics kan snel grote hoeveelheden data analyseren, inzichten aan het licht brengen die mensen wellicht ontgaan, en meer nuance en verfijning aanbrengen in de voorspelling van kansen op toekomstige gebeurtenissen. Bovendien kunnen met augmented analytics gecompliceerde stappen in het proces voor predictive analytics worden geautomatiseerd, zoals het bouwen en testen van voorspellende modellen. Daarnaast maakt natuurlijke-taalverwerking (NLP), een soort AI die gebruikers in staat stelt vragen te stellen en antwoorden te krijgen in gewone mensentaal, het interpreteren en begrijpen van deze antwoorden makkelijker dan ooit.

Van oorsprong zijn de tools en technieken achter voorspellende analyses zo geavanceerd en zo ingewikkeld dat alleen datawetenschappers en professionele analisten er effectief gebruik van konden maken. Maar met augmented analytics kunnen zakelijke gebruikers nu met minimale training nauwkeurige voorspellingen genereren en slimme, toekomstgerichte beslissingen nemen zonder hulp van IT. Dit is een voordeel dat we zeker niet mogen negeren in deze sterk concurrerende markt. 

Volgens een onderzoek van Allied Market Research zal de wereldwijde markt voor predictive analytics in 2027 naar verwachting uitkomen op 35,45 miljard dollar, met een jaarlijks groeipercentage (CAGR) van 21,9%. Predictive analytics heeft echt bestaansrecht in de wereld van vandaag, waarin enorme hoeveelheden data worden gegenereerd, computers een exponentieel snellere verwerkingskracht hebben en software interactiever en gemakkelijker is geworden.

 

Bedrijven verzamelen niet alleen enorme hoeveelheden data, maar ook allerlei verschillende soorten data, van traditionele gestructureerde data tot ongestructureerde data zoals Internet of Things- (IoT), tekst-, video- en dark data. Dat predictive analytics big data uit verschillende bronnen kan combineren en analyseren leidt tot nauwkeurigere prognoses en diepere en krachtigere inzichten. Om al deze verschillende databronnen met elkaar te kunnen verbinden is de cloud is essentieel. Bovendien is opslag van data in datawarehouses en datalakes in de cloud rendabeler en schaalbaarder dan on-premise opslag.

 

Predictive analytics is tegenwoordig ook 'uitgebreid' met technologieën voor kunstmatige intelligentie (AI), zoals machine learning, deep learning en neurale netwerken. Deze zogenaamde augmented analytics kan snel grote hoeveelheden data analyseren, inzichten aan het licht brengen die mensen wellicht ontgaan, en meer nuance en verfijning aanbrengen in de voorspelling van kansen op toekomstige gebeurtenissen. Bovendien kunnen met augmented analytics gecompliceerde stappen in het proces voor predictive analytics worden geautomatiseerd, zoals het bouwen en testen van voorspellende modellen. Daarnaast maakt natuurlijke-taalverwerking (NLP), een soort AI die gebruikers in staat stelt vragen te stellen en antwoorden te krijgen in gewone mensentaal, het interpreteren en begrijpen van deze antwoorden makkelijker dan ooit.

Van oorsprong zijn de tools en technieken achter voorspellende analyses zo geavanceerd en zo ingewikkeld dat alleen datawetenschappers en professionele analisten er effectief gebruik van konden maken. Maar met augmented analytics kunnen zakelijke gebruikers nu met minimale training nauwkeurige voorspellingen genereren en slimme, toekomstgerichte beslissingen nemen zonder hulp van IT. Dit is een voordeel dat we zeker niet mogen negeren in deze sterk concurrerende markt. 

Voorbeelden van predictive analytics

Predictive analytics is toepasbaar en waardevol voor vrijwel elke sector, van de financiële dienstverlening tot de lucht- en ruimtevaart. Voorspellende modellen worden gebruikt om voorraad te voorspellen, resources te beheren, ticketprijzen te bepalen, apparaatonderhoud te beheren, kredietrisicomodellen te ontwikkelen en nog veel meer. Ze helpen bedrijven risico's te beperken, activiteiten te optimaliseren en de omzet te verhogen.

 

Predictive analytics in HR

 

Bij HR worden uiteraard heel veel personeelsdata bijgehouden. Met voorspellende analyses van deze data kan worden bepaald of een potentiële werknemer waarschijnlijk past in de bedrijfscultuur, welke werknemers waarschijnlijk de organisatie zullen verlaten (zie hieronder), of een bedrijf een werknemer moet bijscholen of nieuwe mensen moet aannemen om hiaten in competenties op te vullen en of werknemers een productieve bijdrage leveren aan de bedrijfsresultaten. Dit betekent dat HR een duidelijke bijdrage kan leveren aan de algemene bedrijfsresultaten, en niet alleen een op zichzelf staande functie heeft.

Predictive analytics in HR kan worden gebruikt om personeelsverloop te voorspellen.

Predictive analytics in de gezondheidszorg

 

Tegenwoordig staan ziekenhuizen en zorgorganisaties onder enorme druk om hun middelen te maximaliseren, en predictive analytics maakt dit mogelijk. Dankzij predictive analytics kunnen zorgmanagers de financiële en operationele besluitvorming verbeteren, de voorraad en het personeelsbestand optimaliseren, hun supply chains efficiënter beheren en onderhoudsbehoeften voor medische apparatuur voorspellen. Ook de klinische resultaten kunnen verbeteren door predictive analytics. Het kan vroege tekenen van verslechtering van de patiënt herkennen, aangeven welke patiënten waarschijnlijk weer moeten worden opgenomen en een nauwkeurigere diagnose stellen zodat de patiënt een betere behandeling krijgt. 

 

Predictive analytics in retail

 

Retailers verzamelen enorme hoeveelheden klantinformatie. Enerzijds online, bijvoorbeeld door online activiteiten bij te houden met cookies. Anderzijds in de echte wereld, bijvoorbeeld door te monitoren hoe klanten door een winkel lopen. Verder worden contactgegevens van klanten op het verkooppunt bijgehouden, evenals hun activiteit op sociale media, wat ze hebben gekocht en hoe vaak ze specifieke items kopen of een winkel bezoeken. Met behulp van predictive analytics kunnen retailers die data voor van alles gebruiken, van voorraadoptimalisatie en omzetprognoses tot gedragsanalyses, klanttargeting en fraudedetectie.

 

Predictive analytics in marketing

 

De modellen die door predictive analytics worden gegenereerd, zijn uiterst waardevol voor marketeers om hun campagnes gerichter en effectiever te maken in een wereld waarin klanten bijna overal online alles kunnen bestellen wat ze maar willen. Predictive analytics voor marketing is de drijvende kracht achter datagestuurde klant- en doelgroepsegmentatie, werving van nieuwe klanten, leadscoring, content- en advertentieaanbevelingen en hyperpersonalisatie. Marketeers kunnen op basis van klantdata op het juiste moment aanbiedingen, advertentiecampagnes en suggesties voor andere producten die ze misschien interessant vinden aan de klanten presenteren, waardoor de klantervaring en klantenbinding worden verbeterd. 

 

Predictive analytics in de supply chain

 

Predictive analytics is inmiddels essentieel om een flexibele, veerkrachtige supply chain te runnen en verstoringen te voorkomen. Op basis van de analyse van enorme datasets uit allerlei verschillende bronnen worden accurate vraag- en aanbodprognoses gegenereerd, optimale voorraadniveaus bepaald, de logistiek verbeterd waardoor producten op tijd worden geleverd, problemen in apparatuuronderhoud worden voorspeld, onverwachte omstandigheden worden gedetecteerd en erop wordt ingespeeld, en nog veel meer.

Predictive analytics is toepasbaar en waardevol voor vrijwel elke sector, van de financiële dienstverlening tot de lucht- en ruimtevaart. Voorspellende modellen worden gebruikt om voorraad te voorspellen, resources te beheren, ticketprijzen te bepalen, apparaatonderhoud te beheren, kredietrisicomodellen te ontwikkelen en nog veel meer. Ze helpen bedrijven risico's te beperken, activiteiten te optimaliseren en de omzet te verhogen.

 

Predictive analytics in HR

 

Bij HR worden uiteraard heel veel personeelsdata bijgehouden. Met voorspellende analyses van deze data kan worden bepaald of een potentiële werknemer waarschijnlijk past in de bedrijfscultuur, welke werknemers waarschijnlijk de organisatie zullen verlaten (zie hieronder), of een bedrijf een werknemer moet bijscholen of nieuwe mensen moet aannemen om hiaten in competenties op te vullen en of werknemers een productieve bijdrage leveren aan de bedrijfsresultaten. Dit betekent dat HR een duidelijke bijdrage kan leveren aan de algemene bedrijfsresultaten, en niet alleen een op zichzelf staande functie heeft.

Predictive analytics in HR kan worden gebruikt om personeelsverloop te voorspellen.

Predictive analytics in de gezondheidszorg

 

Tegenwoordig staan ziekenhuizen en zorgorganisaties onder enorme druk om hun middelen te maximaliseren, en predictive analytics maakt dit mogelijk. Dankzij predictive analytics kunnen zorgmanagers de financiële en operationele besluitvorming verbeteren, de voorraad en het personeelsbestand optimaliseren, hun supply chains efficiënter beheren en onderhoudsbehoeften voor medische apparatuur voorspellen. Ook de klinische resultaten kunnen verbeteren door predictive analytics. Het kan vroege tekenen van verslechtering van de patiënt herkennen, aangeven welke patiënten waarschijnlijk weer moeten worden opgenomen en een nauwkeurigere diagnose stellen zodat de patiënt een betere behandeling krijgt. 

 

Predictive analytics in retail

 

Retailers verzamelen enorme hoeveelheden klantinformatie. Enerzijds online, bijvoorbeeld door online activiteiten bij te houden met cookies. Anderzijds in de echte wereld, bijvoorbeeld door te monitoren hoe klanten door een winkel lopen. Verder worden contactgegevens van klanten op het verkooppunt bijgehouden, evenals hun activiteit op sociale media, wat ze hebben gekocht en hoe vaak ze specifieke items kopen of een winkel bezoeken. Met behulp van predictive analytics kunnen retailers die data voor van alles gebruiken, van voorraadoptimalisatie en omzetprognoses tot gedragsanalyses, klanttargeting en fraudedetectie.

 

Predictive analytics in marketing

 

De modellen die door predictive analytics worden gegenereerd, zijn uiterst waardevol voor marketeers om hun campagnes gerichter en effectiever te maken in een wereld waarin klanten bijna overal online alles kunnen bestellen wat ze maar willen. Predictive analytics voor marketing is de drijvende kracht achter datagestuurde klant- en doelgroepsegmentatie, werving van nieuwe klanten, leadscoring, content- en advertentieaanbevelingen en hyperpersonalisatie. Marketeers kunnen op basis van klantdata op het juiste moment aanbiedingen, advertentiecampagnes en suggesties voor andere producten die ze misschien interessant vinden aan de klanten presenteren, waardoor de klantervaring en klantenbinding worden verbeterd. 

 

Predictive analytics in de supply chain

 

Predictive analytics is inmiddels essentieel om een flexibele, veerkrachtige supply chain te runnen en verstoringen te voorkomen. Op basis van de analyse van enorme datasets uit allerlei verschillende bronnen worden accurate vraag- en aanbodprognoses gegenereerd, optimale voorraadniveaus bepaald, de logistiek verbeterd waardoor producten op tijd worden geleverd, problemen in apparatuuronderhoud worden voorspeld, onverwachte omstandigheden worden gedetecteerd en erop wordt ingespeeld, en nog veel meer.

Bedrijven die predictive analytics gebruiken

AG Real Estate: AG Real Estate, de grootste vastgoedgroep van België, gebruikt voorspellende analyses om nauwkeuriger het gedrag van het winkelpubliek te voorspellen. Door data uit bronnen zoals camera's in het winkelcentrum, weersvoorspellingen en financiële gegevens te combineren, kan het bedrijf de ervaringen van klanten verbeteren en ervoor zorgen dat de winkelcentra van de groep concurrerend blijven in dit tijdperk van e-commerce.

 

Rainforest Connection: tot 90% van de houtkap in het regenwoud is illegaal. Rainforest Connection probeert illegale ontbossing te stoppen door met oude mobiele telefoons die in bomen zijn geplaatst geluiden op te nemen, en nauwkeurig te voorspellen wanneer illegale houtkap begint door de geluiden die de dieren maken te analyseren.

AG Real Estate: AG Real Estate, de grootste vastgoedgroep van België, gebruikt voorspellende analyses om nauwkeuriger het gedrag van het winkelpubliek te voorspellen. Door data uit bronnen zoals camera's in het winkelcentrum, weersvoorspellingen en financiële gegevens te combineren, kan het bedrijf de ervaringen van klanten verbeteren en ervoor zorgen dat de winkelcentra van de groep concurrerend blijven in dit tijdperk van e-commerce.

 

Rainforest Connection: tot 90% van de houtkap in het regenwoud is illegaal. Rainforest Connection probeert illegale ontbossing te stoppen door met oude mobiele telefoons die in bomen zijn geplaatst geluiden op te nemen, en nauwkeurig te voorspellen wanneer illegale houtkap begint door de geluiden die de dieren maken te analyseren.

Basisstappen in het proces voor predictive analytics

Het proces van predictive analytics omvat verschillende stappen: de definitie van een doel of doelstelling, het verzamelen en opschonen van enorme hoeveelheden data en vervolgens het bouwen van voorspellende modellen met behulp van geavanceerde voorspellende algoritmen en technieken. Dit van oudsher complexe proces wordt steeds meer geautomatiseerd en daarmee toegankelijker voor de gemiddelde zakelijke gebruiker dankzij nieuwe AI-technologieën. Desondanks zullen sommige bedrijven misschien nog IT nodig hebben bij bepaalde stappen of om bepaalde modellen te bouwen.

 

Heel eenvoudig gezegd omvat het proces van predictive analytics de volgende stappen:

De basisstappen in het proces voor predictive analytics.

Diagram met de stappen in het proces voor predictive analytics
  1. Definieer de doelstellingen van je project. Wat is het gewenste resultaat? Welk probleem probeer je op te lossen? In de eerste stap definieer je de doelstellingen, de te leveren resultaten, de scope en de benodigde data voor het project.
  2. Verzamel je data. Verzamel alle data die je nodig hebt op één plaats. Neem verschillende soorten actuele en historische data uit allerlei bronnen op, van transactiesystemen en sensoren tot callcenterlogs, zodat je uitgebreidere resultaten krijgt. 
  3. Schoon je data op en bereid ze voor. Schoon je data op, bereid ze voor en integreer ze zodat ze kunnen worden geanalyseerd. Verwijder afwijkende waarden en identificeer ontbrekende informatie om de kwaliteit van je voorspellende dataset te verbeteren.
  4. Bouw en test je model. Bouw je voorspellingsmodel, train het op je dataset en test het om de nauwkeurigheid ervan te garanderen. Het kan nodig zijn om dit een aantal keer te doen voordat je model foutloos werkt.
  5. Implementeer je model. Implementeer je voorspellingsmodel en pas het toe op nieuwe data. Ontvang resultaten en rapporten en automatiseer besluitvorming op basis van de uitvoer.
  6. Controleer en verfijn het model. Controleer regelmatig hoe het model presteert en of het de verwachte resultaten oplevert. Verfijn en optimaliseer je model indien nodig.

Het proces van predictive analytics omvat verschillende stappen: de definitie van een doel of doelstelling, het verzamelen en opschonen van enorme hoeveelheden data en vervolgens het bouwen van voorspellende modellen met behulp van geavanceerde voorspellende algoritmen en technieken. Dit van oudsher complexe proces wordt steeds meer geautomatiseerd en daarmee toegankelijker voor de gemiddelde zakelijke gebruiker dankzij nieuwe AI-technologieën. Desondanks zullen sommige bedrijven misschien nog IT nodig hebben bij bepaalde stappen of om bepaalde modellen te bouwen.

 

Heel eenvoudig gezegd omvat het proces van predictive analytics de volgende stappen:

De basisstappen in het proces voor predictive analytics.

Diagram met de stappen in het proces voor predictive analytics
  1. Definieer de doelstellingen van je project. Wat is het gewenste resultaat? Welk probleem probeer je op te lossen? In de eerste stap definieer je de doelstellingen, de te leveren resultaten, de scope en de benodigde data voor het project.
  2. Verzamel je data. Verzamel alle data die je nodig hebt op één plaats. Neem verschillende soorten actuele en historische data uit allerlei bronnen op, van transactiesystemen en sensoren tot callcenterlogs, zodat je uitgebreidere resultaten krijgt. 
  3. Schoon je data op en bereid ze voor. Schoon je data op, bereid ze voor en integreer ze zodat ze kunnen worden geanalyseerd. Verwijder afwijkende waarden en identificeer ontbrekende informatie om de kwaliteit van je voorspellende dataset te verbeteren.
  4. Bouw en test je model. Bouw je voorspellingsmodel, train het op je dataset en test het om de nauwkeurigheid ervan te garanderen. Het kan nodig zijn om dit een aantal keer te doen voordat je model foutloos werkt.
  5. Implementeer je model. Implementeer je voorspellingsmodel en pas het toe op nieuwe data. Ontvang resultaten en rapporten en automatiseer besluitvorming op basis van de uitvoer.
  6. Controleer en verfijn het model. Controleer regelmatig hoe het model presteert en of het de verwachte resultaten oplevert. Verfijn en optimaliseer je model indien nodig.

Predictive versus prescriptive analytics

Wat is de volgende stap na het bouwen en implementeren van een voorspellend model dat accurate, tijdige voorspellingen genereert? Voor veel bedrijven is prescriptive analytics de logische volgende stap.

 

Predictive analytics helpt je te bepalen wat er waarschijnlijk verder gaat gebeuren, terwijl prescriptive analytics je kan vertellen wat je eraan moet doen, of hoe je een beter resultaat kunt bereiken als je X, Y of Z zou doen. Dergelijke geavanceerde analyses bouwen voort op predictive analytics en houden rekening met heel veel verschillende factoren om de best mogelijke koers voor een vervolgactie of beslissing voor te schrijven.

 

Prescriptive analytics wordt vaak omschreven als de 'laatste fase van business analytics'. Het is ook een relatief nieuwe en de meest complexe fase, die hooggenoteerd staat in Gartners Hype Cycle for Analytics and Business Intelligence 2020.

Wat is de volgende stap na het bouwen en implementeren van een voorspellend model dat accurate, tijdige voorspellingen genereert? Voor veel bedrijven is prescriptive analytics de logische volgende stap.

 

Predictive analytics helpt je te bepalen wat er waarschijnlijk verder gaat gebeuren, terwijl prescriptive analytics je kan vertellen wat je eraan moet doen, of hoe je een beter resultaat kunt bereiken als je X, Y of Z zou doen. Dergelijke geavanceerde analyses bouwen voort op predictive analytics en houden rekening met heel veel verschillende factoren om de best mogelijke koers voor een vervolgactie of beslissing voor te schrijven.

 

Prescriptive analytics wordt vaak omschreven als de 'laatste fase van business analytics'. Het is ook een relatief nieuwe en de meest complexe fase, die hooggenoteerd staat in Gartners Hype Cycle for Analytics and Business Intelligence 2020.

Voorspel resultaten met één druk op een knop

Maak kennis met SAP Analytics Cloud, augmented en predictive analytics in de cloud.

SAP Insights nieuwsbrief

Meld je vandaag nog aan

Meld je aan voor onze nieuwsbrief en krijg belangrijke inzichten.

Meld je vandaag nog aan

Meld je aan voor onze nieuwsbrief en krijg belangrijke inzichten.

Meer lezen

Terug naar boven