Wat is predictive analytics?
Predictive analytics (voorspellende analyses) is een tak van geavanceerde analytics die voorspellingen doet over toekomstige gebeurtenissen, gedragingen en resultaten.
Overzicht van 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.
Definitie van predictive analytics
Predictive analytics is een tak van geavanceerde analytics die voorspellingen doet over toekomstige gebeurtenissen, gedragingen en resultaten. Het maakt gebruik van statistische technieken, waaronder machine learning-algoritmen en geavanceerde voorspellende modellering, om actuele en historische gegevens te analyseren en de waarschijnlijkheid te beoordelen dat er iets zal gebeuren, zelfs als dat iets niet op de radar van een bedrijf staat.
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
Bruikbare, nauwkeurige voorspellingen zijn essentieel om besluitvormers te helpen door een wereld te navigeren waarin snelle veranderingen en marktvolatiliteit constanten zijn. En hoewel dat vóór COVID-19 het geval was, is de mogelijkheid om te draaien en te voorspellen en te plannen voor meerdere mogelijke scenario's nu kritischer dan ooit.
Predictive analytics heeft ook een belangrijke rol gespeeld in de strijd tegen COVID-19. Ziekenhuizen en gezondheidszorgstelsels gebruiken voorspellende modellen om risico's te meten, ziekteresultaten te voorspellen en toeleveringsketens voor medische apparatuur en PBM te beheren. Op hun beurt gebruiken onderzoekers modellen om de verspreiding van het virus in kaart te brengen, casusaantallen te voorspellen en contacttracering te beheren, allemaal met als doel het aantal infecties en sterfgevallen te verminderen.
Predictive analytics, zoals hierboven aangegeven, kan bedrijven helpen inspelen op de cashflow.
Predictive versus prescriptive analytics
Wat is de volgende stap na het bouwen en implementeren van voorspellende modellen die nauwkeurige, tijdige voorspellingen genereren? Veel bedrijven zien prescriptive analytics als de volgende logische stap.
Predictive analytics helpt je te bepalen wat er waarschijnlijk gaat gebeuren, terwijl prescriptive analytics je kan vertellen wat je eraan kunt doen, of hoe je een beter resultaat kunt behalen als je X, Y of Z doet. Dit type geavanceerde analyses bouwt voort op predictive analytics en houdt rekening met veel verschillende factoren om de best mogelijke koers of beslissing voor te schrijven.
Prescriptive analytics wordt vaak omschreven als de "laatste fase van business analytics". Het is ook de meest complexe en relatief nieuwe – op dit moment op het hoogtepunt van Gartner’s Hype Cycle for Analytics and Business Intelligence 2020.
Predictive analytics, de stand van zaken
Volgens een onderzoek van Allied Market Research zal de wereldwijde markt voor predictive analytics tegen 2027 naar verwachting $35,45 miljard bedragen, met een samengestelde jaarlijkse groei (CAGR) van 21,9%. Predictive analytics is echt tot zijn recht gekomen in de huidige wereld, waar enorme hoeveelheden data worden gegenereerd, computers exponentieel snellere verwerkingskracht hebben en software interactiever en gebruiksvriendelijker is geworden.
Bedrijven verzamelen niet alleen enorme hoeveelheden data, maar ook verschillende soorten data, van traditionele gestructureerde data tot ongestructureerde data zoals Internet of Things (IoT), tekst, video en dark data. De mogelijkheid voor predictive analytics om Big Data uit verschillende bronnen te combineren en te analyseren, levert nauwkeurigere prognoses op en geeft inzichten weer die dieper en krachtiger zijn. De cloud is de sleutel tot het verbinden van al deze verschillende databronnen. Bovendien is het opslaan van data in cloudgebaseerde datawarehouse and lakes rendabeler en schaalbaarder dan on-premise opslaan.
Predictive analytics is tegenwoordig ook "augmented" met technologieën voor kunstmatige intelligentie (AI), zoals machine learning, deep learning en neurale netwerken. Deze augmented analytics kan grote hoeveelheden data snel analyseren, inzichten onthullen die mensen zouden kunnen missen en het voorspellen van de waarschijnlijkheid van toekomstige gebeurtenissen genuanceerder en nauwkeuriger maken. Ze automatiseren ook gecompliceerde stappen in het predictive analytics-proces, zoals het bouwen en testen van voorspellende modellen. En natural language processing (NLP), een type AI waarmee gebruikers vragen kunnen stellen en antwoorden kunnen krijgen in conversationele taal, maakt het eenvoudiger dan ooit om deze antwoorden te interpreteren en te begrijpen.
Historisch gezien zijn de tools en technieken achter predictive analytics zo geavanceerd en zo ingewikkeld dat alleen datawetenschappers en professionele analisten deze effectief hebben kunnen gebruiken. Maar met augmented analytics zijn zakelijke gebruikers met minimale training nu in staat om nauwkeurige voorspellingen te genereren en slimme, toekomstgerichte beslissingen te nemen zonder hulp van IT, een voordeel dat niet kan worden genegeerd in een 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
In de huidige wereld staan ziekenhuizen en zorgorganisaties onder enorme druk om de middelen te maximaliseren, en predictive analytics maakt dat mogelijk. Met predictive analytics kunnen gezondheidszorgmedewerkers de financiële en operationele besluitvorming verbeteren, de voorraad en het personeelsbestand optimaliseren, hun supply chains efficiënter beheren en de onderhoudsbehoeften voor medische apparatuur voorspellen. Predictive analytics maakt het ook mogelijk om klinische resultaten te verbeteren door vroege tekenen van verslechtering van de patiënt te detecteren, patiënten te identificeren met een risico op heropname en de nauwkeurigheid van de diagnose en behandeling van de patiënt te verbeteren.
Predictive analytics in retail
Retailers verzamelen enorme hoeveelheden klantinformatie, zowel online, zoals het volgen van online activiteiten via cookies, als in de echte wereld, zoals het monitoren hoe klanten hun weg door een winkel navigeren. Andere informatie die wordt bijgehouden, omvat de contactgegevens van klanten op het verkooppunt, hun sociale-media-activiteit, wat ze hebben gekocht en hoe vaak ze specifieke artikelen kopen of een winkel bezoeken. Met predictive analytics kunnen retailers die data gebruiken voor alles, van voorraadoptimalisatie en omzetprognoses tot gedragsanalyses, klanttargeting en fraudedetectie.
Predictive analytics in marketing
De modellen die worden gegenereerd door predictive analytics zijn uiterst waardevol voor marketeers in het doelgerichter en effectiever maken van hun campagnes in een wereld waarin klanten kunnen bestellen wat ze willen, wanneer ze willen, van bijna overal online. Voorspellende marketinganalyses stimuleren datagedreven klant- en doelgroepsegmentatie, nieuwe klantenwerving, leadscores, content- en advertentieaanbevelingen en hyperpersonalisering. Marketeers kunnen de gegevens van een klant gebruiken om hun promoties, advertentiecampagnes en suggesties voor andere producten die ze leuk vinden op het juiste moment te voeden, waardoor de klantervaring en klantenbinding worden verbeterd.
Predictive analytics in de supply chain
Predictive analytics is essentieel geworden voor het runnen van een flexibele, veerkrachtige supply chain en het voorkomen van verstoringen. Het analyseert enorme datasets uit veel verschillende bronnen om nauwkeurige vraag- en aanbodprognoses te genereren, optimale voorraadniveaus te bepalen, logistiek en tijdige leveringen te verbeteren, onderhoudsproblemen van apparatuur te voorspellen, onverwachte omstandigheden te detecteren en zich aan te passen, en nog veel meer.
Bedrijven die predictive analytics gebruiken
Motor Oil Group is een industrieleider op het gebied van ruwe olieraffinage en de verkoop van aardolieproducten in Griekenland en het oostelijke Middellandse Zeegebied. Met de ondersteuning van predictive analytics gebruikten ze sensordata om de gezondheid van apparatuur continu te bewaken en potentiële storingen te voorspellen dagen voordat ze zich voordoen. De resultaten? Zij bereikten meer dan 77% nauwkeurigheid in het verklaren van abnormale voorvallen van 120 tot 20 uur van tevoren met behulp van oorzakenanalyse van historische gegevens.
Ottogi Corporation is een van de grootste voedings- en drankenbedrijven in Korea en een wereldwijd bekend merk van currypoeder, instant noedels en vele andere producten. Het voorspellen van de vraag met voorspellende analyses is een essentieel onderdeel van het bedrijf en het informeren van strategische beslissingen voor de afdelingen verkoop, marketing, productie en financiën, waardoor diepgaande inzichten in het marktaandeel en het bedrijf mogelijk zijn.
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.
- Definieer de doelstellingen van je project. Wat is het gewenste resultaat? Welk probleem probeer je op te lossen? De eerste stap is het definiëren van de doelstellingen, deliverables, scope en vereiste gegevens van je project.
- Verzamel je gegevens. Verzamel alle gegevens die je nodig hebt op één plek. Neem verschillende soorten huidige en historische gegevens uit verschillende bronnen op – van transactiesystemen en sensoren tot callcenterlogs – voor meer diepgaande resultaten.
- Schoon je gegevens op en bereid ze voor. Schoon je data op, bereid ze voor en integreer ze om ze klaar te maken voor analyse. Verwijder afwijkende waarden en identificeer ontbrekende informatie om de kwaliteit van je voorspellende gegevensset te verbeteren.
- Bouw en test je model. Bouw je voorspellingsmodel, train het op je gegevensset en test het om de nauwkeurigheid ervan te garanderen. Het kan meerdere iteraties vereisen om een foutloos model te genereren.
- Implementeer je model. Implementeer je voorspellingsmodel en zet het aan de slag met nieuwe gegevens. Haal resultaten en rapporten op en automatiseer de besluitvorming op basis van de output.
- Bewaak en verfijn je model. Controleer je model regelmatig om de prestaties ervan te controleren en ervoor te zorgen dat het de verwachte resultaten levert. Verfijn en optimaliseer je model indien nodig.
Voorspel resultaten met een druk op de knop
Maak kennis met SAP Analytics Cloud, augmented en predictive analytics in de cloud.
Ideeën die u nergens anders zult vinden
Meld u aan voor een dosis business intelligence die rechtstreeks in uw inbox wordt bezorgd.