Hva er prediksjonsanalyse?
Denne websiden er maskinoversatt for å hjelpe deg. SAP kan ikke garantere at maskinoversettelsen er riktig eller fullstendig oversatt. Den opprinnelige engelske nettsiden finner du ved å bruke verdenskartet i øvre høyre hjørne av denne siden.
Prediksjonsanalyser hjelper bedrifter med å se på fremtidige og likestilte hjørner med en rimelig grad av nøyaktighet. Denne evnen har alltid vært viktig – men den har aldri vært like kritisk som den er akkurat nå. Selskaper har måttet navigere i store handels- og forsyningskjedeforstyrrelser, plutselige pigger (eller nosediger) i etterspørsel, merkevare nye risikoer og utfordringer, og generelt uchartete farvann. Det er grunnen til at prediksjonsanalyser har skutt til toppen av prioritetslister for organisasjoner over hele verden.
Prognoseanalysedefinisjon
Prediksjonsanalyse er en gren av avanserte analyser som gjør prognoser om fremtidige hendelser, atferder og resultater. Den bruker statistiske teknikker – inkludert maskinlæringsalgoritmer og avansert prognosemodellering – til å analysere aktuelle og historiske data og vurdere sannsynligheten for at noe vil finne sted, selv om noe ikke er på en forretningsradar.
Prediksjonsanalyse er relevant for de fleste bransjer og har myriad-bruk, inkludert:
- Redusere medarbeider- og kundeavgang
- Identifisere kunder som sannsynligvis vil bruke betalinger som standard
- Støtter databasert salgsprognose
- Innstilling av optimal prisfastsetting
- Sporing når maskiner vil trenge vedlikehold eller erstatning
Aktuelle, nøyaktige prognoser er avgjørende for å hjelpe beslutningstakere til å navigere i en verden der rask endring og markedsvolatilitet er konstanter. Og mens det var sant før COVID-19, er nå muligheten til å pivotere og planlegge for flere mulige scenarioer mer kritisk enn noensinne.
Prediksjonsanalyse har også spilt en nøkkelrolle i kampen mot COVID-19. Sykehus og helsesystemer bruker prediktive modeller for å måle risiko, forutsi sykdomsutfall og administrere forsyningskjeder for medisinsk utstyr og PPE. I sin tur bruker forskerne modeller for å kartlegge spredningen av viruset, forutsi sakstall og administrere kontaktsporing, alle med mål om å redusere antall infeksjoner og dødsfall.
Prediksjonsanalyser, som vist ovenfor, kan hjelpe bedrifter med å forutse kontantstrøm.
Prediktiv versus beskrivende analyse
Etter å ha bygd og distribuert prognosemodeller som genererer nøyaktige, aktuelle prognoser – hva er det neste? Mange bedrifter ser på beskrivende analyser som neste logiske trinn.
Prediksjonsanalyser hjelper deg med å fastsette hva som sannsynligvis vil skje nå, mens vanlige analyser kan fortelle deg hva du skal gjøre om det – eller hvordan du kan oppnå et bedre resultat hvis du gjorde X, Y eller Z. Denne typen avansert analyse bygger på prediksjonsanalyse og tar mange, mange forskjellige faktorer i betraktning for å foreskrive den best mulige handlingsforløpet eller beslutningen.
Standardanalyser beskrives ofte som den "siste fasen av forretningsanalysen". Det er også den mest komplekse og relativt nye som for øyeblikket sitter på toppen av Gartners Hype Cycle for Analytics og Business Intelligence 2020.
Prediksjonsanalyse i dag
Ifølge en studie fra Allied Market Research er det globale markedet for prediktive analyser anslått til å nå 35,45 milliarder dollar innen 2027, og vokser med en sammensatt årlig vekstrate (CAGR) på 21,9 %. Prediksjonsanalyser har virkelig kommet inn i sin egen verden, hvor enorme mengder data blir generert, datamaskiner har eksponentielt raskere behandlingsevne, og programvare har blitt mer interaktiv og enklere å bruke.
Firmaer samler ikke bare inn store datavolumer, de samler inn mange forskjellige typer – fra tradisjonelle strukturerte data til ustrukturerte data som Internet of Things (IoT), tekst, video og mørke data. Muligheten for prediksjonsanalyser for å kombinere og analysere store data fra ulike kilder gir mer nøyaktige prognoser og overflater som er dypere og kraftigere. Skyen er nøkkelen for å koble sammen alle disse ulike datakildene – pluss at lagring av data i skybaserte datavarehus og innsjøer er mer kostnadseffektivt og mer skalerbart enn å lagre den på premiss.
Dagens prediksjonsanalyse er også "utvidet" med kunstig intelligensteknologi (AI) som maskinlæring, dyp læring og nevrale nettverk. Disse økte analysene kan analysere store datavolumer raskt, avsløre innsikter som mennesker kan gå glipp av, og forutsi sannsynligheten for at fremtidige hendelser blir mer nyansert og mer nøyaktig. De automatiserer også kompliserte trinn i prognoseanalyseprosessen, for eksempel bygging og testing av prognosemodeller. Naturlig språkbehandling (NLP), en type AI som lar brukere stille spørsmål og få svar på samtalespråk, gjør tolkning og forståelse av disse svarene lettere enn noensinne.
Historisk sett har verktøyene og teknikkene bak prediktive analyser blitt så sofistikerte – og så kompliserte – at kun dataforskere og profesjonelle analytikere har kunnet bruke dem effektivt. Men med utvidet analyse kan forretningsbrukere med minimal opplæring nå generere nøyaktige prognoser og ta smarte, fremtidsrettede beslutninger uten hjelp fra IT – en fordel som ikke kan ignoreres i et strengt konkurrerende marked.
Eksempler på prediksjonsanalyser
Prediksjonsanalyser gjelder og er verdifull for nesten alle bransjer – fra finansielle tjenester til romfart. Prognosemodeller brukes til å prognostisere lager, administrere ressurser, definere billettpriser, administrere utstyrsvedlikehold, utvikle kredittrisikomodeller og mye mer. De hjelper foretak med å redusere risiko, optimere operasjoner og øke inntektene.
Prediksjonsanalyse i HR
HR er et felt som naturlig sporer store mengder persondata. Med prediksjonsanalyser kan disse dataene analyseres for å avgjøre om en potensiell medarbeider sannsynligvis vil være en kulturell tilpasning, hvilke medarbeidere som risikerer å forlate en organisasjon (vist nedenfor), om et foretak må gjøre ferdighet overfor en ansatt eller ansette for å fylle kvalifikasjonshull, og om medarbeidere bidrar produktivt til forretningsresultater. Disse evnene betyr at HR kan bidra til generelle forretningsresultater i stedet for å fungere som en isolert funksjon.
Prognoserende analyser i HR kan brukes til å prognostisere medarbeiderkundeavgang.
Prediksjonsanalyse i helsevesenet
I dagens verden er sykehus og helseorganisasjoner under enormt press for å maksimere ressursene – og prediksjonsanalyser gjør det mulig. Ved hjelp av prediksjonsanalyser kan helsetjenestemenn forbedre finansiell og operativ beslutningstaking, optimalisere beholdnings- og bemanningsnivåer, administrere forsyningskjedene på en mer effektiv måte og forutsi vedlikeholdsbehov for medisinsk utstyr. Prediksjonsanalyser gjør det også mulig å forbedre kliniske resultater ved å oppdage tidlige tegn på forverring av pasienten, identifisere pasienter med risiko for lesning og forbedre nøyaktigheten i pasientdiagnose og -behandling.
Prediksjonsanalyse i detaljhandel
Detaljister samler inn store mengder kundeinformasjon både online, for eksempel sporing av onlineaktivitet via informasjonskapsler, og i den virkelige verden, for eksempel overvåking av hvordan kunder navigerer gjennom en butikk. Annen informasjon som spores, omfatter kundens kontaktopplysninger på salgsstedet, deres aktivitet på sosiale medier, hva de har kjøpt, og hvor ofte de kjøper bestemte posisjoner eller besøker en butikk. Ved hjelp av prediksjonsanalyse kan detaljister utnytte disse dataene for alt fra beholdningsoptimering og inntektsprognostisering til atferdsanalyse, shoppermålretting og svindelgjenkjenning.
Prediksjonsanalyse i markedsføring
Modellene som genereres av prediksjonsanalyser, er svært verdifulle for markedsførere når de skal gjøre kampanjene mer målrettede og effektive i en verden der kundene kan bestille det de ønsker, fra nesten hvor som helst på nettet. Prediksjonsmarkedsføringsanalyse fremmer datastyrt kunde- og publikumssegmentering, ny kundeanskaffelse, leadpoengberegning, innhold og annonseanbefalinger og hyperpersontilpasning. Markedsførere kan bruke en kundes data til å mate dem, reklamekampanjer og forslag til andre produkter de kanskje liker bare til riktig tid, og forbedre kundeopplevelsen og lagringen.
Prediksjonsanalyse i forsyningskjede
Prediksjonsanalyse har blitt avgjørende for å kjøre en smidig, motstandsdyktig forsyningskjede og unngå avbrudd. Den analyserer massive datasett fra mange forskjellige kilder for å generere nøyaktige forsynings- og behovsprognoser, fastsette optimale beholdningsnivåer, forbedre logistikk- og punktlige leveringer, forutsi problemer med vedlikehold av utstyr, oppdage og tilpasse seg uventede forhold – og mye mer.
Foretak som bruker prediksjonsanalyse
Motor Oil Group er industriledende innen raffinering av råolje og salg av petroleumsprodukter i Hellas og den østlige Middelhavsregionen. Støttet av prediktive analysefunksjoner utnyttet de sensordata for å kontinuerlig overvåke utstyrets helse og forutsi potensielle funksjonsfeil dager før de oppstår. Resultatene? De oppnådde mer enn 77 % nøyaktighet i å forklare unormale hendelser fra 120 til 20 timer i forveien ved å bruke rot-årsaksanalyse av historiske data.
Ottogi Corporation er et av de største mat- og drikkevareselskapene i Korea og et globalt anerkjent varemerke for curry pulver, hurtignudler og mange andre produkter. Prognosebehov med prediksjonsanalyse er en viktig del av virksomheten, og det informerer om strategiske beslutninger for salg, markedsføring, produksjon og økonomiavdelinger som gir dyp innsikt i markedsandelen og forretningen.
Grunnleggende trinn i prognoseanalyseprosessen
Prognoserende analyseprosessen innebærer å definere et mål eller en målsetting, samle inn og rense massive mengder data, og deretter bygge prognosemodeller ved hjelp av avanserte prognosealgoritmer og -teknikker. Denne tradisjonelt komplekse prosessen blir mer automatisert og mer tilgjengelig for gjennomsnittlig forretningsbruker takket være nye AI-teknologier, men det kan hende at bedrifter fortsatt trenger IT for å få hjelp i bestemte trinn eller for å bygge bestemte modeller.
Trinnene i prognoseanalyseprosessen er som følger:
Trinnene i prognoseanalyseprosessen.
- Definer prosjektets mål. Hva er det ønskede resultatet? Hvilket problem prøver du å løse? Det første trinnet er å definere prosjektets mål, leveringer, omfang og nødvendige data.
- Samle inn dataene dine. Samle inn alle dataene du trenger på ett sted. Inkludere ulike typer aktuelle og historiske data fra en rekke kilder – fra transaksjonssystemer og sensorer til callsenterprotokoller – for mer inngående resultater.
- Rens og klarer dataene dine. Rens, klargjør og integrer dataene dine for å gjøre dem klare til analyse. Fjern avvikende verdier og identifisering av manglende informasjon for å forbedre kvaliteten på prognosedatasettet.
- Bygg og test modellen. Bygg prognosemodellen, trening den på datasettet og test den for å sikre nøyaktigheten. Det kan ta flere iterasjoner for å generere en feilfri modell.
- Distribuer modellen din. Distribuer prognosemodellen din og plasser den for å arbeide med nye data. Få resultater og rapporter – og automatiser beslutningstaking basert på utdataene.
- Overvåk og presiser modellen. Overvåk modellen din regelmessig for å kontrollere ytelsen og sørge for at den gir de forventede resultatene. Begrens og optimer modellen etter behov.
Prognostisere resultater ved å trykke på en knapp
Utforsk SAP Analytics Cloud – utvidet og prognoserende analyse i skyen.
Nyhetsbrev for SAP Insights