Hva er prediktiv analyse?
Prediktiv analyse er en gren av avanserte analyser som gjør prognoser om fremtidige hendelser, atferd og resultater.
Oversikt over prediksjonsanalyse
Prediktiv analyse hjelper bedrifter med å se på fremtiden og peer rundt 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. Bedrifter har måttet navigere gjennom store handels- og forsyningskjedeforstyrrelser, plutselige pigger (eller nosediver) i etterspørsel, helt nye risikoer og utfordringer, og generelt uchartrede farvann. Derfor har prediktiv analyse skutt til toppen av prioritetslistene for organisasjoner over hele verden.
Prognoseanalysedefinisjon
Prediktiv analyse er en gren av avanserte analyser som gjør prognoser om fremtidige hendelser, atferd og resultater. Den bruker statistiske teknikker – inkludert maskinlæringsalgoritmer og sofistikert prediktiv modellering – til å analysere aktuelle og historiske data og vurdere sannsynligheten for at noe vil finne sted, selv om noe ikke er på en bedrifts radar.
Prediktiv analyse er relevant for de fleste bransjer og har utallige bruksområder, inkludert:
Redusere tap av medarbeidere og kunder
Identifisere kunder som sannsynligvis vil bruke betalinger som standard
Støtter databasert salgsprognostisering
Innstilling av optimal prisfastsetting
Sporing når maskiner må vedlikeholdes eller skiftes ut
Aktuelle, nøyaktige prognoser er avgjørende for å hjelpe beslutningstakere med å navigere i en verden der raske endringer og markedsvolatilitet er konstante. Og selv om det var sant før COVID-19, er muligheten til å svinge og prognostisere og planlegge for flere mulige scenarier nå mer kritisk enn noensinne.
Prediktiv analyse 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 forskere modeller for å kartlegge spredningen av viruset, forutsi antall tilfeller, og administrere kontaktsporing, alle med mål om å redusere infeksjonstall og dødsfall.
Prognoserende analyser, som vist ovenfor, kan hjelpe bedrifter med å forutse kontantstrøm.
Prognoserende vs. reseptpliktig analyse
Etter bygging og utrulling av prognosemodeller som genererer nøyaktige prognoser til rett tid – hva er det neste? Mange bedrifter ser på preskriptive analyser som det neste logiske trinnet.
Prediktiv analyse hjelper deg med å finne ut hva som sannsynligvis vil skje neste gang, mens preskriptive analyser kan fortelle deg hva du skal gjøre med det – eller hvordan du kan oppnå et bedre resultat hvis du gjorde X, Y eller Z. Denne typen avansert analyse bygger på prediktiv analyse og tar mange, mange forskjellige faktorer med i beregningen for å foreskrive best mulig handlingsplan eller beslutning.
Prescriptive analyser blir ofte beskrevet som "siste fase av forretningsanalyse". Det er også det mest komplekse og relativt nye – for tiden sitter på toppen av Gartners Hype Cycle for Analytics og Business Intelligence 2020.
Prognoserende analyse i dag
Ifølge en studie fra Allied Market Research, er det globale prediktiv analysemarkedet anslått til å nå US$ 35,45 milliarder innen 2027, og vokser med en sammensatt årlig vekstrate (CAGR) på 21,9%. Prediktive analyser har virkelig kommet i sin egen i dagens verden, der massive mengder data genereres, datamaskiner har eksponentielt raskere prosesseringskraft, og programvare har blitt mer interaktiv og enklere å bruke.
Bedrifter samler ikke bare store mengder data, de samler mange forskjellige typer – fra tradisjonelle strukturerte data til ustrukturerte data som Internett of Things (IoT), tekst, video og mørke data. Muligheten for prediktiv analyse til å kombinere og analysere Big Data fra ulike kilder gir mer nøyaktige prognoser og overflater innsikt som er dypere og kraftigere. Skyen er nøkkelen til å koble sammen alle disse ulike datakildene – pluss at lagring av data i skybaserte datalagre og innsjøer er mer kostnadseffektivt og mer skalerbart enn å lagre dem på stedet.
Dagens prediktiv analyse er også "utvidet" med kunstig intelligens (AI) teknologier som maskinlæring, dyp læring og nevrale nettverk. Disse utvidede analysene kan analysere store mengder data raskt, avsløre innsikt som mennesker kan gå glipp av, og gjøre prognosen for fremtidige hendelser mer nyansert og mer nøyaktig. De automatiserer også kompliserte trinn i prognoseanalyseprosessen, for eksempel bygging og testing av prognosemodeller. Og naturlig språkbehandling (NLP), en type AI som lar brukerne stille spørsmål og få svar på samtalespråk, gjør tolking og forståelse av disse svarene enklere enn noensinne.
Historisk har verktøyene og teknikkene bak prediktiv analyse vært så sofistikerte – og så kompliserte – at bare 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 – et fortrinn som ikke kan ignoreres i et sterkt konkurransepreget marked.
Eksempler på prediktiv analyse
Prediktiv analyse er relevant og verdifull for nesten alle bransjer – fra finansielle tjenester til romfart. Prognosemodeller brukes til prognostisering av beholdning, administrasjon av ressurser, fastsettelse av billettpriser, administrasjon av utstyrsvedlikehold, utvikling av kredittrisikomodeller og mye mer. De hjelper bedrifter med å redusere risiko, optimalisere driften og øke inntektene.
Prognoserende analyse i HR
HR er et felt som naturlig sporer en stor mengde persondata. Med prognoseanalyse kan disse dataene analyseres for å fastslå om en potensiell ansatt sannsynligvis er kulturell skikket, hvilke ansatte som risikerer å forlate en organisasjon (vist nedenfor), om et firma må kvalifisere en ansatt eller ansette for å fylle ferdighetshull, og om ansatte bidrar produktivt til forretningsresultatene. 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 medarbeideravgang.
Prognoserende analyse i helsevesenet
I dagens verden er sykehus og helseorganisasjoner under et enormt press for å maksimere ressursene – og prediktiv analyse gjør det mulig. Ved hjelp av prediktiv analyse kan helsepersonell forbedre økonomiske og operasjonelle beslutninger, optimalisere lager- og bemanningsnivåer, administrere forsyningskjeden mer effektivt og forutsi vedlikeholdsbehov for medisinsk utstyr. Prediktiv analyse gjør det også mulig å forbedre kliniske resultater ved å oppdage tidlige tegn på forverring av pasienten, identifisere pasienter med risiko for tilbaketrekking, og forbedre nøyaktigheten av pasientdiagnose og behandling.
Prognoserende analyse i detaljhandel
Detaljister samler store mengder kundeinformasjon både på nettet, for eksempel sporing av nettaktivitet via informasjonskapsler, og i den virkelige verden, for eksempel overvåking av hvordan kunder navigerer seg gjennom en butikk. Annen informasjon som spores inkluderer kundenes kontaktinformasjon på salgsstedet, deres aktivitet på sosiale medier, hva de har kjøpt, og hvor ofte de kjøper bestemte varer eller besøker en butikk. Ved hjelp av prediktiv analyse kan detaljister utnytte disse dataene for alt fra beholdningsoptimalisering og inntektsprognoser til atferdsanalyser, målretting mot kunder og gjenkjenning av svindel.
Prognoserende analyse i markedsføring
Modellene generert av prediktiv analyse er svært verdifulle for markedsførere i å gjøre sine kampanjer mer målrettede og effektive i en verden der kundene kan bestille det de vil, når de vil, fra nesten hvor som helst på nettet. Prognosemarkedsføringsanalyser fremmer datadrevet segmentering av kunder og målgrupper, ny kundeanskaffelse, poengberegning for lead, innhold og annonseanbefalinger og hyperpersontilpasning. Markedsførere kan bruke en kundes data til å mate dem kampanjer, annonsekampanjer og forslag til andre produkter de kanskje liker til rett tid, og forbedre kundeopplevelsen og oppbevaring.
Prognoserende analyse i forsyningskjede
Prognoserende analyser har blitt avgjørende for å kjøre en smidig, robust forsyningskjede og unngå avbrudd. Den analyserer massive datasett fra mange ulike kilder for å generere nøyaktige forsynings- og behovsprognoser, fastsette optimale beholdningsnivåer, forbedre logistikk og punktlige leveringer, forutsi utstyrsvedlikeholdsproblemer, oppdage og tilpasse seg uventede forhold – og mye mer.
Firmaer som bruker prediksjonsanalyse
Motor Oil Group er en industrileder innen råoljeraffinering og salg av petroleumsprodukter over hele Hellas og den østlige delen av Middelhavet. Med støtte for forutsigbare analysefunksjoner utnyttet de sensordata for kontinuerlig å overvåke utstyrets helse og forutsi potensielle funksjonsfeil dager før de skjer. Resultatene? De oppnådde mer enn 77 % nøyaktighet når det gjaldt å forklare unormale hendelser fra 120 til 20 timer på forhånd ved å bruke årsaksanalyser av historiske data.
Ottogi Corporation er en av de største mat- og drikkevarebedriftene i Korea og et globalt anerkjent merke av curry-pulver, hurtignudler og mange andre produkter. Prognostisering av etterspørsel med prediktiv analyse er en viktig del av virksomheten, og informerer strategiske beslutninger for salgs-, markedsførings-, produksjons- og økonomiavdelinger som gir dyp innsikt i markedsandeler og virksomheten.
Grunnleggende trinn i prognoseanalyseprosessen
Den prediktive analyseprosessen innebærer å definere et mål eller et mål, samle inn og rense massive mengder data, og deretter bygge prognosemodeller ved hjelp av sofistikerte prediktive algoritmer og teknikker. Denne tradisjonelt komplekse prosessen blir mer automatisert og mer tilgjengelig for den gjennomsnittlige forretningsbrukeren takket være nye AI-teknologier, men bedrifter kan fortsatt trenge IT for å hjelpe i visse trinn eller til å bygge visse modeller.
Trinnene i prognoseanalyseprosessen er svært enkle og er som følger:
Trinnene i prognoseanalyseprosessen.
- Definer prosjektets mål. Hva er ønsket resultat? Hvilket problem prøver du å løse? Det første trinnet er å definere prosjektets mål, leveringer, omfang og nødvendige data.
- Samle inn dataene dine. Samle alle dataene du trenger på ett sted. Inkluder ulike typer aktuelle og historiske data fra en rekke kilder – fra transaksjonssystemer og sensorer til callsenterlogger – for mer dyptgående resultater.
- Rengjør og klargjør dataene dine. Rengjør, klargjør og integrer dataene for å gjøre dem klare for analyse. Fjern avvikende verdier og identifiser manglende informasjon for å forbedre kvaliteten på prognosedatasettet.
- Bygg og test modellen. Bygg prognosemodellen, lær den opp på datasettet og test den for å sikre nøyaktigheten. Det kan ta flere iterasjoner for å generere en feilfri modell.
- Rull ut modellen din. Distribuer prognosemodellen og legg den til rette for å arbeide med nye data. Få resultater og rapporter – og automatiser beslutningstaking basert på resultatet.
- Overvåk og presiser modellen. Overvåk modellen regelmessig for å gjennomgå ytelsen og sikre at den gir de forventede resultatene. Begrens og optimaliser modellen etter behov.
Forutsi resultater med et trykk på en knapp
Utforsk SAP Analytics Cloud – utvidet og prediktiv analyse i skyen.
Ideer du ikke finner noe annet sted
Registrer deg for en dose Business Intelligence levert rett til innboksen din.