Vad är prediktiv analys?
Denna webbsida har maskinöversatts för att underlätta för dig. SAP ger inga garantier angående korrektheten eller fullständigheten av maskinöversättningen. Den ursprungliga engelska webbsidan hittar du genom att använda världskartan i det övre högra hörnet på denna sida.
Prediktiv analys hjälper företag att blicka in i framtiden och göra jämförelser med varandra med en rimlig grad av noggrannhet. Denna förmåga har alltid varit viktig – men den har aldrig varit så kritisk som den är just nu. Företagen har varit tvungna att navigera i stora handels- och försörjningskedjeavbrott, plötsliga spikar (eller nosediver) i efterfrågan, märka av nya risker och utmaningar och rent allmänt ochartrade vatten. Därför har prediktiva analyser nått högst upp på prioritetslistor för organisationer runt om i världen.
Definition av prediktiv analys
Prediktiv analys är en gren av avancerad analys som gör prognoser om framtida händelser, beteenden och utfall. Den använder statistiska tekniker – inklusive maskininlärningsalgoritmer och sofistikerad prediktiv modellering – för att analysera aktuella och historiska data och bedöma sannolikheten för att något kommer att ske, även om något inte finns på en affärs radar.
Prediktiv analys är relevant för de flesta branscher och har många användningsområden, inklusive:
- Minska medarbetar- och kundavhopp
- Identifiering av kunder som mest sannolikt kommer att fallera med betalningar
- Stöd för databaserad försäljningsprognos
- Inställning av optimal prissättning
- Uppföljning av när maskiner behöver underhållas eller ersättas
Utförbara, korrekta prognoser är avgörande för att hjälpa beslutsfattare att navigera i en värld där snabba förändringar och marknadsvolatilitet är konstanter. Och även om det var sant före covid-19 är möjligheten att pivotera och prognostisera och planera för flera möjliga scenarier nu mer kritisk än någonsin.
Prediktiva analyser har också spelat en nyckelroll i kampen mot covid-19. Sjukhus och hälso- och sjukvårdssystem använder prediktiva modeller för att mäta risker, förutsäga sjukdomsutfall och hantera försörjningskedjor för medicinsk utrustning och personlig skyddsutrustning. Forskarna använder i sin tur modeller för att kartlägga virusets spridning, förutsäga fallnummer och hantera kontaktspårning, allt med målet att minska antalet smittade och döda.
Prediktiv analys kan, som visas ovan, hjälpa företag att förutse likviditetsflödet.
Prediktiv kontra normativ analys
När du har skapat och implementerat prediktiva modeller som genererar korrekta prognoser i rätt tid – vad händer nu? Många företag ser normativa analyser som nästa logiska steg.
Prediktiva analyser hjälper dig att avgöra vad som sannolikt händer härnäst, medan normativa analyser kan tala om för dig vad du ska göra åt det – eller hur du skulle kunna uppnå ett bättre resultat om du gjorde X, Y eller Z. Den här typen av avancerade analyser bygger på förutsägande analyser och tar många, många olika faktorer i beaktande för att förskriva bästa möjliga handlingssätt eller beslut.
Receptativa analyser beskrivs ofta som den sista fasen av affärsanalys. Det är också det mest komplexa och relativt nya – just nu sittande på toppen av Gartners Hype Cycle for Analytics and Business Intelligence 2020.
Prediktiv analys idag
Enligt en studie från Allied Market Research beräknas den globala prediktiva analysmarknaden nå 35,45 miljarder dollar fram till 2027, och växa med en sammansatt årlig tillväxttakt (CAGR) på 21,9 procent. Prediktiva analyser har verkligen kommit till sin rätt i dagens värld, där enorma datamängder genereras, datorer har exponentiellt snabbare processorkraft och mjukvara har blivit mer interaktiv och lättare att använda.
Företag samlar inte bara in enorma mängder data, de samlar in många olika typer – från traditionella strukturerade data till ostrukturerade data som Internet of Things (IoT), text, video och mörka data. Möjligheten för förutsägande analyser att kombinera och analysera Big Data från olika källor ger mer exakta prognoser och insikter om ytor som är djupare och mer kraftfulla. Molnet är nyckeln till att koppla samman alla dessa olika datakällor – plus att lagra data i molnbaserade datalager och sjöar är mer kostnadseffektivt och mer skalbart än att lagra dem på premise.
Dagens prediktiva analyser är också “förstärkta” med artificiell intelligens (AI)-teknik som maskininlärning, djupinlärning och neurala nätverk. Dessa förstärkta analyser kan analysera stora datavolymer snabbt, avslöja insikter som människor kan missa och göra sannolikheten för framtida händelser mer nyanserad och mer korrekt. De automatiserar även komplicerade steg i den prediktiva analysprocessen, till exempel generering och testning av prediktiva modeller. Och naturlig språkbearbetning (NLP), en typ av AI som låter användare ställa frågor och få svar på konversationsspråk, gör det lättare än någonsin att tolka och förstå dessa svar.
Historiskt har verktygen och teknikerna bakom prediktiva analyser varit så sofistikerade – och så komplicerade – att endast datavetare och professionella analytiker har kunnat använda dem effektivt. Men med utökade analyser kan företagsanvändare med minimal utbildning nu skapa korrekta prognoser och fatta smarta och framåtblickande beslut utan hjälp från IT – en fördel som inte kan ignoreras på en hårt konkurrensutsatt marknad.
Exempel på prediktiv analys
Prediktiv analys är tillämplig och värdefull för nästan alla branscher – från finansiella tjänster till rymdfart. Prediktiva modeller används för att prognostisera lager, hantera resurser, ange biljettpriser, hantera utrustningsunderhåll, utveckla kreditriskmodeller och mycket mer. De hjälper företag att minska risker, optimera verksamheten och öka intäkterna.
Prediktiv analys i HR
HR är ett fält som naturligtvis spårar en stor mängd persondata. Med förutsägande analyser kan data analyseras för att avgöra om en potentiell anställd sannolikt kommer att vara en kulturell passform, vilka anställda som riskerar att lämna en organisation (visas nedan), om ett företag behöver uppgradera en anställd eller anställa för att fylla kompetensbrister och om de anställda produktivt bidrar till verksamhetsresultaten. Dessa förmågor innebär att HR kan bidra till övergripande verksamhetsresultat snarare än fungera som en isolerad funktion.
Prediktiva analyser i HR kan användas för att förutse personalavhopp.
Prediktiv analys inom hälso- och sjukvård
I dagens värld är sjukhusen och vårdorganisationerna hårt pressade att maximera resurserna – och förutsägande analyser gör det möjligt. Med hjälp av förutsägande analyser kan hälso- och sjukvårdstjänstemän förbättra det ekonomiska och operativa beslutsfattandet, optimera lager- och bemanningsnivåer, hantera sina försörjningskedjor mer effektivt och förutse underhållsbehov för medicinsk utrustning. Prediktiva analyser gör det också möjligt att förbättra kliniska resultat genom att upptäcka tidiga tecken på patientförsämring, identifiera patienter som löper risk för återtagande och förbättra noggrannheten i patientens diagnos och behandling.
Prediktiv analys i Retail
Återförsäljare samlar in enorma mängder kundinformation både online, som att spåra online-aktiviteter via cookies, och i den verkliga världen, som att övervaka hur kunder navigerar genom en butik. Annan information som spåras inkluderar kundernas kontaktuppgifter på försäljningsstället, deras sociala medieaktivitet, vad de har köpt och hur ofta de köper specifika artiklar eller besöker en butik. Med prediktiv analys kan handlarna dra nytta av dessa data för allt från lageroptimering och intäktsprognoser till beteendeanalys, kundorientering och upptäckt av bedrägerier.
Prediktiv analys i marknadsföring
De modeller som genereras av förutsägande analyser är oerhört värdefulla för marknadsförare när det gäller att göra deras kampanjer mer riktade och effektiva i en värld där kunderna kan beställa vad de vill, när de vill, från nästan var som helst på nätet. Prediktiv marknadsföringsanalys driver datadriven kund- och målgruppssegmentering, nyförvärv, poängsättning av leads, innehåll och annonseringsrekommendationer samt hyperpersonanpassning. Marknadsförare kan använda en kunds data för att mata in kampanjer, annonskampanjer och förslag för andra produkter som de kan tycka om vid rätt tidpunkt, vilket förbättrar kundupplevelsen och bibehållandet.
Prediktiv analys i försörjningskedjan
Prediktiva analyser har blivit nödvändiga för att driva en smidig, motståndskraftig försörjningskedja och undvika störningar. Den analyserar massiva dataset från många olika källor för att generera exakta prognoser för tillgång och efterfrågan, bestämma optimala lagernivåer, förbättra logistik och punktliga leveranser, förutse problem med utrustningsunderhåll, upptäcka och anpassa till oväntade villkor – och mycket mer.
Företag som använder prediktiv analys
Motor Oil Group är ett branschledande företag inom raffinering av råolja och försäljning av petroleumprodukter i Grekland och östra medelhavsområdet. Med hjälp av prediktiva analysfunktioner samlade de in sensordata för att kontinuerligt övervaka utrustningens skick och förutse potentiella funktionsfel flera dagar i förväg. Resultatet? De uppnådde mer än 77 % korrekthet när det gällde att förklara onormala händelser från 120 till 20 timmar i förväg med användning av grundorsaksanalys av historiska data.
Ottogi Corporation är ett av de största livsmedels- och dryckesföretagen i Korea och ett globalt välrenommerat varumärke för currypulver, snabbnudlar och många andra produkter. Prognostisering av efterfrågan med prediktiv analys är en viktig del av verksamheten och ger underlag för strategiska beslut för avdelningar inom försäljning, marknadsföring, tillverkning och ekonomi med djupgående insikter om marknadsandelar och verksamheten.
Grundläggande steg i den prediktiva analysprocessen
Den prediktiva analysprocessen går ut på att definiera ett mål, samla in och rensa massiva datamängder och sedan skapa prediktiva modeller med hjälp av sofistikerade prediktiva algoritmer och tekniker. Denna traditionellt komplexa process blir mer automatiserad och mer tillgänglig för den genomsnittliga företagsanvändaren tack vare ny AI-teknik, men företag kan fortfarande behöva IT för att hjälpa till i vissa steg eller för att bygga vissa modeller.
Stegen i den prediktiva analysprocessen är följande:
Stegen i den prediktiva analysprocessen.
- Definiera ditt projekts mål. Vilket är det önskade resultatet? Vilket problem försöker ni lösa? Det första steget är att definiera projektets mål, leverabler, omfattning och data som behövs.
- Samla in dina data. Samla in alla data du behöver på ett ställe. Ta med olika typer av aktuella och historiska data från en mängd olika källor – från transaktionssystem och sensorer till Call Center-loggar – för mer djupgående resultat.
- Rensa och förbered dina data. Rensa, förbered och integrera dina data för analys. Ta bort avvikande värden och identifiera saknad information för att förbättra kvaliteten på ditt prediktiva dataset.
- Bygg och testa din modell. Skapa din prediktiva modell, träna den i ditt dataset och testa den för att säkerställa att den är korrekt. Det kan krävas flera iterationer för att generera en felfri modell.
- Implementera din modell. Implementera din prediktiva modell så att den kan arbeta med nya data. Få resultat och rapporter – och automatisera beslutsfattandet baserat på utdata.
- Övervaka och förfina din modell. Övervaka regelbundet din modell för att granska dess resultat och se till att den ger förväntade resultat. Precisera och optimera din modell efter behov.
Prognostisera resultat med en knapptryckning
Utforska SAP Analytics Cloud – utökade och prediktiva analyser i molnet.
SAP Insights nyhetsbrev
Prenumerera idag
Få viktiga insikter genom att prenumerera på vårt nyhetsbrev.