Vad är prediktiv analys?
Prediktiv analys är en gren av avancerad analys som gör förutsägelser om framtida händelser, beteenden och resultat.
Översikt över prediktiv analys
Prediktiv analys hjälper företag att se in i framtiden och arbeta med varandra runt hörn med en rimlig grad av noggrannhet. Denna förmåga har alltid varit viktig – men den har aldrig varit så kritisk som den är just nu. Företag har varit tvungna att navigera stora störningar i handels- och leveranskedjan, plötsliga spikar (eller nosedives) i efterfrågan, helt nya risker och utmaningar och totalt sett ochartrat vatten. Därför har prediktiv analys hamnat högst upp på prioritetslistan för organisationer runt om i världen.
Definition av prediktiv analys
Prediktiv analys är en gren av avancerad analys som gör förutsägelser om framtida händelser, beteenden och resultat. 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 ett företags radar.
Prediktiv analys är relevant för de flesta branscher och har många användningsområden, inklusive:
Minska personal- och kundbortfall
Identifiering av kunder som mest sannolikt kommer att fallera på betalningar
Stöd för databaserade försäljningsprognoser
Fastställande av optimal prissättning
Spårning när maskiner behöver underhållas eller bytas ut
Genomförbara och 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.
Prediktiv analys har också spelat en nyckelroll i kampen mot covid-19. Sjukhus och hälso- och sjukvårdssystem använder prediktiva modeller för att mäta risker, förutsäga sjukdomsresultat och hantera leveranskedjor 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 dödsfall.
Prediktiv analys, som visas ovan, kan hjälpa företag att förutse likviditetsflödet.
Prediktiv kontra preskriptiv analys
Efter att ha byggt och implementerat prediktiva modeller som genererar exakta, punktliga prognoser – vad är nästa steg? Många företag ser normativ analys som nästa logiska steg.
Prediktiv analys hjälper dig att avgöra vad som kan hända härnäst, medan normativa analyser kan berätta vad du kan göra åt det – eller hur du skulle kunna uppnå ett bättre resultat om du gjorde X, Y eller Z. Denna typ av avancerad analys bygger på prediktiv analys och tar hänsyn till många, många olika faktorer för att föreskriva bästa möjliga tillvägagångssätt eller beslut.
Preskriptiv analys beskrivs ofta som ”den sista fasen av affärsanalys”. Det är också det mest komplexa och relativt nya – som för närvarande sitter på toppen av Gartners Hype Cycle for Analytics och Business Intelligence 2020.
Prediktiv analys idag
Enligt en studie från Allied Market Research beräknas den globala marknaden för prediktiv analys nå 35,45 miljarder US-dollar fram till 2027 och växa med en sammanlagd årlig tillväxttakt (CAGR) på 21,9 %. Prediktiv analys har verkligen kommit till sin rätt i dagens värld, där enorma mängder data genereras, datorer har exponentiellt snabbare processorkraft och programvara har blivit mer interaktiv och lättare att använda.
Företag samlar inte bara in stora 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 prediktiv analys att kombinera och analysera Big Data från olika källor ger mer exakta prognoser och visar insikter som är djupare och kraftfullare. Molnet är nyckeln till att ansluta alla dessa olika datakällor – dessutom är lagring av data i molnbaserade datalager och sjöar mer kostnadseffektivt och skalbart än att lagra på plats.
Dagens prediktiva analys är också ”förstärkt” med artificiell intelligens (AI) teknologier som maskininlärning, djupinlärning och neurala nätverk. Dessa förstärkta analyser kan analysera stora datavolymer snabbt, avslöja insikter som människor kan missa och göra det mer nyanserat och mer korrekt att förutsäga sannolikheten för framtida händelser. De automatiserar också komplicerade steg i den prediktiva analysprocessen, som att bygga och testa prediktiva modeller. Och naturlig språkbehandling (NLP), en typ av AI som låter användare ställa frågor och få svar på konversationsspråk, gör det enklare än någonsin att tolka och förstå dessa svar.
Historiskt sett har verktygen och teknikerna bakom prediktiv analys varit så sofistikerade – och så komplicerade – att endast datavetare och professionella analytiker har kunnat använda dem effektivt. Men med utökad analys kan företagsanvändare med minimal utbildning nu generera exakta prognoser och fatta smarta, 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 flyg- och rymdindustrin. Prediktiva modeller används för att prognostisera lager, hantera resurser, sätta biljettpriser, hantera underhåll av utrustning, 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 naturligt spårar en stor mängd persondata. Med prediktiv analys kan dessa data analyseras för att avgöra om en potentiell anställd sannolikt kommer att passa in i kulturen, vilka anställda som riskerar att lämna en organisation (se nedan), om ett företag behöver utveckla en anställd eller anställa för att fylla kompetensbrister och om medarbetarna bidrar produktivt till affärsresultatet. Dessa förmågor innebär att HR kan bidra till övergripande affärsresultat snarare än att fungera som en isolerad funktion.
Prediktiv analys i HR kan användas för att förutsäga personalbortfall.
Prediktiv analys inom hälso- och sjukvård
I dagens värld är sjukhus och vårdorganisationer under enorm press för att maximera resurserna – och prediktiv analys gör det möjligt. Med hjälp av prediktiv analys kan hälso- och sjukvårdstjänstemän förbättra det ekonomiska och operativa beslutsfattandet, optimera lager och bemanning, hantera sina försörjningskedjor mer effektivt och förutsäga underhållsbehov för medicinsk utrustning. Prediktiv analys gör det också möjligt att förbättra det kliniska resultatet genom att upptäcka tidiga tecken på patientförsämring, identifiera patienter som riskerar återtagande och förbättra noggrannheten i patientens diagnos och behandling.
Prediktiv analys inom detaljhandel
Återförsäljare samlar in stora mängder kundinformation både online, som spårning av online-aktiviteter via cookies, och i den verkliga världen, som övervakning av hur kunder navigerar genom en butik. Annan information som spåras är kundernas kontaktuppgifter på försäljningsstället, deras sociala medieaktivitet, vad de har köpt och hur ofta de köper specifika artiklar eller besöker en butik. Med hjälp av prediktiv analys kan återförsäljare dra nytta av dessa data för allt från lageroptimering och intäktsprognoser till beteendeanalys, kundorientering och bedrägeridetektering.
Prediktiv analys i marknadsföring
De modeller som genereras av prediktiv analys är oerhört värdefulla för marknadsförare för att göra deras kampanjer mer målinriktade 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, nykundsförvärv, lead-poängsättning, innehåll och annonsrekommendationer samt hyperpersonalisering. Marknadsförare kan använda en kunds data för att mata dem med kampanjer, annonskampanjer och förslag på andra produkter de kan tycka om vid precis rätt tidpunkt, vilket förbättrar kundupplevelsen och bevarandet.
Prediktiv analys i försörjningskedjan
Prediktiv analys har blivit avgörande för att driva en smidig och motståndskraftig försörjningskedja och undvika störningar. Den analyserar massiva dataset från många olika källor för att generera korrekta prognoser för tillgång och efterfrågan, fastställa optimala lagernivåer, förbättra logistik och punktliga leveranser, förutsäga problem med underhåll av utrustning, upptäcka och anpassa sig till oväntade förhållanden – och mycket mer.
Företag som använder prediktiv analys
Motor Oil Group är branschledande inom råoljeraffinering och försäljning av petroleumprodukter i Grekland och östra Medelhavsområdet. Med stöd av prediktiva analysfunktioner utnyttjade de sensordata för att kontinuerligt övervaka utrustningens hälsa och förutsäga potentiella fel dagar innan de inträffar. Resultaten? De uppnådde mer än 77 % noggrannhet när de förklarade onormala händelser från 120 till 20 timmar i förväg med hjälp av grundorsaksanalys av historiska data.
Ottogi Corporation är ett av de största livsmedels- och dryckesföretagen i Korea och ett globalt känt varumärke för currypulver, snabbnudlar och många andra produkter. Att prognostisera efterfrågan med prediktiv analys är en viktig del av verksamheten och ger underlag för strategiska beslut för försäljnings-, marknadsförings-, tillverknings- och finansavdelningarna och möjliggör djupa insikter om marknadsandelar och affärsverksamhet.
Grundläggande steg i den prediktiva analysprocessen
Den prediktiva analysprocessen innebär att definiera ett mål eller mål, samla in och rensa massiva mängder data och sedan bygga 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.
Enkelt uttryckt är stegen i den prediktiva analysprocessen följande:
Stegen i den prediktiva analysprocessen.
- Definiera projektets mål. Vilket är det önskade resultatet? Vilket problem försöker du lösa? Det första steget är att definiera projektets mål, leverabler, omfattning och data som krävs.
- Samla in dina data. Samla alla data du behöver på ett och samma ställe. Inkludera olika typer av aktuella och historiska data från en mängd olika källor – från transaktionssystem och sensorer till callcenterloggar – för mer djupgående resultat.
- Rensa och förbered dina data. Rensa, förbered och integrera dina data för att göra den redo 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 på ditt dataset och testa den för att säkerställa att den är korrekt. Det kan ta flera iterationer att generera en felfri modell.
- Distribuera din modell. Distribuera din prediktiva modell och sätt den i arbete 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 prestanda och säkerställa att den ger förväntade resultat. Förfina och optimera din modell efter behov.
Prognostisera utfall med ett knapptryck
Utforska SAP Analytics Cloud – förstärkt och prediktiv analys i molnet.
Idéer som du inte hittar någon annanstans
Registrera dig för en dos business intelligence som levereras direkt till din inkorg.