Predictive analytics: betekenis, analysemethoden en voorbeelden

Wat is de betekenis van predictive analytics?

Predictive analytics is voorspellen op basis van data: een model dat is gebouwd op historische data wordt gevoed met actuele en nieuwe data en levert een voorspelling op.

Predictive analytics is onderdeel van het bredere vakgebied artificial intelligence. Vaak neem je historische bedrijfsdata om een voorspellend model te bouwen, eventueel in combinatie met open data. Vervolgens haal je realtime data door het model en rolt er een voorspelling uit. Elke organisatie krijgt hier vroeg of laat mee te maken, want het is een zeer krachtig concept: het kan tegelijk processen optimaliseren, de klantbeleving verhogen en de kosten sterk verlagen. Houd wel rekening met een bewustwordingsproces bij medewerkers en leidinggevenden, omdat predictive analytics een totale verandering in de organisatie teweeg kan brengen.

Vragen waar elke organisatie tegenaan loopt

• Hoe vind je de businesscase en de thema’s waar predictive analytics het verschil kan maken?
• Welke disciplines moet je bij het ontwikkelen van dergelijke toepassingen betrekken?
• Hoe bouw je expertise op binnen je team en welke vaardigheden zijn nodig?
• Welke rol speelt big data bij de ontwikkeling en implementatie van voorspellende modellen?
• Hoe ga je om met de noodzakelijke veranderingen in de arbeidsorganisatie en de bedrijfsprocessen?
• Welke software is beschikbaar en welke tools passen het best bij jouw situatie?

Maatschappelijke relevantie van predictive analytics

Uit je houding tegenover predictive analytics blijkt in feite of je hart hebt voor je klant en zaken structureel wilt verbeteren. Een creditcardmaatschappij zet het in om fraude te herkennen en zo de schade voor de klant en voor zichzelf te beperken. Een ziekenhuis zet het in om ziektes in een vroeg stadium te herkennen en zo de schade voor de patiënt en de kosten voor de maatschappij in te dammen.

Voorbeeld 1: geheim agenten en de Steen van Rosetta

In de tijd dat er nog geen computers waren maar wel geheim agenten, werd inlichtingenanalyse gebruikt om gecodeerde boodschappen te ontcijferen. De eerste actie, het opbouwen van een model, bestond uit het tellen van woorden in willekeurige teksten over het waarschijnlijke onderwerp van de boodschap. Door het voorkomen van bepaalde letter- en cijfercombinaties in de gecodeerde boodschap te tellen en te vergelijken, waren een aantal termen al te bepalen, bijvoorbeeld de lidwoorden en de persoonsvorm. Is van een beperkt aantal woorden bekend wat ze in code zijn, dan helpt dat bij het verder ontcijferen. Mede met deze techniek lukte het Jean-François Champollion om met de Steen van Rosetta het Oud-Egyptische hiërogliefenschrift te ontcijferen.

Voorbeeld 2: voorspel het gedrag van je klanten

Winkels, online en fysiek, gebruiken predictive analytics om het gedrag van klanten te voorspellen en het voorraadbeheer te sturen. Wordt in de zomer een periode met warm weer verwacht, dan halen veel mensen de barbecue tevoorschijn: er wordt meer dungesneden vlees, vlees op stokjes, sausjes, salades en stokbrood verkocht. Gaat spaghettisaus in de aanbieding, dan stijgt zeer waarschijnlijk ook de verkoop van pasta. Omgekeerd: wordt koffie van merk A in prijs verlaagd, dan verkopen andere merken minder. Het kennen van deze onderlinge relaties is belangrijk voor de bedrijfsvoering en de rentabiliteit van een winkel.

Toekomstig gedrag voorspellen is niet triviaal

Relaties leggen tussen data is op zich niet moeilijk. Die relaties gebruiken om toekomstig gedrag te voorspellen is een ander verhaal. Belangrijke vragen zijn:

1. Is de nieuwe informatie onder gelijke omstandigheden en over een vergelijkbare periode verzameld als de informatie waaruit het model is afgeleid?
2. Hoe verwerk je een verandering van omstandigheden binnen het model?
3. Wat is de initiële betrouwbaarheid van de voorspellingen van het model?
4. Is het mogelijk de betrouwbaarheid van het model op langere termijn in te schatten?

De eerste vraag beantwoord je door de informatie en de manier van verzamelen te analyseren. Het antwoord op de tweede hangt niet alleen af van hoe je de informatie selecteert, maar evenzeer van hoe je die gebruikt bij het opzetten van het model.

6 veelgebruikte analysemethoden

De betrouwbaarheid van het model, zowel initieel als op langere termijn, hangt sterk af van de methode waarmee je de informatie analyseert. Welke methode bruikbaar is, wordt grotendeels bepaald door de gestelde vraag en het model dat jouw probleem moet oplossen.

• Beslisbomen: een reeks ja-neevragen die leidt tot een voorspelling die je kunt uitleggen.
• Neurale netwerken: gelaagde modellen die complexe patronen leren uit veel voorbeelden.
• Clusteranalyse: gevallen die op elkaar lijken groeperen zonder vooraf gedefinieerde uitkomst.
• Lineaire regressie: een getal voorspellen uit een of meer verklarende variabelen.
• Nearest neighbor: voorspellen op basis van de meest vergelijkbare bekende gevallen.
• Business rules: expliciete als-danregels die kennis en beleid vastleggen.

Predictive analytics versus traditionele rapportage

Beide gebruiken dezelfde data, maar beantwoorden een andere vraag.

Een tool kiezen voor voorspellende modellen

Alleen al in Nederland zijn er meer dan twintig tools beschikbaar waarmee je voorspellende modellen kunt ontwikkelen. De meest geavanceerde kunnen ook grote hoeveelheden data verwerken en visualiseren en bevatten kant-en-klare modellen. De tool is echter zelden de bottleneck: de businesscase, de data en het gebruik van de voorspellingen in het proces bepalen het succes.

Verder lezen

• Machine learning
• Datamining
• Data science
• Big data
• Artificial intelligence

Over de auteur

Herman van Dellen

Herman is een zeer ervaren data scientist die machine learning en statistiek al jarenlang toepast op gebieden als CRM, BI en datawarehousing. Hij bouwde zijn carrière op bij IBM, waar hij de Business Intelligence Services Unit oprichtte.

Over Diamond Decisions

Diamond Decisions helpt organisaties beter te worden door betere beslissingen mogelijk te maken. We starten niet bij data, dashboards of AI, maar bij de beslissing die beter moet, en bouwen van daaruit terug naar KPI’s, data en technologie. Dat doen we in vier stappen: inspiratie en alignment, business modeling, analytics en dataplatform en datagedreven beslissers. Zo zorgen we dat BI en AI geen IT-project blijven, maar elke dag waarde opleveren.