Business rules: voorspellen met regels, en de beperkingen

Wat zijn business rules?

Een business rule is een als-danregel die de uitkomst van een transactie of gebeurtenis voorspelt op basis van een lijst voorwaarden: ALS (waarde 1, waarde 2, …, waarde n) DAN actie.

Regels regeren feitelijk ons hele leven, ook al is de uitzondering op de regel populair, zeker bij maximumsnelheid en parkeren. Zulke regels zijn min of meer afspraken om de samenleving te laten werken. Er zijn ook regels die verschijnselen beschrijven: pak je een steen op en laat je hem los, dan valt hij. Die volgen het principe ALS situatie A DAN actie B ANDERS actie C, en er zit iets onvermijdelijks in; vaak zijn het natuurwetten. Wordt menselijk gedrag onderdeel van de vergelijking, dan is een regel geen echte regel meer, maar een beschrijving van de meest waarschijnlijke actie.

Wie een brood koopt in de supermarkt koopt waarschijnlijk ook broodbeleg. Toch doet niet iedereen dat: er kan thuis nog genoeg staan. Omgekeerd wil een klant die pindakaas koopt er misschien pindasaus van maken. Toch laten zulke ‘regels’ het toe grote aantallen transacties te volgen en, door een simpele regel op veel transacties toe te passen, de waarschijnlijkheid ervan te schatten. Lastiger wordt het als er veel gebeurtenissen beschikbaar zijn, maar vooraf niets bekend is over oorzaak en gevolg. Bestaat er een regel, een stelsel van samenwerkende regels, of is er sprake van willekeur?

Het probleem dat business rules oplossen

Business rules zijn een van de methoden van predictive analytics. Naast koopgedrag zijn er andere situaties waarin ze worden gebruikt:

• Medische diagnose: op grond van de aan- en afwezigheid van symptomen bepalen of een patiënt ziek is en waaraan. Een gebroken been stel je eenvoudig vast met een röntgenfoto; bij klachten als vergeetachtigheid is er een breed scala aan mogelijke ziektes, en medicijnen die de ene bestrijden kunnen de andere bevorderen.
• Taalanalyse: door één en dezelfde tekst in verschillende talen te vergelijken zijn overeenstemmende patronen en lettergroepen te vinden. Dit is feitelijk hoe Jean-François Champollion de Steen van Rosetta ontcijferde. Ontbreekt de vergelijkende taal, dan wordt ontcijferen veel lastiger.

Twee manieren om aan regels te komen

Bestaande regels versus afgeleide regels

De situatie bepaalt welke route je kiest.

Bij een diagnose gebruik je bij voorkeur bestaande medische kennis: bepaalde combinaties van symptomen wijzen op een bepaalde ziekte. De regels worden vertaald naar regels die een computer kan gebruiken, waarna je hun juistheid en waarschijnlijkheid bepaalt. Bij koopgedrag kun je zoeken op bepaalde productcombinaties, maar zo vind je nooit onverwachte combinaties, omdat je daar niet naar zoekt. Dat verandert wanneer je nieuwe regels en hun betrouwbaarheid afleidt uit een groot aantal gebeurtenissen.

De structuur van een regelset

Werken met business rules is niet vrijblijvend: zowel de informatie als de regels moeten aan voorwaarden voldoen qua formulering en opbouw. De verzameling regels hoort steeds de minimale verzameling te zijn die de gewenste actie kan uitvoeren. Stel dat een supermarkt deze twee regels gebruikt:

• ALS (brood, boter) DAN melk
• ALS (brood, boter, kaas) DAN melk

De tweede regel levert geen extra informatie op, maar het toepassen kost wel extra tijd, en dat is cruciaal bij het doorwerken van grote hoeveelheden data. Die regel wordt dus verwijderd. Anders is het bij ALS (brood, boter) DAN chocoladehagel en ALS (brood, boter, kaas) DAN melk: dat zijn twee aparte regels, en het weghalen van de tweede geeft duidelijk andere resultaten.

Ook de informatie zelf moet op een vaste manier te lezen zijn. Zijn van drie klanten de aankopen bekend (brood en chocoladehagel; kaas, jam en melk; brood, boter, kaas en melk), dan zijn die niet bruikbaar zonder het aantal producten per klant te kennen. Veel van deze problemen los je op met key-valuemethoden en technieken zoals MapReduce.

Continue waarden: indelen in klassen

Continue numerieke waarden zoals bloeddruk en lichaamstemperatuur zijn niet direct bruikbaar in regels. In plaats daarvan maak je een verdeling in maximaal vijf klassen, voor lichaamstemperatuur bijvoorbeeld: lager dan 35 zeer laag, 36 laag, 37 tot 38 normaal, 38 tot 40 hoog, boven 40 zeer hoog. Door de buitenste klassen te groeperen krijg je drie klassen; ook alleen wel of geen koorts kan bruikbaar zijn. Vermeld de gekozen indeling duidelijk en zorg dat ze verdedigbaar is: een koortsgrens op 37 graden Celsius is op medische gronden niet te verdedigen.

Werken met bestaande regels

Werken met bestaande regels betekent werken met eerder opgebouwde kennis, om drie redenen: de betrouwbaarheid van de regels toetsen tegen een groot aantal waarnemingen, acties voorspellen op basis van bekende voorwaarden, of beide. Bij het voorspellen van koopgedrag overheerst de tweede reden; bij een medische diagnose tellen beide, omdat niet alleen de diagnose maar ook de betrouwbaarheid ervan belangrijk is. De belangrijkste bewerking is het omzetten van de beschikbare kennis in een eenduidige verzameling regels.

Voorbeeld: hooikoorts versus allergisch astma

Om hooikoorts te onderscheiden van allergisch astma stel je een serie regels op. De set beantwoordt alleen of de patiënt hooikoorts heeft; over allergisch astma, dat apart of in combinatie kan voorkomen, zegt ze niets. Negen ervaringsregels zijn terug te brengen tot drie zoekregels:

• ALS ((neus = loopt OF neus = verstopt) EN niezen = ja) DAN hooikoorts = ja
• ALS ((neus = loopt OF neus = verstopt) EN jeuk = ja) DAN hooikoorts = ja
• ALS (jeuk = ja EN niezen = ja) DAN hooikoorts = ja

Deze drie zijn op hun beurt te combineren tot één enkele regel. Door alle voorwaarden zo te combineren versnel je de verwerking sterk, en dat is juist belangrijk als de hoeveelheden data groot worden. In de praktijk kan het aantal ervaringsregels flink oplopen; meer dan twintig is geen uitzondering. Reductie is dan essentieel, met algoritmen als LEM1, LEM2 en AQ. Met reductie controleer je bovendien de interne consistentie beter: hoe meer regels, hoe groter de kans op strijdige of zinloze regels.

Nieuwe regels afleiden: het Apriori-voorbeeld

Zijn er geen goede ervaringsregels, of twijfel je aan hun geldigheid, dan kun je alleen de informatie voor zich laten spreken. Alle transacties of gebeurtenissen worden dan op patronen onderzocht. Voor het analyseren van transacties gebruik je bijvoorbeeld Apriori, voor gebeurtenissen routines als WINEPI. Stel dat een winkel de aankopen van twaalf klanten kent:

1. Brood, kaas, boter, melk, afwasmiddel
2. Brood, boter, jam, melk, chocoladehagel
3. Brood, kaas, boter, melk
4. Brood, jam, water, melk, ontbijtkoek
5. Ontbijtkoek, wasmiddel
6. Boter, melk, ontbijtkoek
7. Brood, boter, jam
8. Brood, melk, chocoladehagel
9. Brood, kaas, melk, afwasmiddel
10. Brood, kaas, boter, chocoladehagel
11. Brood, pindakaas, boter, jam, kaas
12. Brood, kaas, boter, wasmiddel

Eerst stel je een drempel in voor het voorkomen van een product, hier vijf keer, en tel je per product hoe vaak het is gekocht: brood 10, boter 8, melk 7, kaas 6, jam 4, ontbijtkoek 3, chocoladehagel 3, en de rest één of twee keer. Producten onder de drempel neem je niet mee, omdat losse, mogelijk unieke transacties anders te veel invloed krijgen en omdat het doorzoeken van de hele verzameling per product bij grote verzamelingen erg lang duurt.

Vervolgens maak en tel je alle combinaties van twee producten boven de drempel: brood en boter 7, brood en kaas 6, brood en melk 6, boter en kaas 5, boter en melk 4, melk en kaas 3. Dezelfde drempel geldt: komt een product minder dan vijf keer voor, dan geldt dat ook voor elke combinatie waarin het zit. Groepen van drie test je op dezelfde manier: brood, boter en kaas 5; brood, boter en melk 3; brood, melk en kaas 3; boter, kaas en melk 2. Alle vier samen komen maar twee keer voor en blijven onder de drempel. Het resultaat is een regel als ALS (brood, boter) DAN kaas.

Het voorbeeld laat zien dat regels afleiden uit transacties een bewerkelijke klus is. Ongeacht het algoritme moet je de hele dataset meerdere keren lezen. Bij Apriori verdubbelt het aantal keren dat de informatie wordt gelezen met elke extra term.

De beperkingen van business rules

Afgeleide regels gebruiken om grote hoeveelheden informatie te doorzoeken is tijdrovend: hoe geavanceerd het algoritme ook is, je moet altijd meerdere keren door de informatie. Zelfs bij bekende ervaringsregels is het proces vrij gevoelig voor de startwaarden die je het algoritme meegeeft. Bij ervaringsregels (supervised rule induction) bestaat altijd de kans dat de regels inconsistent of incompleet zijn, wat software niet altijd kan vaststellen. Een onjuiste regelset geeft dan foute resultaten zonder dat dit direct zichtbaar is. Controle op het correct, compleet en consistent zijn van de regels is daarom van het grootste belang.

• Drempel te laag: je neemt te veel zoektermen mee, met een groot aantal regels als gevolg. Bij een drempel van drie komen in het voorbeeld jam, ontbijtkoek en chocoladehagel erbij: drie verdubbelingen, dus de analyse duurt acht keer zo lang. Het antwoord wordt bovendien zeer gedetailleerd, met heel kleine waarschijnlijkheden.
• Drempel te hoog: er blijven maar weinig zoektermen over en het systeem genereert een beperkt aantal regels, de voor de hand liggende. Bij een drempel van acht blijven alleen brood en boter over: wie brood koopt, neemt waarschijnlijk ook boter mee. Zo’n regel stel je ook zonder data-analyse probleemloos op.

Er bestaan methoden om de betrouwbaarheid en geldigheid van regels te onderzoeken, waaronder de vraag of de juiste drempelwaarde is gekozen. Bij elke professionele toepassing van rule induction zijn deze controles noodzakelijk.

Beslisboom versus regels afleiden

Beide methoden gebruiken een serie keuzes, maar ze verschillen en kunnen naast elkaar bestaan. Een beslisboom splitst een groep informatie per selectiemoment in delen en herhaalt dat totdat de boom is afgelopen; de opbouw hangt af van hoe de boom wordt opgezet. Business rules combineren meerdere keuzes die je gelijktijdig kunt gebruiken, zodat een beslissing in één regel van verschillende factoren kan afhangen, en de uiteindelijke regels worden bepaald door de software. In het algemeen gebruik je een beslisboom wanneer de verdeling over alternatieven duidelijk vastligt, en business rules wanneer je bestaande kennis op een verzameling informatie toepast of verborgen patronen wilt vinden. Dat laatste maakt rule induction een echte dataminingtechniek: je laat de informatie spreken.

Verder lezen

• Predictive analytics
• Beslisboom
• Clusteranalyse
• Datamining

Over de auteur

Rick van der Linden studeerde Technische Bedrijfskunde aan de Universiteit Twente en heeft ruim twintig jaar ervaring in het bank- en verzekeringswezen, de zorg, de overheid en de IT. Hij werkte aan vrijwel alle aspecten van business intelligence en analytics, als product owner, solution architect en BI-consultant.

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.