Leer betrouwbaar voorspellen met Predictive Analytics

Predictive Analytics pas je toe om betrouwbare voorspellingen te doen op basis van nieuwe data. Elke organisatie krijgt hier vroeg of laat mee te maken en iedereen met hart voor de zaak – en hart voor data – zou hiermee aan de slag moeten gaan. Waarom? Het is een krachtig concept en kan tegelijkertijd processen optimaliseren, de klantbeleving verhogen en de kosten sterk reduceren. Wil je Predictive Analytics in jouw organisatie ook tot een succes maken, dan zul je vanzelf zien dat een aantal vragen zich vandaag of morgen aandient:

  • Hoe vind je de businesscase en thema’s waar Predictive Analytics het verschil kan gaan maken in jouw organisatie?
  • Welke disciplines in jouw organisatie moet je zeker bij het ontwikkelen van dergelijke toepassingen betrekken?
  • Hoe bouw je expertise op binnen je team en aan welke Predictive Analytics vaardigheden kun je zoal denken?
  • Welke rol speelt Big Data analytics bij de ontwikkeling en implementatie van voorspellende modellen?
  • Hoe dien je om te gaan met noodzakelijke veranderingen in de arbeidsorganisatie en bedrijfsprocessen?
  • Welke software voor Predictive Analytics is er op de markt beschikbaar en welke tools passen het beste bij jouw situatie?

Bovendien zul je rekening moeten houden met een bewustwordingsproces bij je medewerkers en leidinggevenden, omdat Predictive Analytics een totale verandering teweeg kan brengen in je organisatie. Het gaat om een andere mindset.

Wat is de betekenis van Predictive Analytics?

Er is geen afkorting van het woord ‘Predictive Analytics’ bekend, maar het heeft wel een betekenis, namelijk voorspellen op basis van data. Vaak neem je historische bedrijfsdata om een voorspellend model te bouwen, eventueel in combinatie met open data. Vervolgens haal je real-time big data door het model en rolt er een voorspelling uit.

Maatschappelijke relevantie van Predictive Analytics

Uit je houding ten opzichte van Predictive Analytics blijkt in feite of je hart voor je klant hebt en zaken structureel wilt verbeteren. Een creditcardmaatschappij zal Predictive Analytics inzetten om fraude met creditcards te herkennen en zo de schade voor de klant en voor zichzelf te minimaliseren. Een ziekenhuis zal het inzetten om ziektes in een vroegtijdig stadium te herkennen om zo de schade aan de patiënt te beperken en de kosten voor de maatschappij in te dammen. Predictive Analytics zal eerder succesvol zijn wanneer je de volgende redeneertrant hanteert: ‘wij hebben passie voor de klant en willen onze kernprocessen telkens verder verbeteren.’

Voorbeeld I: Geheim agenten en de Steen van Rosetta

In de tijd dat er nog geen computers waren maar wel geheim agenten, werd Business Intelligence gebruikt voor het ontcijferen van gecodeerde boodschappen. De eerste actie, het opbouwen van een model, bestond uit het tellen van woorden in willekeurige teksten die over het (waarschijnlijke) onderwerp van de boodschap gaan. Door nu het voorkomen van bepaalde letter- en cijfercombinaties in de gecodeerde boodschap te tellen en te vergelijken, konden zij een aantal termen al bepalen. Zo is het bijvoorbeeld mogelijk om de lidwoorden en de persoonsvorm eruit te filteren. Als dan van een (beperkt) aantal woorden bekend is wat ze in code zijn, dan kan je die informatie gebruiken voor het verder ontcijferen. Het is onder andere door deze techniek dat het Jean-François Champollion lukte om met de Steen van Rosetta het Oud-Egyptische hiërogliefenschrift te ontcijferen.

Voorbeeld II: Voorspel het gedrag van je klanten

Predictive Analytics wordt tegenwoordig ook gebruikt door winkels (ook op het internet) om het gedrag van klanten te voorspellen. Met deze voorspelling kan je bijvoorbeeld het voorraadbeheer sturen. Wordt er bijvoorbeeld in de zomer een periode met warm weer verwacht, dan halen veel mensen de barbecue tevoorschijn. Voor een winkel betekent dat een grotere afname van dungesneden vlees, vlees op stokjes, sausjes, salades en stokbrood. Als spaghettisaus in de aanbieding gaat, dan is het heel waarschijnlijk dat de verkoop van pasta ook omhoog gaat. Omgekeerd, als bijvoorbeeld de koffie van merk A in prijs wordt verlaagd, dan is het logisch dat de koffie van andere merken minder zal verkopen. Dit betekent dat het kennen van deze onderlinge relaties belangrijk kan zijn voor de bedrijfsvoering en rentabiliteit van een winkel.

Toekomstig gedrag voorspellen is niet triviaal

Op zich is het niet moeilijk om zekere relaties tussen bepaalde data te leggen. Het gebruik van deze relaties om toekomstig gedrag te voorspellen is daarmee niet triviaal. Belangrijke vragen in deze context 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 de omstandigheden binnen het model?
  3. Wat is de initiële betrouwbaarheid van de voorspellingen van het model?
  4. Is het mogelijk om de betrouwbaarheid van het model op langere termijn in te schatten?

Het antwoord op de eerste vraag bepaal je door de informatie en de manier waarop je deze verzamelt te analyseren. Bij de tweede vraag is het antwoord niet alleen afhankelijk van de manier waarop je de informatie selecteert, maar evenzo van de manier waarop je deze informatie gebruikt bij het opzetten van het model.

6 veelgebruikte analysemethoden bij Predictive Analytics

De betrouwbaarheid van het gebruikte model, zowel initieel als op langere termijn, hangt sterk af van methode waarmee je de informatie wil analyseren. Voorbeelden van veel gebruikte analysemethodes voor Predictive Analytics zijn:

Welke methode voor jouw probleem bruikbaar is en welke niet, wordt voor een belangrijk deel ook bepaald door de gestelde vragen en het gewenste model dat jouw probleem kan gaan oplossen. Al deze modellen kun je in de praktijk toepasbaar maken voor je eigen situatie in onze training R.

Training Predictive Analytics

Wil je in korte tijd veel leren over Predictive Analytics, Big Data en aan de slag om voorspellende modellen te ontwikkelen en te implementeren? Dan is onze goed gewaardeerde Big Data Analytics training zeker een aanrader.

naar de training

Kies de juiste tool voor het ontwikkelen van voorspellende modellen

Alleen al in Nederland zijn er meer dan twintig tools beschikbaar waar je Predictive Analytics modellen mee kan ontwikkelen. De meest geavanceerde tools zoals SAS Business Analytics en BOARD zijn ook in staat om grote hoeveelheden data te verwerken en te visualiseren. En ze bevatten kant-en-klare modellen. Klik hier voor een overzicht van alle BI tools met voorspellende modellen.

Waarom Passionned Group?

✓ Wij werken vanuit het idee om organisaties slimmer te laten werken.
✓ Wij zijn niet gebonden aan leveranciers en 100% onafhankelijk.
✓ Onze data scientists zijn gepokt en gemazeld in het vakgebied van Predictive Analytics.

Ook aan de slag met Predictive Analytics?

Wil je zelf ook gaan ervaren wat de mogelijkheden zijn van Predictive Analytics? Neem dan gerust contact op met de dataspecialisten van de Passionned Group.

neem contact met ons op

Plaats review

Geef je mening over dit product of deze dienst

Dit veld is verplicht!
Dit veld is verplicht! optioneel
Dit veld is verplicht! optioneel
Dit veld is verplicht! optioneel
Dit veld is verplicht!
Review verzendenHet formulier bevat fouten.

Een selectie van onze klanten

Word nu ook klant

Wil je ook klant bij ons worden? Wij helpen je maar wat graag verder met predictive analytics betekenis (voorspellen met data analytics) of andere zaken waar je slimmer van wordt.

Gustaaf Vocking, Associate Partner Predictive Analytics & Data Science

GUSTAAF VOCKING

Associate Partner Predictive Analytics

neem contact met mij op

Fact sheet

Organisaties geholpen
17401
Trainingen & workshops
17402
Deelnemers opgeleid
17403
Beoordeling klanten
8,9
Consultants & docenten
17404
Kantoren
3
Jaar ervaring
14