Predictive analytics finder svaret - Læs mere her

Predictive analytics finder svaret – men kun hvis du kender spørgsmålet

Analysealgoritmer kan spore mønstre og sammenhænge i meget store datamængder, hvilket kan optimere alt fra salg til forsyningskæde. Men det kræver både en sund respekt for den analytiske og statistiske metode og at der huskes at arbejde med data, der faktisk kan sammenlignes.

Astrid Hanghøj

Columbus
Forretningskonsulent og Ph.d. i økonomi.
; 30.05.16    : 11:36
Predictive analytics finder svaret – men kun hvis du kender spørgsmålet

I den klassiske sci-fi parodi ”The Hitchhikers Guide to the Galaxy” sætter et folkeslag en computer til at regne på den grundlæggende mening med ”Life, the Universe and Everything.” Efter et par millioner års hårdt arbejde konstaterer den tørt, at svaret er 42, hvilket jo forvirrer programmørernes efterkommere en smule.

”Sådan er det også lidt, hvis du ukritisk putter en masse data ind i f.eks. en Predictive Analytics algoritme og beder den regne et eller andet ud. Du får et svar, men det er ikke sikkert, at du kan bruge det til noget. Og måske gav dit spørgsmål heller ikke rigtig mening til at begynde med,” konstaterer Astrid Hanghøj, forretningskonsulent hos Columbus og Ph.d. i økonomi.

Hun forklarer, at det både er nødvendigt at have indsigt i statistisk metode samt indgående kendskab til det område, man forsøger at lave dataanalyse indenfor.

Valide datasæt og statistisk metode er alfa og omega

Det kan f.eks. være, at man vil anvende historiske data om effekten af en tidligere marketingkampagne til at forudsige effekten af en fremtidig marketingindsats.

”Lad os sige, at du sælger is og har annonceret heftigt i en periode. Nu konstaterer du så, at salget stiger voldsomt, og det er jo fint. Men hvor meget af væksten skyldes dine annoncer – og hvor stor betydning har det haft, at solen har skinnet den seneste uge? Det kan du jo kun vide, hvis du kan holde salget op mod en kontrolgruppe som f.eks. et geografisk område, hvor du ikke har annonceret. Hvilket igen kræver, at du spørger dine kunder, hvor de bor, når du sælger dem en is. Og du skal ikke bare spørge kunderne en sjælden gang i mellem, men hver gang eller næsten hver gang, du langer en is over disken,” siger Astrid Hanghøj.

”Hvis de betingelser er opfyldt, så giver du algoritmen noget at arbejde med. Og des flere af den slags konsistente, valide datasæt, du putter ind i den, des mere præcist kan den forudsige effekten af dine marketingtiltag,” tilføjer hun.

Har du vasket dine data i dag?

Optimalt indsamler man således kun data i helt ensartede formater og sammenlignelige sæt. Og vil man anvende historiske data, der ikke nødvendigvis opfylder kriterierne til punkt og prikke, kan de med fordel ’vaskes’ først for at sikre kvaliteten og sortere eventuelle anormaliteter fra, som ellers kan forvirre analyseværktøjerne.

”Det kræver en del arbejde og specialviden at forberede analyserne og indsamlingen af de bagvedliggende datasæt, så resultaterne også bliver valide og operationelle. Den viden sidder de færreste virksomheder inde med, så det er blandt andet her, mine kolleger og jeg kommer ind i billedet,” siger Astrid Hanghøj.

Massiv usikkerhed giver højere omkostninger

Hun ser selv store muligheder for at vinde ny indsigt ved at lade analysealgoritmer grave sig gennem store datamængder og spore mønstre og sammenhænge – og ikke kun inden for marketing.

Selv har hun for eksempel beskæftiget sig med usikkerhed i supply chain-regi.

”Hvis en virksomhed er usikker på efterspørgslen efter deres varer, så kan de vælge at håndtere denne usikkerhed ved at bestille lidt mere for at sikre sig, at de kan følge med efterspørgslen. Virksomhedens leverandør må så igen bestille en anelse mere, og dennes underleverandør igen noget mere og så videre. Hvis hvert led i forsyningskæden udviser den adfærd for at kunne efterkomme mulige ekstrabestillinger, så bliver et lille udsving hos slut-forbrugeren til en kæmpe overproduktion længere tilbage i forsyningskæden. Og sådan en overproduktion er ikke gratis,” siger Astrid Hanghøj.

Det er det, man kalder en ’bull-whip’-effekt, fordi man kan sammenligne et dynamisk system med mange variable – som nu en forsyningskæde – med en pisk, hvor en forholdsvis lille bevægelse med håndleddet let forplantes og forstærkes hele vejen ned igennem.

Spar penge med præcise forudsigelige indkøbsmønstre

”Hvis dine konkurrenter er bedre end dig til at minimere denne effekt, fordi de er bedre til at forudsige efterspørgslen end du er, så bliver dit produkt dyrere og dermed mindre attraktivt end deres. Du er kort sagt mindre konkurrencedygtig. Men omvendt har du muligheden for at forbedre din konkurrenceevne ved at blive bedre til at forudsige efterspørgsel og anvende den viden i din forsyningskæde,” forklarer Astrid Hanghøj.

Så des mere præcist, man er i stand til at forudsige sit indkøbsmønster og dermed optimere hele forsyningskæden, des mere usikkerhed trækkes ud af systemet. Hvilket i sidste ende muliggør en lavere produktions- og indkøbspris.

”Og her kan Predictive Analytics spille en stor rolle, navnlig hvis du konsekvent og konsistent ’høster’ de data, der gør en algoritme i stand til – med en vis sandsynlighed – at forudsige efterspørgslen og konsekvensen heraf gennem den samlede forsyningskæde,” siger Astrid Hanghøj.

”Det er ikke helt så enkelt, som nogle måske undertiden gør det til. Til gengæld er det sindssygt spændende og har rigtig store perspektiver. Det er den slags, der gør det sjovt at gå på arbejde,” bemærker hun.

Hør mere om predictive analytics

Kontakt Columbus på 70 20 20 37 eller send en besked, hvis du ønsker at vide mere om Predictive Analytics.
 

Seneste artikler

Hvor ofte har du stået ved en butiksdisk eller en skranke i en lufthavn, eller brugt dyrebar tid mens du ventede på din læge, sygeplejerske eller advokat – mens folk slog information op i forskellige...

Gi forecastingen bedre forutsetninger

Det har været forbeholdt spåkoner med farverige gevandter, kort og krystalkugler at udtale sig om fremtiden. Men ude i virksomhederne prøver vi jo alligevel, og ofte er værktøjet et Excel-ark, hvor...

I virksomheder har de fleste medarbejdere et klart overblik over deres egne arbejdsopgaver, og adgang til de systemer og informationer, de har brug for, for at kunne udføre dem.