Van descriptive naar predictive analytics: wanneer is jouw bedrijf klaar voor voorspellingen?

In deze bog vertellen we je hoe de overgang van descriptive naar predictive analytics gaat en wat het verschil tussen deze twee vormen is.

Descriptive analytics

Descriptive analytics is een vorm van data-analyse die terugkijkt op wat er in de organisatie gebeurd is. Het is een veelgebruikte manier van rapporteren, vaak te zien in tools als Excel, Tableau of Power BI. Aggregaties, opsommingen en gemiddelden zijn meettechnieken die je voornamelijk terug ziet komen binnen deze analyses. Vragen die beantwoord kunnen worden, zijn:

• Hoeveel producten heb ik in de laatste zes weken verkocht?
• In welke ziekenhuizen zag ik afgelopen jaar pieken in het aantal neurologie-patiënten?
• Hoeveel huur waren mensen binnen een bepaalde leeftijdscategorie bereid om te betalen?

Predictive analytics

Bij predictive analytics wordt er gebruik gemaakt van voorspellingen, een glazen bol is hierbij niet nodig. Binnen deze vorm van analyseren wordt er vooruit gekeken door middel van kennis uit beschikbare data. Het grote verschil met descriptive analytics is de complexere variant van wiskunde die hierbij nodig is. Vragen die gesteld kunnen worden, zijn:

• Hoeveel producten in categorie A zullen verkocht worden in de komende week?
• Welke klantgroepen zijn te onderscheiden binnen mijn webshop?
• Wat zijn de huurprijzen voor de komende 10 jaar voor een bepaald soort appartement?

Wellicht herken je jouw organisatie in het eerste verhaal over descriptive analytics. Het kan zijn dat er momenteel veel terugkijkende datavragen gesteld worden, maar dat je steeds meer merkt dat dit bijkomende vragen oproept. Dit betekent: niet alleen naar het verleden kunnen kijken, maar ook naar de toekomst. Er is dus een bepaalde wens om te innoveren en dieper op data in te gaan.

Verschillende vormen van predictive analytics

Er zijn tal van manieren om predictive analytics in categorieën op te delen. Wat je wel altijd zal zien, is dat er een kant bestaat waarbij het model een duidelijk voorspellend karakter heeft. Daarnaast is er ook een kant waarbij je minder snel doorhebt dat het om een voorspelling gaat. Deze twee vormen zijn:

1. Een model om mee in de toekomst te kijken, bijvoorbeeld prijzen over een aantal jaar. Dit gaat vaak gepaard met een specifieke tijdsperiode waarop je vooruit wil kijken.
2. Het vinden van patronen in een dataset om meer inzicht te bieden. Hierbij kun je denken aan het vinden van klantcategorieën voor marketingdoeleinden. Voorbeelden zijn aanbevelingsmodellen voor films, series of muziek. Een ander voorbeeld is een app waarin je een foto van een vogel uploadt en vervolgens te zien krijgt welke soort het is. Dit voelt wellicht minder aan als “Predictive”, omdat je niet per sé een bepaalde tijdsperiode vooruit kijkt. Toch maak je hierbij gebruik van de patronen die je in je data kan vinden, om een voorspelling te maken voor een nieuwe klant, gebruiker of foto.

Ten goede van het bedrijfsproces

De belangrijkste factor binnen een bedrijfsproces is efficiëntie. Dit resulteert vaak in kostenvoordelen, snelheid en tevredenheid onder medewerkers en klanten. Het gebruik van voorspellende modellen kan het bedrijfsproces op grofweg twee manieren ten goede komen: je gaat beter voorbereid een toekomstige periode in en je hebt meer tijd om je te richten op zaken die echt belangrijk zijn.

Wanneer er van tevoren duidelijk is dat product A goed verkoopt op Locatie C in de periode april tot juni, dan zorg je voor een voorraad die bij de voorspelling past. Zo gaat je organisatie meer voorbereid een toekomstige periode in.

Daarnaast is er de tijd om je te richten op zaken die echt belangrijk zijn. Als marketing manager ben je constant op zoek naar de juiste combinatie van factoren binnen je campagne of naar klanten die wellicht overstappen. Door een model te gebruiken die patronen in jouw uitgebreide dataset zoekt, krijg je bijvoorbeeld een lijstje van klanten waarbij het risico op overstappen groter dan 65% is. Deze mensen kunnen vervolgens benaderd worden.

Valkuilen van predictive analytics

Ondanks de vele voordelen van predictive analytics zijn veel organisaties huiverig om het in de praktijk uit te werken. Zo zien zij vaak beren op de weg en ervaren zij de afstand tussen eigen organisatie en de uitvoering als te groot. Veel voorkomende voorbeelden hiervan zijn het niet beschikken over genoeg data, het niet kunnen creëren van draagvlak binnen de organisatie of een te ingewikkelde tool waarmee gewerkt moet worden.

Te weinig data

Organisaties zijn bang dat er niet genoeg data beschikbaar is om voorspellingen te maken. Er is een minimaal aantal datapunten nodig om een voorspelling te maken, maar hoeveel dit er precies zijn, dat verschilt per vraagstuk en model. Over het algemeen geldt: meer datapunten geeft een betere voorspelling. Hierbij is het wel belangrijk dat er sprake is van bruikbare en betrouwbare data.

Als er nog niet genoeg data is, kan hier wel aan gewerkt worden. Samen met een data-expert kan er worden gezocht naar welke data precies nodig is voor het vraagstuk. Deze data kan bijvoorbeeld gehaald worden uit je CRM-systeem, social media, website of Excel-formulieren. Daarnaast kan je beschikbare data ook verrijkt worden met openbare datasets. Zo gebruikten wij voor Houzr onder andere openbare demografische data. Het is vervolgens belangrijk om, in samenwerking met een data-adviseur, goed na te denken over een centrale opslag. De samengevoegde data moet immers gebruikt worden als leermateriaal voor het voorspellende model. De data specialisten binnen Veneficus helpen organisaties maar al te graag op weg.

Geen draagvlak

Personen binnen de organisatie kunnen daarnaast twijfels hebben bij het gebruik van voorspellende modellen. Het is belangrijk om werkgevers, werknemers of andere betrokkenen binnen de organisatie ervan bewust te maken dat zij in principe dagelijks te maken hebben met dergelijke modellen. Mails die gemarkeerd worden als spam, product-aanbevelingen in een webshop en zelfrijdende auto’s zijn allemaal voorbeelden van voorspellende modellen.

Probeer daarnaast praktijkvoorbeelden op te zoeken die voor jouw organisatie, afdeling of team relevant zijn en creëer draagvlak binnen de organisatie. Enkele voorbeelden waarbij gebruik is gemaakt van voorspellende modellen zijn terug te vinden in onze klantcases.

Te veel complexiteit

De formules achter predictive analytics zijn vaak lastig te begrijpen voor iemand die nieuw is binnen het gebied. Een model hoeft niet per sé te gecompliceerde technieken te gebruiken. Het meest vooruitstrevende neurale netwerk kan ingezet worden om indruk te maken, maar vaak presteert een simpel model ook zeer goed. Hierbij kan men denken aan methodes die duidelijk afgeleid zijn van statistiek, zoals regressie-methodes.

Op deze manier heb je minder te maken met een black box en is het tot een bepaalde hoogte goed uit te leggen wat er gebeurt bij het maken van een voorspelling. In veel gevallen kan er zelfs een combinatie gemaakt worden van verschillende methodes, zodat de beste voorspelling eruit komt. Dit heet het Ensemble model.

Analyses automatiseren

Als er met enige regelmaat voorspellingen gemaakt moeten worden, is het prettig als dit automatisch gaat. Je kan dan denken aan een grafiek als onderdeel van je management-dashboard, maar ook een aparte web app waar je zelf informatie invult. Met deze informatie, maakt het model op de achtergrond berekeningen, om vervolgens een voorspelling te tonen. Met de Veneficus-tool PRIM (Potential Residential Investment Model), kan je bijvoorbeeld zelf via een web app informatie invullen over een woning, om vervolgens een pagina aan statistieken en cijfers terug te krijgen met voorspelde huur- en verkoopprijzen voor de komende jaren.

Ben jij klaar voor predictive analytics?

Predictive analytics is voor organisaties dé manier om efficiënter te werken, datagedreven conclusies te trekken en je te onderscheiden van de concurrentie. Heeft deze blog je geholpen om een duidelijk beeld te krijgen over de voordelen van predictive Analytics en ben je geïnteresseerd naar nog meer informatie? Binnen Veneficus hebben wij ervaren en enthousiaste Data Scientists in dienst die graag met jou meedenken en je helpen de kloof naar de praktijk te overbruggen. Vraag een gratis tactisch aanvalsplan aan en start met voorspellen!