Executives guide til præskriptiv analyse

Den moderne verden er oversvømmet med data. Det kommer til virksomheder i form af lokationsdata, personlige oplysninger, cookies, onlineadfærd, købsvaner... næsten alt, hvad internetbrugere gør på nettet og med deres mobile enheder, ender med at generere data fra nogle venlig.

En af de største måder, som virksomheder kan bruge data på, er at forudsige fremtiden gennem en proces kaldet forretning analytics, hvor virksomheder bygger modeller af fortid, nutid og fremtid baseret på de data, de har indsamlet. Men at vide, hvad der potentielt kommer, er ikke meget værd, medmindre du kan finde ud af, hvad du skal gøre med den viden, som er her den sidste fase af forretningsanalyse, kendt som præskriptiv analyse, kommer i.

Langt fra kun at være et prognoseværktøj, sigter præskriptiv analyse på at gå ud over blot at beskrive en potentiel fremtid: Den trækker i de forskellige tråde, der udgør datamodeller, for at foreskrive den bedst mulige kurs af handling.

Hvis din organisation indsamler data og endnu ikke har forpligtet sig til et præskriptivt analyseprogram, er det tid til at overveje det. Korrekte præskriptive programmer kan spare tid og penge, maksimere fortjenesten og sikre, at din virksomhed kører så glat som muligt.

SE: Dataanalyse: En guide til virksomhedsledere (gratis TechRepublic PDF)

Resumé (TL; DR)

• Hvad er præskriptiv analyse? Præskriptiv analyse er den sidste fase af forretningsanalyse. Det tweaks prædiktive analytiske modeller, som forudsiger, hvad der vil ske, hvis den nuværende kurs fastholdes, for at opnå de bedst mulige resultater.
• Hvilke typer variabler sporer præskriptive analyser? Det er svært at fastgøre denne til absolutte værdier. Næsten alle variabler, der påvirker forretningsdriften, kan overvejes i en præskriptiv model. Hvad der er vigtigt varierer på tværs af brancher, men der er nogle gennemgående elementer.

• Hvordan fungerer præskriptiv analyse? Startende med den prædiktive model foretager dataforskere justeringer af forskellige aspekter af modellen og bruger flere typer teknologi til at se, hvordan deres ændringer påvirker modellen. Alternativt kan de tilpasse modellen med et specifikt mål for øje i et forsøg på at nå en ønsket konklusion på den mest effektive måde.
• Hvordan kan præskriptive analyser hjælpe virksomheder med at få succes? Med præskriptive analyser er spillet altid det samme: optimal ydeevne til minimale omkostninger. Tænk på en måde, hvorpå din organisation kan forbedre sig, og tænk derefter over, hvad der skal til for at gøre det. Præskriptiv analyse er det samme, men med en højere grad af sikkerhed er det mere sandsynligt, at det fører til succes.
• Hvordan kommer en virksomhed i gang med præskriptiv analyse? Virksomheder, der allerede udfører dataanalyse, har et ben med at komme til præskriptiv analyse. Dem, der ikke er, er i en lang, men vigtig rejse, der inkluderer ansættelse af nye analytikere, at finde de rigtige prescriptive analytics platform, og opbygning af de deskriptive og prædiktive modeller, der er afgørende for et gode recept.

Hvad er præskriptiv analyse?

Præskriptiv analyse er den sidste fase af en tredelt model for forretningsanalyse, der starter med sorteringen af ​​data, som en organisation har indsamlet. Når data er blevet organiseret på en måde, der gør dem nyttige, begynder den første fase af forretningsanalyse.

Hedder beskrivende analyse, denne første fase involverer analyse af data for at bestemme den aktuelle tilstand af en organisation.

Alle data, der skaber et billede af nutiden, kan bruges til at skabe en beskrivende model. Almindelige typer data er kundefeedback, budgetrapporter, salgstal og anden information, der gør det muligt for en analytiker at tegne et billede af nutiden ved hjælp af data om fortiden.

En grundig og komplet beskrivende model kan derefter bruges i prædiktiv analyse at opbygge en model for, hvad der sandsynligvis vil ske i fremtiden, hvis organisationens nuværende kurs fastholdes uden ændringer.

Forudsigende modeller er bygget vha maskinelæring og kunstig intelligens, og tage højde for eventuelle potentielle variabler brugt i en beskrivende model. Ligesom en beskrivende analyse kan en prædiktiv model være så bredt eller så snævert fokuseret, som en virksomhed har brug for den skal være.

Forudsigende modeller er nyttige, men de er ikke designet til at gøre noget ud over at forudsige nuværende tendenser i fremtiden. Det er der præskriptiv analyse kommer i.

En god præskriptiv model vil tage højde for alle potentielle datapunkter, der kan ændre forløbet af forretning, foretag ændringer i disse variabler og opbyg en model for, hvad der sandsynligvis vil ske, hvis disse ændringer er lavet.

Recepter, som dem, der er lavet af læger, forsøger at løse et problem på den mest effektive måde. Motion og en god kost kan være nok til at løse et medicinsk problem, men for virksomheder kan den bedste vej frem være justeringer af deres forsyningskæde, en strømlinet beslutningsproces, mere aggressiv salgstaktik eller andet, der i kombination med andre datapunkter skaber en model for succes.

Det er værd at bemærke det præskriptiv analyse er ikke et nyt koncept - i hvert fald ifølge IBM-teamet, der opfandt udtrykket i en artikel fra 2010. Receptpligtige modeller blev brugt længe før den moderne æra, men de var begrænset til menneskers evne til at knuse tal og redegøre for variabler.

"Mange problemer involverer simpelthen for mange valg eller alternativer til, at en menneskelig beslutningstager effektivt kan overveje, veje og afveje," hedder det i artiklen. Med fremkomsten af ​​moderne maskinlæring og supercomputing er det langt mere praktisk at bygge modeller, der er meget nøjagtige og står for praktisk talt alt.

SE: Forretningsanalyse: Det væsentlige i datadrevet beslutningstagning (ZDNet)

Hvilke typer variabler sporer præskriptive analyser?

Virksomhedsledere kan sikkert komme i tanke om nogle få variabler, der ville indgå i en præskriptiv model for deres organisation uden for toppen deres hoveder, men den liste er måske kun en brøkdel af alle de datapunkter, der skal tages højde for for at opbygge en god præskriptiv model.

Som nævnt ovenfor handler præskriptiv analyse om optimering, så datapunkter, der påvirker optimal forretningspraksis, er det, der skal med. De anvendte data kan enten være strukturerede eller ustrukturerede, så lad os tage et kig på potentielle variabler opdelt i disse to kategorier.

Strukturerede data

• Kundedata
• Salgsrekorder
• Forsendelsesoptegnelser
• Inventardatabaser
• Faktureringsoptegnelser
• Timekort optegnelser

Strukturerede data er i det væsentlige alt, der allerede er i en relationel database, hvor der er klart definerede felter, som dataene er sorteret i.

Ustrukturerede data

• Kunde feedback
• Webtrafik
• E-mails
• Fakturaer
• Papir optegnelser
• Dokumenter, både digitale og fysiske
• Fotografier
• Lydoptagelser
• Videoer
• Rådata fra IoT-enheder

Ustrukturerede data kan i det væsentlige være alt, der ikke falder ind under kategorien strukturerede data. Chancerne er, at din organisation har et væld af ustrukturerede data, og meget af det kan være vigtigt for at opbygge en præskriptiv model.

Hvordan fungerer præskriptiv analyse?

En af de bedste udseender under motorhjelmen af ​​præskriptive analyser kommer fra artiklen fra 2010 skrevet af IBM-teamet, der refereres til ovenfor.

I artiklen definerer IBM-teamet præskriptiv analyse som: "Et sæt matematiske teknikker, der beregningsmæssigt bestemmer et sæt af høj værdi alternative handlinger eller beslutninger givet et komplekst sæt af mål, krav og begrænsninger med det formål at forbedre virksomhedens præstation."

Hvis det hele lyder af meget, er det fordi præskriptiv analyse, selv om den er enkel i konceptet, kræver en masse arbejde at udføre.

Nogle af de værktøjer, der går ind i præskriptiv analyse, inkluderer grafanalyse, simuleringer, kompleks hændelsesbehandling, der tager højde for yderligere data, neurale netværk, der kombinerer flere former for maskinlæring, og anbefalingsmotorer til at modellere bruger/kunde respons.

Derudover skal præskriptiv analyse tage højde for usikkerhed i data gennem brug af heuristik, som praktisk talt er en helt anden videnskab i sig selv.

Heuristisk problemløsning indebærer at finde den bedste vej til en praktisk løsning, som selvom ikke nødvendigvis den mest effektive eller ideelle, er den bedste, når usikkerhed gør det at finde den ideelle løsning umulig.

I betragtning af størrelsen og omfanget af receptpligtige modeller giver det mening, at heuristik er en grundlæggende del af en god recept. I mange tilfælde er det simpelthen ikke muligt at finde den matematisk optimale løsning, så den mest praktiske, der stadig er en forbedring, bliver ideel.

Når der er taget højde for alle variabler, en model er bygget og et problem at løse er bestemt, kan der foretages en præskriptiv analyse. Moderne præskriptive analyseværktøjer er ofte i stand til at returnere resultater i næsten realtid, hvilket gør de er ideelle til at ændre kurs i farten for at tage højde for det hurtige tempo i den moderne forretningsverden.

Hvordan kan præskriptive analyser hjælpe virksomheder med at få succes?

Målet med en præskriptiv analyse er altid det samme: Find den optimale fremgangsmåde for at opfylde et bestemt mål.

Hvis du kan komme i tanke om et forretningsbehov, har fundet noget i dine andre former for dataanalyse, der rejser spørgsmål, eller blot står over for en høj grad af usikkerhed om fremtiden, er der måder, hvorpå præskriptiv analyse kan hjælpe.

Her er et par eksempler på præskriptiv analyse i aktion:

Direkte køb, en medlemskabsbaseret forbrugerkøbsklub (svarende til Sam's Club eller Costco). regressionsteknikker og beslutningstræmodeller at hjælpe sit medlemsserviceteam med at udvikle mere effektive medlemsfastholdelsesmodeller og endda eliminere adskillige fastholdelsesprogrammer, der viste sig at være ineffektive.

BondIT, en digital investeringsplatform, brugte IBMs præskriptive platform til opbygge porteføljer til fastforrentede personer. Maskinlæringsmodeller har gjort det muligt for BondIT at skræddersy porteføljer til hver enkelt person på få minutter i stedet for dage og har reduceret risikoen med 30 procent, samtidig med at den samme indtjening for kunderne bevares.

FleetPride, der leverer reservedele til erhvervskøretøjer, brugte præskriptive analyser til strømline sin forsyningskæde. Receptpligtige modeller forbedrede lagerstyring, reducerede lønomkostninger, øgede overskud og eliminerede næsten alle fejl i forsendelsespakning.

Andre potentielle anvendelsessager til præskriptiv analyse kunne være:

• Maksimering af flyselskabets fortjeneste ved at eliminere overtankning og skabe mere effektiv flyveplanlægning
• Forbedring af cost/benefit-forholdet for sundhedsprocedurer ved at finde den bedste fremgangsmåde til bestemte klientsager
• At finde den bedste prisordning for varer i en detailbutik
• Optimering af produktlayout på hylder i en butik
• Bestemmelse af den mest effektive måde at planlægge skift på en 24-timers fabrik
• At finde den optimale kilde til råvarer

Måderne, hvorpå præskriptiv analyse kan gavne en organisation, er utroligt varieret, og det er svært at sige præcist, hvordan et præskriptivt analyseprogram kan hjælpe en bestemt virksomhed med at få succes.

Fra et generelt synspunkt, som nævnt ovenfor, sigter præskriptiv analyse på at finde den optimale handlemåde for at opfylde et specifikt forretningsmål. Om det mål er noget generelt, som at forbedre overskuddet, eller noget specifikt, som at bestemme det optimale sted at bore en brønd, har et godt præskriptivt analyseprogram potentialet til at transformere en virksomhed og gøre fremtiden lettere se.

SE: Zebra Technologies køber præskriptivt analysesoftwarefirma Profitect (ZDNet)

Hvordan kommer en virksomhed i gang med præskriptiv analyse?

Hvis din organisation allerede har udviklet et analyseprogram af en slags, tillykke: Du er et skridt tættere på præskriptiv analyse. At have grundlaget på plads til beskrivende og prædiktiv analyse kan spare dig for en masse tid og penge.

Organisationer, der er nye inden for forretningsdataanalyse, har på den anden side en masse arbejde skåret for dem.

Trin 0: Data

Hvis din organisation ikke har et godt styr på sine data, eller hvis du ikke har indsamlet dem på nogen meningsfuld måde, skal du starte her.

Alle de data, du mener kan være relevante, bør indsamles og organiseres. Dette omfatter både strukturerede og ustrukturerede data.

Trin 1: Angiv et mål

Som ethvert forretningstransformationsinitiativ er det næsten umuligt at begynde at arbejde hen imod præskriptiv analyse uden at sætte sig ned og angive et mål. Som nævnt før, kan dette være et bestemt mål eller noget bredere med en større indflydelse på hele organisationen.

Uanset hvordan du griber et præskriptivt program an, er det vigtigt at sætte et mål, så du ved, hvad du arbejder med.

Trin 2: Disposition

Når du ved, hvor du vil hen med et præskriptivt analyseprogram, er det tid til at finde ud af, hvad du skal gøre for at nå dertil. Dette trin vil være det, du bruger mest tid på, i det mindste fra et planlægningsperspektiv, så sørg for, at du ikke springer noget væsentligt over.

Ting du skal bestemme under dette trin inkluderer:

• At definere det særlige problem, du tror, ​​du har
• Identificere, hvilke typer data du skal fokusere på
• Bestemmelse af den slags færdigheder, dit analyseteam skal bruge
• Beslutning om, hvem der er ansvarlig for det samlede projekt
• Udvikling af en tidslinje for projektet
• Vælg den software, du skal bruge for at udføre dine analyser

Analytics-software kommer i mange varianter, og den, du vælger, kan have en enorm indflydelse på, hvad dit team skal gøre. Forskellige typer platforme er tilgængelige, og de falder stort set i tre kategorier: færdigpakket software, modelleringsplatforme og løsere.

Færdigpakket software er typisk bygget til at understøtte en bestemt type problem og industri og inkluderer produkter som:

• Flodlogik, som er en generel brug, lav-kode analytics suite
• Profitect, som fokuserer på detailapplikationer af præskriptive analyser
• Angoss, som har fokus på markedsføring
• Rockwell Automation, som er gearet til at optimere vedligeholdelsesbehovet

De to andre former for software, modelleringsplatforme og løsere, har en tendens til at blive brugt i tandem. Modelleringsplatforme, ifølge River Logic, bruges til at bygge matematiske modeller, der definerer problemer. Løsere på den anden side bruges til at udvikle løsninger baseret på problemet defineret i en modelleringsplatform.

Der er snesevis af begge typer platforme. Nogle af lederne inden for disse typer software inkluderer IBM, NGDATA, Flodlogik, FICO, og SAS.

Modellering og løsning af software har en tendens til at være mere tilpasningsdygtig, men det kræver meget mere analytisk færdighed at bruge. Hvis du vil gå denne vej, skal du være parat til at bruge flere penge - men du bør ende med en løsning, der er mere skræddersyet til din organisations unikke behov.

Trin 3: Test

Når du har et team på plads, har valgt en platform og ved, hvad du vil opnå, er det tid til at starte det rigtige analysearbejde.

Den første ting, dit analyseteam bør gøre, er at bygge et proof-of-concept, der hjælper dig med at forstå, om dit projekt er gennemførligt.

Når beviset er udarbejdet, kan du bruge den samme grundmodel til at bygge en implementering i lille skala med rigtige data. Udfør små tests for at se, hvilken slags resultater du får, foretag justeringer og test derefter i større og større skalaer.

På dette tidspunkt er det tilrådeligt at skalere op til fuld styrke, men arbejd på at opbygge en solid forudsigelsesmodel, du kan bruge som din baseline til at udføre præskriptive eksperimenter.

Når alle relevante data er tilføjet, præskriptive formler og algoritmer er blevet bygget, og alt kører pålideligt, er det tid til det sidste trin: faktisk præskriptiv analyse.

Feedback fra et fungerende foreskrivende system kan være hurtig, så vær sikker på, at din organisation er klar til at begynde at implementere, hvad dine modeller foreslår med det samme. Receptpligtige modeller, der ikke bliver fulgt, er lige så ubrugelige som at ignorere en læges ordrer, så lad ikke dine planer forsvinde ved ikke at gennemføre dem med det samme.

Hele denne proces kan tage tid. Måneder eller endda år kan bruges på at få tingene rigtigt, før du modtager handlingsrettede præskriptive analyser. Lad det dog ikke forhindre dig i at investere. Præskriptiv analyse er hurtigt ved at blive en væsentlig bidragyder til succes i den moderne forretningsverden.

Hvorfor gætte, lave fejl og starte forfra, når du kan bruge den avancerede maskinlæring og big data knasende software tilgængelig på markedet i dag? Der kan være store opstartsomkostninger involveret, men det velkendte ordsprog "Du skal bruge penge for at tjene penge" passer perfekt til præskriptive analyser.

Se også

• Præskriptiv analyse: Et snydeark (TechRepublic)
• Præskriptiv analyse: En insidervejledning (gratis PDF) (TechRepublic)
• Funktionssammenligning: Dataanalysesoftware og -tjenester (Tech Pro Research)