Prediktiv analyse skritt-for-skritt
Av professor Ole-Christoffer Granmo
Dette er del 3 i
serien "Hvordan bli en informasjonsstyrt bedrift". I del 1 viste jeg deg hvordan økt bruk av historiske
data som grunnlag for beslutninger fører til økt produktivitet. I del 2 så vi på hvordan mønstergjenkjenning kan
brukes til å lete gjennom store mengder data etter mønstre som varsler om
forretningskritiske hendelser. Dette innlegget bygger på de forrige og gir deg
en praktisk innføring i prediktiv analyse.
Det første skrittet
er ofte det vanskeligste. Dette gjelder ikke minst prediktiv analyse. Men
kommer du først i gang vil du se mange muligheter åpne seg – du begynner å se hvordan
prediktiv analyse kan skape gevinster i virksomheten din. Det kan starte med
forretningsdataene du har i Excel-arket ditt. Gjennom et konkret eksempel viser
jeg deg, skritt for skritt, hvordan prediktiv analyse kan utløse en produktiv
spiral av økt forretnings- og dataforståelse, som igjen skaper enda flere
muligheter for prediktiv analyse.
Standardisert arbeidsprosess for
prediktiv analyse
Jeg tar utgangspunkt
i en standardisert arbeidsprosess for prediktiv analyse.
Figur 1 Standardisert arbeidsprosess for prediktiv analyse
I korte trekk øker denne
arbeidsprosessen forretningsforståelsen din gjennom aktiv jobbing med
forretningsdata kombinert med modellutvikling. Modellene du utvikler
- gjør deg tryggere ved å bekrefte erfaringene dine,
- avslører sammenhenger du ikke kjente tidligere,
- avliver antagelser som faktisk ikke stemmer.
Den nye innsikten er samtidig pålitelig fordi
den baserer seg på tilstrekkelig mange tilfeller og fordi den er
kvalitetssikret ved hjelp av statistiske betraktninger. Det
betyr at du kan stole på at innsikten ikke bare gjelder en enkelt gang, men kan
gjenbrukes gang på gang, for hvert nytt tilfelle du møter på. Du blir altså
rett og slett bedre til å ta mer objektive og treffsikre beslutninger.
Prediktiv analyse starter med
Excel-arket ditt
Men hvordan kommer du
i gang med prediktiv analyse slik at de første gevinstene kan høstes?
Erfaringen og kunnskapen fra forretningsområdet ditt gir deg unike muligheter.
Et beslutningsscenario
som mange kjenner til, i hvert fall som kunde, er søknad om innvilgelse av lån.
Jeg må presisere at jeg selv ikke har noen bakgrunn innenfor bank, men ønsker
nedenfor å gi et lettfattelig eksempel på hvordan prediktiv analyse kan
anvendes som et beslutningsverktøy.
La oss tenke oss at
du jobber i bank og skal avgjøre om en enslig mann på 27 år, ”Hans”, skal få
innvilget et billån på 250 000,- til ny bil. Erfaringene dine sier deg at du
bør se på en rekke faktorer. I korte trekk har ”Hans” en sparekonto som nesten
er tom. Å vise evne til sparing er et godt tegn, men å opprette en sparekonto
som man ikke utnytter teller vel i motsatt retning. ”Hans” ønsker videre å betale ned lånet på 60
måneder, og selv med en såpass lang nedbetalingstid representerer det månedlige
nedbetalingsbeløpet fire prosent av ”Hans” sin samlede forbruksramme. Samlet
sett kan dette indikere begrenset betalingsevne. Figur 2 oppsummerer dataene du
har om kunden (dataene er basert på et større og mer omfattende datasett hvor enda flere faktorer er inkludert).
Figur 2 Data om potensiell låntager
Prediktiv analyse hjelper deg med å
forstå sammenhenger
I tillegg har du data
fra andre kunder, og du kjenner nå allerede utfallet for en del av disse. Noen
har misligholdt lånet, og dette har påført banken tap, mens mange andre har en
plettfri historikk. Men hva med den nye kunden? Du ønsker selvsagt ikke å
innlede et kundeforhold som resulterer i et misligholdt lån, men samtidig vil
du ikke takke nei til en fremtidig god kunde.
Dette er et eksempel
hvor prediktiv analyse kan hjelpe deg til å ta mer treffsikre og objektive
beslutninger. Du har en rekke verktøy til rådighet. Jeg skal her bruke Orange til å analysere scenariet over. Det første
jeg lurer på er hvilke faktorer som øker eller reduserer sjansen for
mislighold. Verktøyet jeg har valgt går systematisk gjennom de historiske
dataene, og kan behandle tusenvis av enkelttilfeller i løpet av sekunder. Du
får bekreftet mange av antagelsene dine.
For det første
avhenger sjansen for mislighold av hva lånet skal brukes til. Figur 3 viser ulike
bruksområder.
Figur 3 Hva lånet skal brukes til påvirker sannsynlighet
for mislighold
Y-aksen i figuren angir
sannsynlighet for mislighold. Hvert bruksområde under x-aksen er altså forbundet
med en sannsynlighet. I tillegg ser du et 95-prosent konfidensintervall for hver
av sannsynlighetene. Basert på
datagrunnlaget kan man si at det statistisk sett er 95 prosent sjanse for at misligholdssannsynligheten
faller innenfor det angitte intervallet. Dermed ser vi for eksempel at det helt
klart er større sannsynlighet for mislighold ved kjøp av ny bil sammenlignet
med kjøp av brukt bil.
Det er også slik at
en mer eller mindre tom sparekonto kan innebære økt sjanse for mislighold, slik
figur 4 oppsummerer.
Figur 4 Lite penger på sparekonto innebærer større sannsynlighet
for mislighold
Vi ser at jo mer
låntageren har spart, jo mindre sjanse er det for at han vil misligholde et
eventuelt lån.
Videre øker
sannsynligheten for mislighold med nedbetalingstiden på lånet. Dette
illustreres i figur 5.
Figur 5 Sannsynligheten for mislighold øker med
nedbetalingstiden
Til slutt viser
dataene dine også at unge mennesker har større tilbøyelighet til å misligholde
et lån som oppsummert i figur 6.
Figur 6 Sannsynligheten for mislighold faller med
alderen til låntakeren
Det er altså en rekke
faktorer som sier noe om sjansen for mislighold i eksempelet over.
Prediktiv analyse hjelper deg med å
ta mer treffsikre og objektive beslutninger
I tillegg til å hjelpe deg med å oppdage og forstå denne typen faktorer, kan prediktiv analyse også brukes til å kombinere flere faktorer i en helhetlig vurdering. En slik helhetlig vurdering er nyttig når du skal ta gode beslutninger. La oss gå tilbake til
den potensielle kunden. Flere faktorer taler imot å innvilge et lån, men hvor
stor er egentlig sjansen for mislighold?
Figur 7 Data om potensiell låntager
Ved hjelp av
brukervennlige verktøy kan man relativt enkelt sette i gang med prediktiv
analyse. Man kobler rett og slett sammen ferdigkonfigurerte komponenter som
vist i figur 8.
Figur 8 Logistisk regresjon ved hjelp av Orange
Her ser vi en
analysejobb som først leser inn kundedataene fra fil. Deretter bygges en såkalt
logistisk regresjonsmodell. Denne modellen får i oppgave å bestemme sjansen for
mislighold basert på kundedata. Hver kunde i Excel-arket blir så tilordnet en
sannsynlighet for mislighold, som legges i en egen kolonne i arket. For ”Hans”
sin del faller analysen uheldig ut. Han tilordnes en sjanse på 91 prosent for
mislighold.
Basert på analysen
over og din egen erfaring velger du å ikke innvilge lånet til ”Hans”. Det var
et smart valg. En annen bank ga ”Hans” lånet uten å utføre en grundig analyse,
og tapte penger. (De historiske dataene inneholder fasiten for dette scenariet
og viser at lånet i ettertid faktisk ble misligholdt av denne kunden.)
Veien videre
Dette praktiske
eksempelet demonstrerer hvor nyttig prediktiv analyse kan være. Kanskje du står
overfor lignende utfordringer. Det viser seg at riktig bruk av prediktiv
analyse har gitt bedre beslutninger for virksomheter innenfor en rekke bransjer.
Det finnes nå solide og brukervennlige verktøy som gjør at du kan utnytte
forretningsforståelsen og kunnskapen din på nye måter. I mitt eksempel har jeg
brukt Orange som hovedverktøy, men jeg vil også fremheve KNIME og Weka som gode alternativer basert på åpen kildekode.
Conduct jobber for å realisere verdien som
ligger i åpne og innovative IT-løsninger. Vi har omfattende kompetanse innen
analyse av data, både strukturerte data i overkommelige mengder og Big Data.
Conduct har blant annet medarbeidere med doktorgrad i prediktiv analyse og datamining
med ekspertise innenfor:
- Analyse og prediksjon,
- Overvåkning og styring,
- Optimering og ressursallokering,
- Data- og tekstmining,
- Visualisering, simulering og beslutningsstøtte,
- Smarte applikasjoner.
Innenfor prediktiv analyse tilbyr vi tjenester
knyttet til:
- Drift & forvaltning av løsninger,
- Rådgivning,
- Proof-of-Concept & ideprosjekt,
- Arkitektur,
- Spesialtilpasning,
- Kurs & opplæring,
- Produksjonssetting & organisasjonstilpasninger.
La oss hjelpe deg å utnytte dine data for å
optimere driften av din virksomhet.
Ingen kommentarer:
Legg inn en kommentar