fredag 16. mai 2014

Del 3 i serien "Hvordan bli en informasjonsstyrt bedrift"

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