Voorspellende analyse is de motor die een organisatie nodig heeft om betere beslissingen te nemen, ongeacht de functie of sector. Bovendien levert het implementeren van voorspellende analyse een concurrentievoordeel op dat elders moeilijk te vinden is.
In dit artikel bespreken we wat voorspellende analyse is, bekijken we enkele voorbeelden van hoe het wordt gebruikt en leggen we uit hoe het werkt.
Wat is voorspellende analyse?
Voorspellende analyse is een overkoepelende term voor diverse statistische en data-analysetechnieken – waaronder data mining, voorspellend modelleren en machine learning. Het primaire doel van voorspellende analyse is voorspellingen doen over uitkomsten, trends of gebeurtenissen op basis van patronen en inzichten uit historische data.
Voorspellende analyse is de tweede van vier fasen van analytische capaciteit binnen een organisatie. De vier fasen van analytics, in volgorde, zijn:
- Descriptieve analyse – vaststellen wat er in het verleden is gebeurd
- Diagnostische analyse – begrijpen waarom het is gebeurd
- Voorspellende analyse – voorspellen wat er hierna zal gebeuren
- Voorschrijvende analyse – optimaliseren en experimenteren met hoe je het het beste kunt laten gebeuren
Organisaties moeten deze fasen in deze volgorde doorlopen, omdat je de toekomst alleen effectief kunt voorspellen door het verleden te begrijpen. Zo gaan organisaties van begrijpen wat er is gebeurd en waarom, naar voorspellen wat er daarna zal gebeuren. Een extra, laatste fase van analytics omvat volledig geoptimaliseerde, autonome analytische systemen die in de loop van de tijd continu leren en, feitelijk, ‘intelligent’ zijn.
Voorspellend modelleren omvat twee soorten machinelearning-algoritmen: supervised en unsupervised. Supervised machinelearning-algoritmen worden gebruikt om een doeluitkomst te voorspellen en zijn de primaire tools voor voorspellende analyse.
Voor een stapsgewijze walkthrough over het gebruik van machine learning in voorspellende analyse, bekijk onze Lyric Analysis-tutorial.
Er zijn twee hoofdtypen supervised machinelearning-algoritmen:
- Classificatiemodellen – gebruikt om te voorspellen of observaties in een bepaalde categorie of klasse vallen. Bijvoorbeeld voorspellen of een klant zal afhaken of niet. Veelgebruikte classificatietechnieken zijn beslisbomen en logistische regressie.
- Regressiemodellen – gebruikt om een waarde te voorspellen. Bijvoorbeeld het voorspellen van de doorklikratio van een advertentie. Veelgebruikte methoden voor dit soort waardeschattingen zijn lineaire regressie en polynomiale regressie.
Onsupervised machinelearning-algoritmen doen daarentegen geen voorspellingen, maar zoeken naar patronen in data die vervolgens kunnen worden gebruikt om vergelijkbare datapunten te labelen of te groeperen. Een van de populairste unsupervised algoritmen is bijvoorbeeld k-means clustering, waarbij vergelijkbare datapunten, zoals klanten, worden gegroepeerd in clusters.
Voorspellende analyse kan ook andere statistische en data-miningtechnieken omvatten om huidige trends te identificeren, de toekomst te voorspellen en uitkomsten te schatten. Later in dit artikel bespreken we een paar specifieke voorbeelden van hoe organisaties voorspellende analyse kunnen inzetten.
Voorschrijvende vs. voorspellende analyse
Voorschrijvende analyse is de derde fase van analytische capaciteit van een organisatie en bouwt voort op de voorspellende modellen die in de voorafgaande fase zijn gemaakt.
Waar voorspellende analyse ons vertelt waarom iets gebeurt en wat er waarschijnlijk hierna gebeurt, ligt de focus in voorschrijvende analyse op het optimaliseren van en experimenteren met de modellen die we al hebben gebouwd. Het beantwoordt je "wat-als"-vragen en stelt je in staat door te gaan met het best mogelijke scenario op basis van de informatie die je krijgt door experimenten en simulaties uit te voeren.
Jeff Bezos, CEO van Amazon, zei ooit treffend: "Ons succes bij Amazon is een functie van hoeveel experimenten we doen per jaar, per maand, per week, per dag."
Experimenten uitvoeren op alle aspecten van analytische processen en projecten is een belangrijke voorwaarde voor succesvolle voorschrijvende analyse.
Voorbeelden van voorspellende analyse
Voorspellende analyse zet datapunten om in waardevolle inzichten die meerdere facetten van een organisatie kunnen sturen en onderbouwen.
Hier zijn slechts enkele voorbeelden van hoe organisaties voorspellende analyse kunnen benutten:
Financiële KPI’s voorspellen
Het voorspellen van belangrijke financiële kengetallen zoals omzet, kosten en voorraad leidt tot effectievere en beter onderbouwde besluitvorming op basis van feiten en data in plaats van alleen intuïtie.
Fraude detecteren en verminderen in het bankwezen
Een van de kostbaarste en schadelijkste situaties voor een bank is fraude. Voorspellende analyse kan helpen om afwijkingen en kwetsbaarheden te identificeren die op fraude kunnen wijzen, zodat deze instellingen snel kunnen ingrijpen.
Voorspellen of een klant een lening niet zal terugbetalen
Het verstrekken van leningen is van nature risicovol voor verzekerings- en financiële instellingen. Met voorspellende modellen inschatten of een klant waarschijnlijk in gebreke blijft, is de beste manier voor deze instellingen om dit risico aanzienlijk te verkleinen.
Verloop van medewerkers voorspellen
Voorspellende analyse kan het HR-beheer van je organisatie verbeteren door verloop van medewerkers te voorspellen. Dit omvat het anticiperen op toekomstige wervingsbehoeften en het juiste moment vinden om medewerkers te stimuleren.
Koopgedrag van klanten begrijpen
Organisaties kunnen de verkoop en conversieratio’s verhogen door patronen achter klantenaankopen te ontdekken en de redenen achter hun koopgedrag te onderzoeken. Je kunt customer analytics en A/B-testen in Python gebruiken om dit gedrag te begrijpen.
Marketingcampagnes richten op de juiste klanten
Bedrijven kunnen doorklikratio’s van advertenties en conversies van marketingcampagnes in het algemeen verhogen door de juiste klanten op het juiste moment te targeten. Voor een diepere kijk op de toepassing van voorspellende analyse in marketing, bekijk DataCamp’s cursus over klantverloop voorspellen in Python.
Productieverspilling verminderen
Voorspellende analyse kan je organisatie helpen de factoren achter verspilling in de productie te begrijpen, zodat je op de juiste plekken kunt ingrijpen. Het gebruiken van voorspellende modellen om deze factoren te doorgronden kan leiden tot aanzienlijke kostenbesparingen.
Hoe werkt voorspellende analyse?
Er zijn veel verschillende tools voor voorspellende analyse beschikbaar. De tool die je kiest, hangt af van het doel van je analyse – van business intelligence- en visualisatietools zoals Tableau en Power BI tot complexe programmeertalen zoals R en Python.
Voor een introductie tot voorspellende analyse in Python, zie onze cursus Introduction to Predictive Analytics in Python. Als je al bekend bent met Python of voorspellende analyse, bekijk dan de cursus Intermediate Predictive Analytics in Python.
De meeste projecten voor voorspellende analyse volgen vergelijkbare workflows en processen. In deze sectie behandelen we enkele van de belangrijkste stappen die je in de meeste projecten tegenkomt.
Doel
Elk project voor voorspellende analyse begint met het begrijpen van het doel, het identificeren van het probleem en het kiezen van de beste oplossing.
Projecten voor voorspellende analyse zijn erop gericht de organisatie te helpen haar strategische doelstellingen te behalen. Als het projectdoel terug te voeren is op een cruciale doelstelling voor de organisatie, is de kans groter dat er draagvlak is op elk relevant niveau. Dit zorgt ervoor dat het project niet alleen waardevol is, maar ook succesvol.
Als het doel van het project eenmaal is bepaald, leidt dit vanzelf tot een duidelijk probleem dat het project moet oplossen en daarmee tot de oplossing die nodig is om daar te komen.
Data
Data kan uit verschillende bronnen komen, zoals CSV-bestanden, databases, datawarehouses en applicaties van derden. Als dat nog niet is gebeurd, moeten deze databronnen worden geconsolideerd en beheerd op een centrale locatie voordat je ze kunt gebruiken voor voorspellende analyse en modellering. Dit zorgt ervoor dat de data veilig is en dat kwaliteit en governance topprioriteiten zijn.
Zoals het oude gezegde in data-analyse luidt: "garbage in, garbage out". Probeer te vermijden om al je data in spreadsheets op te slaan. Hoewel flexibel, zijn spreadsheets gemakkelijk te bewerken en te delen zonder controle over de kwaliteit en beveiliging van de data erin.
Denk daarnaast na over de hoeveelheid data die je hebt of in de toekomst wilt genereren. Zonder de juiste opslagsystemen en processen om grotere hoeveelheden data aan te kunnen, kunnen voorspellende modellen onnodig tijdrovend worden om te bouwen en ineffectief voor de problemen die ze moeten oplossen.
De transformatiefase in een project voor voorspellende analyse omvat het opschonen, verkennen en voorbereiden van de data voor de komende analyse of het model.
Bij het opschonen van de data moet je letten op ontbrekende waarden en uitschieters of verdachte waarden die in de context van het probleem niet logisch zijn. Dit gaat hand in hand met data-exploratie: door de data te verkennen ga je die begrijpen en vallen afwijkingen je eerder op.
Tot slot moet de data worden voorbereid voor de volgende stap van het project. Het exacte proces hangt hier af van het algoritme en het type analyse dat moet worden uitgevoerd.
Stel bijvoorbeeld dat je een lineair regressiemodel gaat fitten om doorklikratio’s in een advertentiecampagne te voorspellen. Dan moet je rekening houden met de aannames van lineaire regressie en of de data daaraan voldoet. Ook is het nodig om categorische variabelen in je data om te zetten in dummyvariabelen, bekend als one-hot encoding.
Voordat je een voorspellend model gaat bouwen, moet je je data opdelen in trainings-, test- en validatiesets. Je past het model op de trainingsset, waarmee het de patronen in de data leert om voorspellingen te doen. Daarnaast heb je een validatieset nodig om te itereren en het model te verbeteren, en vervolgens een uiteindelijke, onbevooroordeelde schatting van de nauwkeurigheid te krijgen met de testset.
Analyseren
Als je een voorspellend model bouwt met een relatief eenvoudig supervised machinelearning-algoritme zoals logistische regressie, dan bestaat deze stap uit het fitten van het model en het evalueren van de resultaten. Sommige complexere algoritmen, zoals neurale netwerken, vereisen echter zorgvuldige fine-tuning en aanpassingen om nauwkeurige voorspellingen te produceren.
Belangrijk om te onthouden is dat veel voorspellende modellen grote hoeveelheden data nodig hebben om goed te generaliseren naar de echte wereld. Als je nog niet beschikt over de volumes data die deze modellen vereisen, kun je andere technieken overwegen die je in staat stellen om op kleinere schaal te voorspellen of te ramen. Dit hangt ook af van je doel en het bedrijfsprobleem dat je probeert op te lossen, en omvat technieken zoals data mining en het toepassen van diverse statistische methoden.
Deployen
De laatste stap in een project voor voorspellende analyse is de uitrol. Dit is de uiteindelijke output of het eindresultaat van het project en zal dienen als het medium waarmee het model waarde toevoegt aan je organisatie. Afhankelijk van het project en de gekozen oplossing voor jouw specifieke probleem, kan deze stap variëren van een eenvoudig rapport of dashboard tot complexe uitrol in bestaande platforms.
Overweeg of je organisatie over voldoende talent beschikt voor complexere uitrol om het proces soepel en efficiënt te laten verlopen. Investeren in minimaal één data engineer kan bijvoorbeeld veel bijdragen aan succesvolle modeluitrol.
Conclusie
Analytics, en voorspellende analyse in het bijzonder, is niet alleen weggelegd voor een paar techgiganten en grote ondernemingen of zelfs voor slechts een selecte groep binnen de organisatie. Tegenwoordig gebruiken organisaties van elke omvang analytics, en het kan in vrijwel elke sector worden toegepast. Bovendien is voorspellende analyse nu een functie die verspreid en belegd is bij teams door de hele organisatie.
Voorspellende analyse kan bijna elke organisatie een enorm concurrentievoordeel bieden. Het is echter cruciaal om de elementen die bijdragen aan een succesvol project voor voorspellende analyse te overwegen en te begrijpen. Dit artikel gaf een gids voor voorspellende analyse, hoe het kan worden toegepast op bedrijfsproblemen en het proces achter hoe het werkt.
Adel Nehme · 15 min
Voorspellende analyse is de motor die een organisatie nodig heeft om betere beslissingen te nemen, ongeacht de functie of sector. Bovendien levert het implementeren van voorspellende analyse een concurrentievoordeel op dat elders moeilijk te vinden is.
In dit artikel bespreken we wat voorspellende analyse is, bekijken we enkele voorbeelden van hoe het wordt gebruikt en leggen we uit hoe het werkt.
Wat is voorspellende analyse?
Voorspellende analyse is een overkoepelende term voor diverse statistische en data-analysetechnieken – waaronder data mining, voorspellend modelleren en machine learning. Het primaire doel van voorspellende analyse is voorspellingen doen over uitkomsten, trends of gebeurtenissen op basis van patronen en inzichten uit historische data.
Voorspellende analyse is de tweede van vier fasen van analytische capaciteit binnen een organisatie. De vier fasen van analytics, in volgorde, zijn:
Organisaties moeten deze fasen in deze volgorde doorlopen, omdat je de toekomst alleen effectief kunt voorspellen door het verleden te begrijpen. Zo gaan organisaties van begrijpen wat er is gebeurd en waarom, naar voorspellen wat er daarna zal gebeuren. Een extra, laatste fase van analytics omvat volledig geoptimaliseerde, autonome analytische systemen die in de loop van de tijd continu leren en, feitelijk, ‘intelligent’ zijn.
Voorspellend modelleren omvat twee soorten machinelearning-algoritmen: supervised en unsupervised. Supervised machinelearning-algoritmen worden gebruikt om een doeluitkomst te voorspellen en zijn de primaire tools voor voorspellende analyse.
Voor een stapsgewijze walkthrough over het gebruik van machine learning in voorspellende analyse, bekijk onze Lyric Analysis-tutorial.
Er zijn twee hoofdtypen supervised machinelearning-algoritmen:
Onsupervised machinelearning-algoritmen doen daarentegen geen voorspellingen, maar zoeken naar patronen in data die vervolgens kunnen worden gebruikt om vergelijkbare datapunten te labelen of te groeperen. Een van de populairste unsupervised algoritmen is bijvoorbeeld k-means clustering, waarbij vergelijkbare datapunten, zoals klanten, worden gegroepeerd in clusters.
Voorspellende analyse kan ook andere statistische en data-miningtechnieken omvatten om huidige trends te identificeren, de toekomst te voorspellen en uitkomsten te schatten. Later in dit artikel bespreken we een paar specifieke voorbeelden van hoe organisaties voorspellende analyse kunnen inzetten.
Voorschrijvende vs. voorspellende analyse
Voorschrijvende analyse is de derde fase van analytische capaciteit van een organisatie en bouwt voort op de voorspellende modellen die in de voorafgaande fase zijn gemaakt.
Waar voorspellende analyse ons vertelt waarom iets gebeurt en wat er waarschijnlijk hierna gebeurt, ligt de focus in voorschrijvende analyse op het optimaliseren van en experimenteren met de modellen die we al hebben gebouwd. Het beantwoordt je "wat-als"-vragen en stelt je in staat door te gaan met het best mogelijke scenario op basis van de informatie die je krijgt door experimenten en simulaties uit te voeren.
Jeff Bezos, CEO van Amazon, zei ooit treffend: "Ons succes bij Amazon is een functie van hoeveel experimenten we doen per jaar, per maand, per week, per dag."
Experimenten uitvoeren op alle aspecten van analytische processen en projecten is een belangrijke voorwaarde voor succesvolle voorschrijvende analyse.
Voorbeelden van voorspellende analyse
Voorspellende analyse zet datapunten om in waardevolle inzichten die meerdere facetten van een organisatie kunnen sturen en onderbouwen.
Hier zijn slechts enkele voorbeelden van hoe organisaties voorspellende analyse kunnen benutten:
Financiële KPI’s voorspellen
Het voorspellen van belangrijke financiële kengetallen zoals omzet, kosten en voorraad leidt tot effectievere en beter onderbouwde besluitvorming op basis van feiten en data in plaats van alleen intuïtie.
Fraude detecteren en verminderen in het bankwezen
Een van de kostbaarste en schadelijkste situaties voor een bank is fraude. Voorspellende analyse kan helpen om afwijkingen en kwetsbaarheden te identificeren die op fraude kunnen wijzen, zodat deze instellingen snel kunnen ingrijpen.
Voorspellen of een klant een lening niet zal terugbetalen
Het verstrekken van leningen is van nature risicovol voor verzekerings- en financiële instellingen. Met voorspellende modellen inschatten of een klant waarschijnlijk in gebreke blijft, is de beste manier voor deze instellingen om dit risico aanzienlijk te verkleinen.
Verloop van medewerkers voorspellen
Voorspellende analyse kan het HR-beheer van je organisatie verbeteren door verloop van medewerkers te voorspellen. Dit omvat het anticiperen op toekomstige wervingsbehoeften en het juiste moment vinden om medewerkers te stimuleren.
Koopgedrag van klanten begrijpen
Organisaties kunnen de verkoop en conversieratio’s verhogen door patronen achter klantenaankopen te ontdekken en de redenen achter hun koopgedrag te onderzoeken. Je kunt customer analytics en A/B-testen in Python gebruiken om dit gedrag te begrijpen.
Marketingcampagnes richten op de juiste klanten
Bedrijven kunnen doorklikratio’s van advertenties en conversies van marketingcampagnes in het algemeen verhogen door de juiste klanten op het juiste moment te targeten. Voor een diepere kijk op de toepassing van voorspellende analyse in marketing, bekijk DataCamp’s cursus over klantverloop voorspellen in Python.
Productieverspilling verminderen
Voorspellende analyse kan je organisatie helpen de factoren achter verspilling in de productie te begrijpen, zodat je op de juiste plekken kunt ingrijpen. Het gebruiken van voorspellende modellen om deze factoren te doorgronden kan leiden tot aanzienlijke kostenbesparingen.
Hoe werkt voorspellende analyse?
Er zijn veel verschillende tools voor voorspellende analyse beschikbaar. De tool die je kiest, hangt af van het doel van je analyse – van business intelligence- en visualisatietools zoals Tableau en Power BI tot complexe programmeertalen zoals R en Python.
Voor een introductie tot voorspellende analyse in Python, zie onze cursus Introduction to Predictive Analytics in Python. Als je al bekend bent met Python of voorspellende analyse, bekijk dan de cursus Intermediate Predictive Analytics in Python.
De meeste projecten voor voorspellende analyse volgen vergelijkbare workflows en processen. In deze sectie behandelen we enkele van de belangrijkste stappen die je in de meeste projecten tegenkomt.
Doel
Elk project voor voorspellende analyse begint met het begrijpen van het doel, het identificeren van het probleem en het kiezen van de beste oplossing.
Projecten voor voorspellende analyse zijn erop gericht de organisatie te helpen haar strategische doelstellingen te behalen. Als het projectdoel terug te voeren is op een cruciale doelstelling voor de organisatie, is de kans groter dat er draagvlak is op elk relevant niveau. Dit zorgt ervoor dat het project niet alleen waardevol is, maar ook succesvol.
Als het doel van het project eenmaal is bepaald, leidt dit vanzelf tot een duidelijk probleem dat het project moet oplossen en daarmee tot de oplossing die nodig is om daar te komen.
Data
Data kan uit verschillende bronnen komen, zoals CSV-bestanden, databases, datawarehouses en applicaties van derden. Als dat nog niet is gebeurd, moeten deze databronnen worden geconsolideerd en beheerd op een centrale locatie voordat je ze kunt gebruiken voor voorspellende analyse en modellering. Dit zorgt ervoor dat de data veilig is en dat kwaliteit en governance topprioriteiten zijn.
Zoals het oude gezegde in data-analyse luidt: "garbage in, garbage out". Probeer te vermijden om al je data in spreadsheets op te slaan. Hoewel flexibel, zijn spreadsheets gemakkelijk te bewerken en te delen zonder controle over de kwaliteit en beveiliging van de data erin.
Denk daarnaast na over de hoeveelheid data die je hebt of in de toekomst wilt genereren. Zonder de juiste opslagsystemen en processen om grotere hoeveelheden data aan te kunnen, kunnen voorspellende modellen onnodig tijdrovend worden om te bouwen en ineffectief voor de problemen die ze moeten oplossen.
Transformeren
De transformatiefase in een project voor voorspellende analyse omvat het opschonen, verkennen en voorbereiden van de data voor de komende analyse of het model.
Bij het opschonen van de data moet je letten op ontbrekende waarden en uitschieters of verdachte waarden die in de context van het probleem niet logisch zijn. Dit gaat hand in hand met data-exploratie: door de data te verkennen ga je die begrijpen en vallen afwijkingen je eerder op.
Tot slot moet de data worden voorbereid voor de volgende stap van het project. Het exacte proces hangt hier af van het algoritme en het type analyse dat moet worden uitgevoerd.
Stel bijvoorbeeld dat je een lineair regressiemodel gaat fitten om doorklikratio’s in een advertentiecampagne te voorspellen. Dan moet je rekening houden met de aannames van lineaire regressie en of de data daaraan voldoet. Ook is het nodig om categorische variabelen in je data om te zetten in dummyvariabelen, bekend als one-hot encoding.
Voordat je een voorspellend model gaat bouwen, moet je je data opdelen in trainings-, test- en validatiesets. Je past het model op de trainingsset, waarmee het de patronen in de data leert om voorspellingen te doen. Daarnaast heb je een validatieset nodig om te itereren en het model te verbeteren, en vervolgens een uiteindelijke, onbevooroordeelde schatting van de nauwkeurigheid te krijgen met de testset.
Analyseren
Als je een voorspellend model bouwt met een relatief eenvoudig supervised machinelearning-algoritme zoals logistische regressie, dan bestaat deze stap uit het fitten van het model en het evalueren van de resultaten. Sommige complexere algoritmen, zoals neurale netwerken, vereisen echter zorgvuldige fine-tuning en aanpassingen om nauwkeurige voorspellingen te produceren.
Belangrijk om te onthouden is dat veel voorspellende modellen grote hoeveelheden data nodig hebben om goed te generaliseren naar de echte wereld. Als je nog niet beschikt over de volumes data die deze modellen vereisen, kun je andere technieken overwegen die je in staat stellen om op kleinere schaal te voorspellen of te ramen. Dit hangt ook af van je doel en het bedrijfsprobleem dat je probeert op te lossen, en omvat technieken zoals data mining en het toepassen van diverse statistische methoden.
Deployen
De laatste stap in een project voor voorspellende analyse is de uitrol. Dit is de uiteindelijke output of het eindresultaat van het project en zal dienen als het medium waarmee het model waarde toevoegt aan je organisatie. Afhankelijk van het project en de gekozen oplossing voor jouw specifieke probleem, kan deze stap variëren van een eenvoudig rapport of dashboard tot complexe uitrol in bestaande platforms.
Overweeg of je organisatie over voldoende talent beschikt voor complexere uitrol om het proces soepel en efficiënt te laten verlopen. Investeren in minimaal één data engineer kan bijvoorbeeld veel bijdragen aan succesvolle modeluitrol.
Conclusie
Analytics, en voorspellende analyse in het bijzonder, is niet alleen weggelegd voor een paar techgiganten en grote ondernemingen of zelfs voor slechts een selecte groep binnen de organisatie. Tegenwoordig gebruiken organisaties van elke omvang analytics, en het kan in vrijwel elke sector worden toegepast. Bovendien is voorspellende analyse nu een functie die verspreid en belegd is bij teams door de hele organisatie.
Voorspellende analyse kan bijna elke organisatie een enorm concurrentievoordeel bieden. Het is echter cruciaal om de elementen die bijdragen aan een succesvol project voor voorspellende analyse te overwegen en te begrijpen. Dit artikel gaf een gids voor voorspellende analyse, hoe het kan worden toegepast op bedrijfsproblemen en het proces achter hoe het werkt.