Fem fordeler med prediktiv analyse  

Fellesnevneren for de aktørene som i dag benytter seg av prediktiv analyse er at de alle bruker historiske data til å beregne sannsynligheten for at noe kommer til å inntreffe. For det er nemlig dette vi kaller prediktiv analyse.

Hva skal til for å starte med prediktiv analyse?

Før vi faktisk kan begynne med prediktiv analyse, er du avhengig av å ha følgende tre faktorer på plass:

1. Store mengder data samlet på ett sted: Dataen kan godt ha mange kilder, så lenge de samles på ett lagringspunkt.
2. Data innsamlet over tid: Historikk er vesentlig for å kunne prediktere hva som kommer til å skje. Derfor bør du starte med å samle inn nødvendig data allerede i dag – om du ikke allerede gjør det.
3. Ekspertkompetanse: En som kan kartlegge hvilken data som faktisk er nyttig i den gitte sammenheng. Dette omtales ofte som domeneeksperter.

Fordelene for virksomheter som driver med denne type analyse er mange, og det kan bidra til at de jobber smartere og mer økonomisk, samtidig som de forbedrer tjenesten din.

Her er fem fordeler med prediktiv analyse

Fordel 1: Effektiv ressursplanlegging

Prediktiv analyse gjør det mulig for virksomheter å være proaktive og tilrettelegge driften for hva som mest sannsynlig vil skje i fremtiden, blant annet ved å planlegge ressurser og innkjøp opp mot spesifikke forhold.

Som et eksempel vil det for en pizzarestaurant være en rekke faktorer som ligger til grunn for pizzasalget i løpet av en dag. Det kan være hvilken ukedag det er, hva værmelding sier, eller hva som står på TV-programmet; for eksempel om en viktig fotballkamp spilles.

Med god erfaring kan restaurantsjefen ha en formening om hvilke parametere som spiller størst rolle – for eksempel at antall pizzabestillinger stiger på solfylte dager når en viktig fotballkamp spilles. Basert på denne hypotesen, vet vi at værmelding og program er relevant data å hente inn. Ved å sette opp en regelbasert utregning, vil vi kunne bekrefte eller avkrefte denne hypotesen.

Dersom det kun er disse to faktorene som påvirker økningen i pizzasalget, betyr det at datagrunnlaget er smalt. Da kan vi bruke hardkodede regelsett uten maskinlæring for å verifisere dette – som betyr at det kan kartlegges manuelt.

Legger vi derimot til flere datakilder – som været, ukedag, tid på døgnet og dato – vil vi kunne undersøke flere korrelasjoner samtidig gjennom prediktiv maskinlæring. Slik kan vi verifisere hypotesene og tallfeste prediksjonene fra dataen.

Ved å ha tallfestet data fra den prediktive analysen kan restauranten enklere tilpasse antall ansatte på den aktuelle dagen, og bestille inn riktig mengde råvarer, slik at de ikke går tom eller må kaste mat.

Sånn gir prediktiv analyse en mer forutsigbar arbeidshverdag, noe som resulterer i at ansatte får frigjort tid til å yte bedre service. Dette vil igjen gi en bedre kundeopplevelse for dem som kjøper pizza. Med andre ord, vinn-vinn i alle ledd!

Fordel 2: Riktig brukeroppfølging

Prediktiv analyse gjør det ikke bare mulig å planlegge bedre, men også å agere raskere og handle mer effektivt. Med sensordata og innsamlet historikk, kan vi bruke prediktiv maskinlæring til å forutse sannsynligheten for at en hendelse kommer til å skje. Dette er særlig nyttig dersom vi benytter sensorteknologi, for eksempel i hjemmetjenesten.

Sensorteknologi har som formål å bidra til økt trygghet og sikkerhet hos pasientene, og styrker evnen deres til å klare seg selv i hverdagen. Det er en form for teknologisk assistanse.

Flere hjem er i dag utstyrt med trygghetsalarmer og kamerasensorer, som er koblet opp mot hjemmetjenesten. Denne formen for monitorering av pasientene er avhengig av manuelle handlinger. Pasienten må selv utløse trygghetsalarmen, eller en person på vakt må detektere fall eller bevegelse fra kamera-sensorene.

Ved å hente inn data fra sensorteknologi, er det mulig å skreddersy en plattform som bidrar til å forutse hva som kan komme til å skje, og deretter etablere et velfungerende varslingssystem. Ved å støtte seg til et varslingssystem basert på data fra disse sensorene, gir det muligheter for at sykepleierne kan bruke ressursene sine mer effektivt – samtidig som et slikt systemet kan bidra til at pasientsikkerheten økes og pasient får nødvendig bistand raskere.

Med andre ord kan prediktiv maskinlæring ved bruk av sensorteknologi, gi mulighet til å gå fra reaktiv til proaktiv oppfølging.

Fordel 3: Treffsikker diagnostisering

En annen fordel innen helsesektoren, finner vi ved å utforske muligheten for å bruke sensorteknologi til å stille diagnoser.

Vi antar at bruken av sensorteknologi vil fortsette å utvikle seg i årene som kommer, i takt med et økende behov for gode løsninger innen hjemmetjenesten. Antall eldre over 60 år vokser og FHI beregner at denne aldersgruppen vil utgjøre ¼-del av befolkningen i 2030. For å løse utfordringene som følge av eldrebølgen, kan data være en del av løsningen.

Å bruke sensorteknologi til diagnostisering er fortsatt veldig fremtidsrettet, og vi finner stadig nye måter å optimalisere bruken av slik velferdsteknologi.

Atea er for øyeblikket med på et innovativt forskningsstudie på demens, der vi ved hjelp av bærbare enheter som smartklokker, smarttelefoner, smarte briller og smarte hodebånd, samler inn pasientdata døgnet rundt, for å avdekke det vi kaller digitale biomarkører – eller digitale signaler unike for personer som lever med sykdom. Dette er data som ikke kan samles inn ved hjelp av dagens kliniske hjelpemidler.

Når man samler inn data fra flere pasienter over lang tid på denne måten, og sammenfatter det i et datavarehus, vil man på sikt kunne bruke informasjonen til å predikere utfall, vurdere medisineffekt og tidligere stille diagnoser.

På den måten åpner prediktiv analyse for helt nye muligheter, både for helsesektoren, og ikke minst for pasientene.

Fordel 4: Bedre kostnadskontroll

En annen bransje som kan dra stor nytte av prediktiv analyse er transportsektoren. Ved å bruke sensordata fra kjøretøy, kan man i større grad unngå uforutsette reparasjoner, og dermed få bedre kontroll over kostnadene.

Som nevnt tidligere, er det tre ting du trenger for å kunne drive med prediktiv analyse: Store mengder med data, data innsamlet over tid, og en ekspert som vurderer dataen. I dette tilfellet vil domeneeksperten kartlegge: Hva er tidlige tegn på svikt i motoren? Hva er det som indikerer at den må på verksted? Hvor er smerteterskelen? Når dette er definert, kan vi bruke maskinlæring til å identifisere avvik – også omtalt som «outliers». I dette tilfellet vil det for eksempel være at motoren på en buss viser annen data enn de andre.

Ved å bruke sensordata fra maskineriet i en buss til å predikere når en motor trenger vedlikehold, kan man planlegge for reparasjon med større nøyaktighet enn ved å stole på et rutinemessig tidsintervall. Dette kalles for prediktivt vedlikehold.

Når man driver med prediktivt vedlikehold, gir det altså mulighet for å kontrollere kostnadene tilknyttet rutinemessig og unødvendig vedlikehold. I tillegg unngår du ekstra kostnader og frustrasjon som oppstår ved at man uanmeldt står uten en fungerende buss.

Det blir med andre ord en mer forutsigbar drift hvor virksomheten unngår at flere busser må på service samtidig. I tillegg gir det bussjåførene en mer forutsigbar arbeidshverdag, og passasjerene kan stole på at de kommer seg frem til destinasjonen i en fungerende buss.

Fordel 5: Markedsføre kryssalg og redusere svinn

Også i dagligvarebransjen finnes det flere umiddelbare fordeler ved å drive med prediktiv analyse.

Ved å bruke data til å kartlegge oppsalgsmuligheter per handlende kunde og tilrettelegge for kryssalg, kan det blant annet forbedre kundereisen og øke totalverdien på handlekurven.

I slike tilfeller vil det være en såkalt domeneekspert som sitter med erfaringen og hypotesene, og som vet hvilke data som er mest nyttig å se på og kan vurdere kvaliteten på disse. Derfor settes den prediktive analysen opp i tett samarbeid med eksperten, for å sikre et best mulig resultat og utnyttelse av dataene.

Om man for eksempel ser på hvilke varer som selges best sammen, kan man med datagrunnlaget planlegge tilbudskampanjer og tilpasse innkjøpene basert på oppsalgsmulighetene bedriften har kartlagt. 

Prediktiv maskinlæring gjør det mulig å undersøke flere korrelasjoner samtidig. Da oppstår også et mer sammensatt resultat som kan brukes til å bekrefte eller avkrefte hypoteser – som for eksempel hvilke varer som selger best sammen. Disse tallfestede indikasjonene gjør at dagligvarehandelen kan bestille varer med langt høyere nøyaktighetsgrad.

På denne måten vil ikke bare en databasert anbefaling både kunne effektivisere arbeidshverdagen til innkjøperen, men også kunne bidra til en bærekraftig utvikling ved å forutse, forebygge og redusere matsvinn både ved å sette mer nøyaktige innkjøp og kunne kartlegge når varer skal legges i «halv pris-kurven».