Predictive analytics – definitie en voorbeelden

Hosting aanbiedingen bekijken
Predictive analytics: Tools

Predictive analytics tools: waarvoor dienen ze?

De toekomst nauwkeurig voorspellen met behulp van wiskundige methodes? Deze ambitie lijkt met behulp van predictive analytics in de nabije toekomst haalbaar te worden. Deze manier van analyseren is een onderdeel van big data-analyse. Predictive analytics probeert toekomstige trends te voorspellen (‘prediction’) in bepaalde disciplines, zoals wetenschap, marketing, de financiële sector of het verzekeringswezen.

Het belangrijkste element van predictive analytics, ook wel prediction analytics genoemd, is de zogenaamde predictor. Dit begrip staat bijvoorbeeld voor een persoon of eenheid die wordt gemeten om het mogelijke toekomstige gedrag te voorspellen. Een concreet voorbeeld zou een verzekeringsmaatschappij zijn die anticipeert op de risicoberekening van een autobezitter door hierin relevante factoren, zoals bijvoorbeeld rijervaring, leeftijd en gezondheid van de betreffende persoon mee te nemen. Uit de som van deze factoren kan met behulp van predictive analytics het mogelijke risico op ongevallen en daarmee de hoogte van de verzekeringspremie worden berekend. Maar ook voor het in kaart brengen van de customer journey en hierop anticiperen met passende marketingtactieken kan predictive analytics ingezet worden.


Predictive analytics: Data mining

Data mining – de basis van predictive analytics

In feite wordt het begrip predictive analytics vaak gebruikt als synoniem voor data mining. Vaak spelen de methodes van data mining een essentiële rol in het ontwikkelingsproces van predictive analytics concepten. Predictive analytics voorspelt op basis van data mining en betrekt daar tevens andere technieken bij. Zo spelen o.a. ook elementen van de speltheorie en geautomatiseerd machine learning een belangrijke rol. Bovendien worden bij het gebruik van prediction analytics speciale analysemethodes gebruikt die zijn gebaseerd op complexe algoritmes, waardoor herkenbare patronen worden verkregen uit een hoeveelheid schijnbaar incoherente teksten van social media-bijdrages of blogs.

Feit!
Data mining (‘data ontginnen’) probeert met behulp van wiskundige en
kansberekeningsmethodes en algoritme inherente patronen in grote hoeveelheden
data te vinden. Met de verworven inzichten kunnen trends en potentiële
ontwikkelingen worden afgelezen, waar op geanticipeerd kan worden.

Om de werking van predictive analytics beter te begrijpen, kan een overzicht van de gebruikelijke termen uit big data-analyse resp. data mining helpen:

  • Regressie-analyse: identificatie van de wisselwerking tussen diverse afhankelijke en onafhankelijke variabelen. De afzet hangt bijvoorbeeld af van de prijs en de koopkracht van de klanten.
  • Clustering: door het segmenteren van data kunnen bijvoorbeeld potentiële klanten worden gesorteerd op inkomen of vergelijkbare factoren.
  • Association analyse: het doel is om structuren aan te tonen met variabelen die tot identieke resultaten leiden. Dan is het mogelijk om conclusies te trekken over mogelijk klantengedrag en in het gunstigste geval kunnen aankopen worden voorspeld. Als een klant bijvoorbeeld interesse heeft in schoenen, zou hij misschien ook een schoenenrek willen kopen.

Predictive analytics: differentiatie

De differentiatie van predictive analytics

Het herkennen van patronen in databestanden doet een beetje denken aan het vermogen van het menselijke brein om te kunnen interpreteren, hoewel big data-analyse deze vaardigheid wat betreft complexiteit ver overstijgt. In feite bestaat er een parallel tussen de praktische structuren van data mining en het neurale netwerk van het menselijke brein, het artificiële netwerk is immers ook in staat om na verloop van tijd bepaalde patronen te herkennen en op te slaan. Er kan dus worden vastgesteld dat data mining structureel verwant is aan KI (kunstmatige intelligentie of machine learning). Hierbij leren computerprogramma’s nagenoeg zelfstandig aan de hand van opgeslagen informatie en verwerven ze nieuwe informatie middels reeds ingevoerde en doorontwikkelde patronen.

Op dit punt is er een belangrijk verschil tussen data mining en prediction analytics. Conventionele data mining streeft meestal naar het aantonen van structurele patronen in de beschikbare informatie en clusters. De focus op een zo goed als autodidactische nieuwe ontwikkeling van berekeningen die progressief verder gaan dan het databestand, is echter een eigenschap van machine learning en speelt een beslissende rol in de predictive analytics definitie. De al bestaande algoritmes moeten zelfstandig gegevens uit de databron combineren en nieuwe conclusies trekken om onafhankelijke prognoses te maken over bijvoorbeeld klantengedrag. Het resultaat van dit proces wordt smart customer data genoemd.


Predictive analytics

Waar wordt predictive analytics ingezet?

In de meest uiteenlopende branches heeft het gebruik van het predictive analytics model zich reeds bewezen. Naast wetenschappelijke hightechbedrijven maakt bijvoorbeeld ook de gezondheidszorg gebruik van de methode om ziekteverloop te prognosticeren. Een andere belangrijke branche waar predictive analytics modeling wordt ingezet is de energiesector, waar het intelligente stroomnet van de toekomst ‘smart grid’ wordt genoemd. Het stroomverbruik kan zo aan de hand van opgeslagen gedragspatronen van klanten (smart customer data) worden voorspeld om de benodigde levering van windenergie exact te reguleren.

Een ander voorbeeld is zogenaamde predictive maintenance. Hierbij worden de actuele data van een lopende machine opgeslagen om de toekomstige belasting en de daaruit voortkomende slijtage te voorspellen. Zwakke plekken in een productieketen kunnen zo snel worden geïdentificeerd en verbeterd om bijvoorbeeld een storing in de productie te voorkomen.

Het predictive analytics model kan het best worden ingezet als de beschikbare datapakketten die in de analyse worden geïntegreerd zo uiteenlopend, omvangrijk en zuiver mogelijk zijn. Hoe meer gegevens over de meest uiteenlopende gebieden beschikbaar zijn, des te exacter het resultaat van de analyse zal zijn. De meeste bedrijven profiteren van synergie-effecten door de functies van predictive analytics toe te voegen aan de reeds bestaande business intelligence structuur. De populairste predictive analytics tools zijn:

  • Alpine Data Labs
  • Alteryx
  • Angoss KnowledgeSTUDIO
  • BIRT Analytics
  • IBM SPSS Statistics en IBM SPSS Modeler
  • KXEN Modeler
  • Mathematica
  • MATLAB

Prescriptive analytics kan worden omschreven als de volgende stap in data-analyse. Deze methode begint waar predictive analytics zijn grens bereikt: informatie wordt gebruikt om het verdere verloop van een trend doelgericht te sturen. Met andere woorden: beoogde scenario’s zijn eenvoudiger te realiseren en er kan actie worden ondernomen gedurende een ontwikkeling om een trend in een andere richting bij te sturen. Deze aanpak is mogelijk met behulp van analytische structuren op basis van complexe modellen en kansberekenings-MC-simulaties. Net als bij predictive analytics geldt ook hier: hoe meer bekende en betrouwbare variabelen in dit model worden ingevoerd, des te nauwkeuriger zijn de resultaten.

Er zijn eindeloos veel voorbeelden van predictive analytics. De methode staat of valt met de hoeveelheid en de kwaliteit van de verzamelde data. Toch worden de algoritmes steeds fijnmaziger waardoor ze steeds exacter kunnen voorspellen. Prescriptive analytics profiteert ook van deze ontwikkeling en is de volgende stap op het gebied van data-analyse.

  • Gecertificeerde veiligheid

    Gecertificeerde veiligheid
  • Beste hostingbedrijf

    Beste hostingbedrijf
  • MKB Best Choice

    MKB Best Choice
  • Professionele support

    Professionele support
  • Hosted in Germany

    Hosted in Germany