Predictive analytics; de glazen bol van jouw data

De toekomst voorspellen; dat zou iedereen wel willen kunnen. Voor jouw organisatie zou dit alles een stuk makkelijker maken. Aan de hand van voorspellingen wil je namelijk inschatten hoe hoog bijvoorbeeld je omzet gaat zijn, hoeveel werknemers je op een bepaald moment nodig hebt of welk product het meest verkocht gaat worden. Met ‘predictive analytics’, ofwel voorspellende analyses, kan je dit ook daadwerkelijk doen. De vraag is alleen hoe je dit doet, hoe nauwkeurig het is en in welke situaties je het gebruikt. 

Wat is predictive analytics? 

Laten we zoals altijd bij de basis beginnen, want het is wel handig om eerst goed te begrijpen wat predictive analytics nu precies is. Predictive analytics zijn gegevensanalyses die gericht zijn op het maken van voorspellingen over toekomstige resultaten van jouw organisatie. Dit gebeurt op basis van historische gegevens en technieken zoals machine learning.  

Data uit het verleden is namelijk nodig om het algoritme, ook wel machine learning model, te trainen. Kijk bijvoorbeeld naar je data uit de periode tussen 2016 en 2020 (dit is de training data). Zet dit tegenover de data 2021 (voor validatie van het model) en vervolgens is het mogelijk om 2022 te voorspellen. Met behulp van analysetools en diverse modellen kan jouw organisatie de data uit het verleden en heden gebruiken om trends, verkoopcijfers en gedragingen van jouw klanten voor de toekomst te voorspellen. Zijn deze voorspellingen 100% nauwkeurig? Nee, helaas zijn voorspellingen dat nooit. Wel is een nauwkeurigheid tussen de 90 en 95% haalbaar, en om eerlijk te zijn, dat is meestal voldoende. 

Stap voor stap 

Nu je weet wat predictive analytics is, kunnen we van start gaan. Want waar begin je? Allereerst is het belangrijk om duidelijk voor ogen te hebben wat je wil bereiken. Het is daarom goed om een doel te formuleren met betrekking tot de te voorspellen data. Ga dus na wat je te weten wil komen. Een voorbeeld kan zijn dat je wil weten hoeveel personeel je op een bepaald moment nodig hebt met betrekking tot de hoeveelheid aankopen. 

Dan ga je data verzamelen. Hoe meer relevante data je hebt, hoe nauwkeuriger je voorspellingen zullen zijn. Data zoals verkopen, het aantal klanten of het aantal aankopen kan je uit je eigen bedrijf halen. Maar denk daarnaast ook aan externe data, zoals demografische kenmerken of het weer, als dat relevant is voor de business case.  

Vervolgens is de derde stap om patronen en verbanden in de data te vinden. Denk bijvoorbeeld aan het aantal bezoeken aan de website en het aantal bestellingen. Dit hoeft natuurlijk nog niks te zeggen, maar het is wel een goede eerste stap voor de predictive analytics van jouw organisatie. Zo kan je namelijk voorspellen hoe groot de kans is dat een bezoeker daadwerkelijk een bestelling zal plaatsen. Ook kan je bestaande klanten vergelijken met toekomstige klanten. Kijk bijvoorbeeld welke kenmerken ze gemeen hebben.  

Daarna kan je aan de slag gaan met de voorspellingen. Je wil dat het goed blijft gaan met jouw organisatie, dus vergeet ook vooral niet aan de slag te gaan met negatieve voorspellingen. Hierdoor kan je schade beperken en direct in actie komen. Daarnaast is het ook belangrijk om de voorspellingen die je hebt gedaan te testen. Herhaal de analyses regelmatig en leg ze naast de bestaande data. Dit zorgt voor meer betrouwbaarheid en nauwkeurigheid. 

Deze voorspellingen worden gedaan door een machine learning algoritme. Dat algoritme kan uiteindelijk geautomatiseerd periodiek jouw data oppakken en verwerken om een stuk in de toekomst te voorspellen. 

Predictive analytics in de praktijk 

Om het nog duidelijker voor je te maken, duiken we nog even de praktijk in. Het is bijvoorbeeld mogelijk om het aantal winkelbezoeken te voorspellen op basis van historische bezoekaantallen, verkoopgegevens, seizoenspatronen en het weer. Vervolgens kan je op basis van seizoenspatroon en de weersvoorspelling het aantal winkelbezoekers van volgende week voorspellen.  

Het voordeel hiervan is dat dit zorgt voor een betere planning van medewerkers. Hoeveel medewerkers moet je in de winkel hebben werken om een bepaalde drukte aan te kunnen?  

Zelfs het onderhoud van machines is te voorspellen. Je kunt op basis van gegevens van machines, de data uit sensoren in de machines en de onderhoudshistorie gaan voorspellen wanneer onderhoud nodig is. Zo beperk je de storingstijd en kan je onderhoud plannen wanneer het nodig is. Denk hierbij aan een fabriek, aan schepen of vliegtuigen met bijvoorbeeld onderhoud van motoren.

Aan de slag! 

Predictive analytics brengt dus veel mogelijkheden en voordelen met zich mee. Het enige wat essentieel is, is goede data. Dat is wat wij doen. Uiteraard kunnen wij dan ook meedenken en workshops geven over de voor jouw organisatie interessante business cases op het gebied van predictive analytics.  

Een kopje koffie op kantoor of toch liever een online call? Benader ons gerust, want we staan voor je klaar.