Kijk niet alleen achteruit…
Iemand schreef ooit: een organisatie op basis van BI besturen is als autorijden door alleen via de achteruitkijkspiegel te kijken. Ik heb dat altijd een mooie vergelijking gevonden. We gebruiken in het dagelijks verkeer vaak onze binnenspiegel, maar iedereen begrijpt ook direct dat teveel gebruik hiervan ook niet goed is. Met continu achteruitkijken mis je wat er vlak voor je neus staat te gebeuren.
In het dagelijks verkeer zou het besturen van een auto door alleen in de binnenspiegel te kijken een schier onmogelijke uitdaging zijn. Binnen het vakgebied van analytics is het omgekeerde het geval. De meeste organisaties hebben al meer dan voldoende uitdaging aan het ontwikkelen van rapportages die alle niveaus binnen een bedrijf van de juiste informatie voorzien, laat staan het ontwikkelen van een model dat gebruikt kan worden om een betrouwbare voorspelling voor de nabije toekomst te doen.
Eenvoudig gezegd…
Het opzetten en verder ontwikkelen van dit soort modellen is het gebied van de data scientists. Knappe koppen met een flinke dosis wiskundig inzicht en bijbehorende opleiding, mensen die op de universiteit wel plezier hadden in het vak statistiek. Kortom: een zeldzaam ras, dat niet binnen ieder bedrijf zomaar in het wild voorkomt.
Eenvoudig gedaan!
Maakt dit de toepassing van predictive analytics voor veel bedrijven dan een utopie? Nee! Dat hoeft gelukkig helemaal niet zo te zijn! Met SAP Predictive Analytics is iedere organisatie in staat om voorspellende modellen op te zetten en deze door mensen uit de eigen organisatie verder te laten ontwikkelen zonder dat deze mensen een achtergrond hebben in data science. Nu is SAP Predictive Analytics geen nieuw product. Het is al jaren op de markt. Voorheen onder de naam Predictive Analysis, tegenwoordig onder de nieuwe vlag. SAP is de laatste jaren echter wel veel duidelijker aan het inzetten op -enerzijds- Predictive Analytics en anderzijds het aan predictive analytics gelieerde machine learning.
SAP Predictive Analytics is in verschillende smaken verkrijgbaar. Er bestaat een desktop versie, deze kent een Automated Analytics en een Expert Analytics modus. Automated analytics neemt veel modelleertaken uit handen van de eindgebruiker. Het is dit onderdeel dat ervoor zorgt dat de eindgebruiker geen data scientist hoeft te zijn. De expert analytics functionaliteit biedt de gevorderde gebruiker uitgebreide mogelijkheden om het trainen en toepassen van een model zelf op te bouwen. Hier schuilt ook een nadeel: het kost veel meer tijd om tot een eerste resultaat te komen. In mijn optiek is het daarom verstandiger om eerst met de automated analytics optie te starten. Leidt dat niet tot het gewenste resultaat, dan kan altijd nog met de expert analytics modus gestart worden. Naast een desktop versie kan Predictive Analytics ook in een client-server configuratie ingezet worden. In deze opzet is dezelfde automated analytics modus eveneens beschikbaar; de expert analytics functionaliteit echter niet. Omdat de expert analytics functionaliteit echter snel te complex kan worden, vind ik het ontbreken van deze functionaliteit ook geen onoverkomelijk nadeel.
Wat een belangrijk voordeel is van de client-server opzet is dat hier gebruik gemaakt kan worden van Predictive Factory. Dit is een webserver gebaseerde applicatie die door middel van UI5 een gebruiksvriendelijke interface biedt om modellen op te zetten en door te ontwikkelen. De Automated Server kan afzonderlijk gebruikt worden om modellen te ontwikkelen en toe te passen, maar de combinatie met de Predictive Factory maakt de oplossing zowel krachtig als daadwerkelijk gebruiksvriendelijk!
De standaard workflow voor het ontwikkelen van een model in Predictive Analytics is relatief eenvoudig. Stap 1 is het trainen van een model op basis van historische data.Dit levert een getraind model op dat vervolgens toegepast kan worden in stap 2: Hierbij wordt het model gevoed met “nieuwe data”. Deze stap levert de daadwerkelijke voorspelde data op die op zijn beurt weer in rapportages of applicaties gebruikt kan worden. Tijdens het toepassen van het getrainde model op de nieuwe data wordt het bestaande model ook weer opnieuw getraind. Dit zorgt ervoor dat een model altijd zo accuraat mogelijk blijft.
Toepassen
Maar: wat zijn nou de typische toepassingen voor Predictive Analytics in de dagelijkse praktijk? Voor de meeste organisaties zal dit in eerste instantie Time Series Forecasting zijn. Hierbij wordt een model opgezet dat op basis van historische data (bv. Omzet over de laatste 2 jaar) een voorspelling doet voor de komende periode(s). Wat echter ook een business case waardige toepassing is, is het voorspellen van het aantal bezoekers in een van de vestigingen van een winkelketen. Immers: hoe nauwkeuriger het aantal bezoekers kan worden voorspeld, des te nauwkeuriger het winkelpersoneel ingeroosterd kan worden. Dit kan al gauw een mooie besparing opleveren in de loonkosten!
Uiteraard is dit niet de enige toepassing. Andere modellen, zoals bijvoorbeeld clusteranalyses, regressiemodellen en classificatiemodellen behoren tot de mogelijkheden. Dergelijke analyses kunnen erg interessant zijn indien je bijvoorbeeld wil weten wie je binnen een potentiele klantpopulatie het best kan gaan benaderen tijdens een marketingcampagne. Bij welke potentiele klant heb je de grootste kans dat benadering ook daadwerkelijk tot zaken doen leidt? Het inzetten van Predictive Analytics kan in zo’n situatie zorgen voor een veel efficiëntere campagne. Doordat je alleen de populatie benadert waar de kans op succes het grootst is, ben je minder tijd kwijt dan bij willekeurige benadering. Je bespaart dus campagnekosten en maximaliseert zo het resultaat!
Al met al zijn de mogelijkheden en toepassingen van SAP Predictive Analytics legio. De vraag is dan ook niet: waarom zou je Predictive Analytics moeten gebruiken? De vraag is eerder: Waarom gebruik je nog geen Predictive Analytics? Begin ook met vooruit kijken in plaats van alleen achteruit, wij helpen je in ieder geval graag op pad!
