Predictieve analyse als beslissingsmodel.

Kpi zijn belangrijke hulpmiddelen voor een organisatie om het prestatieniveau te meten, met inachtneming van zijn beperkingen. Het nadeel van KPi is dat ze vooral iets zeggen over wat gebeurd is en minder over wat er mogelijk gaat gebeuren.

Een goed voorbeeld van voorspellende analyse is de Google zoek en autocomplete functies. Gebaseerd op je argument, zoekt Google de meest relevante informatie erbij, terwijl je nog typt. Deze functionaliteit is gebaseerd op uitgebreide analyses van zoekargumenten en patronen. Google wil precies dat leveren wat je zoekt.

We staan momenteel op een kruispunt waar Big data analyse de wijze waarop organisaties met informatie omgaat drastisch zal veranderen. Momenteel rapporteren organisaties over wat er is gebeurd en wat er momenteel gaande is via realtime informatie. Dit gaat verschuiven naar wat er gaat gebeuren. Het doel van predictieve analyses is om te zorgen voor betere resultaten, betere beslissingen, inzicht door relevante informatie.

Hoe dit zich uiteindelijk vertaalt is afhankelijk per industrie of sector en uw informatie supply chain: ruwe data, geaggregeerde data, contextuele intelligentie, inzicht door analyse, gerichte beslissingen.

Voorspellend Model.
Voorspellende modellen zorgen voor het identificeren en analyseren van onderliggende relaties in historische en realtime data. Het profileren, categoriseren van data dient als input van parameters die een voorspellende waarde hebben en op die manier het besluitvorming proces verbeteren. Dergelijke modellen zijn al in plaats in financieel gevoelige transacties zoals bij international bank transacties.

Zowel lineaire als non lineaire algoritmes zorgen voor optimalisatie en inzicht in ruwe data. Geavanceerde neurale systemen leren complexe patronen te herkennen uit bijvoorbeeld social media en op grond daarvan voorspellingen te doen. Zoals bijvoorbeeld om ziekte epidemieën te volgen en te voorspellen.

Leren beslissen.
Dat organisaties beschikking hebben over veel informatie, betekent nog niet dat ze succesvol zijn. Het is de kwaliteit van analyse en deze om te zetten in waardevolle parameters en de aansluitende besluiten, die bepalen of een organisatie optimaal gebruikt maakt van Big Data. De uitdaging is: Data * Wetenschap * Omvang * Creativiteit. Maar misschien nog belangrijker is of u de juiste fundering in uw organisatie heeft om met de voorspellende informatie om te gaan.

Voorbeelden
On Time Delivery is een typische supply chain metric. Deze vertelt ons of een order te vroeg of te laat was afhankelijk van de specifieke criteria. Wat deze KPI ons niet verteld is waarom de zending afweek van de norm. Had dit te maken met de leverancier, inkoop, beschikbaarheid product[category management] of enig andere reden. Inzicht verkrijgen in de ontwikkeling, verloop en redenen van OTD, levert belangrijke informatie. Bijvoorbeeld om stilstand van het machinepark te voorkomen. Ook kan het gebruikt worden voor bezettingsoptimalisaties of om structurele problemen in uw supply chain op te sporen. Dergelijke informatie is van invloed op strategische inkoopbeslissingen.

Project fases.
Bij de ontwikkeling van uw organisatie om met predictieve informatie om te kunnen gaan, zijn er vier elementaire stappen die U doorloopt:

• Educatie. Het zorgdragen van bewustwording en focus op de nieuwe ontwikkelingen en de vereisten en voordelen voor de organisatie
• Ontwikkeling. Ontwikkel strategie en een roadmap gebaseerd op de business needs en toekomstige uitdagingen.
• Verbinden. Ontwikkelen van big data pilots die toegevoegde waarde voor uw organisatie aantonen en als blueprint dienen voor verdere ontwikkeling van criteria en eisen.
• Uitvoering. De big data analyses en resultaten worden breed gehanteerd in de organisatie bij het nemen van beslissingen en het verder verbeteren van de predictieve analyse technieken.

Tijdens het project zult U beslissingen moeten nemen over zaken zoals;

• analyse type. Real time, batchverwerking, gecombineerd
• Proces methodologie. predictieve analyse van social media, analyse van historische data, ontwikkelen en gebruik van algoritmes, rapportages, vertaling naar beslissingen
• Frequenties. Op verzoek, continue, realtime feeding, tijd batches
• Data types. meta data, master data, historisch, transacties
• Content. Gestructureerde, ongestructureerde of een combinatie daarvan. Voortgebracht of betrokken uit afbeeldingen, tekst, video’s, documenten, geluidsopnames
• Bronnen. Web en social media, machine gegenereerd, menselijke voortbrenging, interne data, transactie data, biometrisch, via data providers, oorspronkelijk.
• Data consumenten. menselijk, machine, enterprise applicaties, repositories
• Hardware. commodity, intern, cloud, state of the art

Toekomst.
Ook al staat voorspellende data analyse nog in zijn kinderschoenen, toch groeit het in een enorm tempo. Volgens onderzoek door Gartner zal in 2014, 30% van de analytische applicaties gebruik maken van proactieve, predictieve en forecasting competenties.

http://practicalanalytics.wordpress.com/predictive-analytics-101/
http://www.slideshare.net/perficientinc/predictive-analytics-perficient-perspective#