IT & Operations

Vijf belangrijkste valkuilen in predictive analytics

9 maart 2016

Predictive analytics bieden veel toegevoegde waarde maar er zijn ook valkuilen op de weg naar succes. Daan van Beek, docent in de TIAS Master of Information Management en data scientist Minne van der Sluis beschrijven de vijf belangrijkste valkuilen.

Predictive analytics is een krachtig instrument voor veel organisaties. Het helpt hen om concurrentievoordeel te creëren en hun processen efficiënter te laten lopen.

Verzekeringsmaatschappijen en uitgevers van kredietkaarten gebruiken het bijvoorbeeld om fraude op te sporen, de politie gebruikt het om criminelen te vangen, soms zelfs nog voordat ze een misbdaad begaan, en autodealers gebruiken analytics om de respons op een campagne aanmerkelijk te vergroten.

Vanuit onze ervaring zijn wij ervan overtuigd dat er veel toegevoegde waarde in predictive analytics zit. Maar, voorspellen is erg moeilijk - vooral als het gaat om de toekomst. Het maken van geautomatiseerde voorspellingen met Predictive Analytics is nog velen malen moeilijker. Er zijn veel valkuilen op de weg naar success, hieronder de vijf belangrijkste valkuilen:

1. Gewoonweg al je gegevens gebruiken

Sommige mensen denken dat predictive analytics een wondermiddel is. Ze verwachten dat de software de oplossing voor elk zakelijk probleem vindt, zelfs problemen waarvan nog niet bekend is dat ze moeilijkheden gaan opleveren. Ze verzamelen enorm veel gegevens, installeren datamining tools en wachten af wat er opduikt. In uitzonderlijke gevallen zullen ze een ruwe diamant vinden, maar vaker komt de voorspellende software met “open deuren”, waardeloze of onechte correlaties. Voordat u aan datamining begint, moet u duidelijk zicht hebben op de toepassing en uzelf afvragen welk zakelijk probleem u wilt oplossen en welke gegevens u daar waarschijnlijk voor nodig heeft.

2. Werken met ongeschoolde datawetenschappers

Predictive analytics is een multidisciplinaire vaardigheid, die diep inzicht in en kennis van statistiek, ‘data massage’ en het toepassen van de juiste visualisaties vereist. Er lopen niet al te veel mensen op deze wereld rond die deze kunst verstaan en er een succes van kunnen maken. Ons advies: als u een uitdagende business case heeft waar predictive analytics kan helpen, huur de beste datawetenschapper in die u kunt vinden. Begeleid en behandel deze jongens en meisjes goed; ze zijn absoluut hun geld waard.

3. De gebruiker vergeten

Zodra u succes met uw voorspellend algoritme heeft geboekt (het werkt en de uitkomsten zijn zinvol) moet u vooral niet denken dat iedereen meteen razend enthousiast is. Dit geldt zeker voor de zakelijke gebruikers van voorspellende algoritmen. Geef ze de tijd om vertrouwen op te bouwen en geloof te hechten aan de resultaten. Politiemensen die voorheen geleid werden door hun buikgevoel of willekeurige impulsen om in de stad te patrouilleren, worden nu geleid door voorspellende software die ze vertelt waar en wanneer ze de hoogste kans hebben om een ​​dief te vangen. En we weten allemaal dat predictive analytics het niet elke keer juist heeft! Dat is nu eenmaal de aard van voorspellende modellen.

Dus, vergeet niet het perspectief van de gebruiker; neem de tijd om het analyseproces als een gezamenlijke inspanning te verbeteren. Bouwen, testen en valideren van het systeem op regelmatige basis. Dat betekent ook: organiseer dat u feedback krijgt van de gebruikers.

4. Predictive analytics als standalone applicatie beschouwen

Voorspellende analyses kunnen op langere termijn niet succesvol zijn als zelfstandige toepassingen. De solide basis van een datawarehouse-infrastructuur is nodig, zodat de gegevens goed kunnen worden opgeschoond en geïntegreerd. In feite moet u predictive analytics verankeren in de dagelijkse bedrijfsprocessen. En zorg er daarbij vooral ook voor dat de voorspellingen gemakkelijk kunnen worden gebruikt in andere onderdelen van uw business intelligence-platform (rapportage, dashboarding, analyse en visualisatie). 

5. Data van slechte kwaliteit gebruiken

Als gegevens van slechte kwaliteit de toegevoegde waarde van uw reguliere rapportages al behoorlijk laten dalen, dan zal slechte datakwaliteit de voordelen van voorspellende applicaties compleet teniet doen. In feite zijn slechte gegevens een groot risico voor uw bedrijf als brandstof van uw voorspellende motor. Politiemensen vangen dan onschuldige burgers of rijden slecht bewapend naar het huis van een echte ‘bad guy’.

Dit staat niet open voor discussie; er bestaat in deze geen “bijna goed”. Beslissingen op basis van de verkeerde gegevens in de rapportage en dashboards kunnen behoorlijke impact hebben; beslissingen op basis van verkeerde gegevens in voorspellende software hebben een enorme impact op bijvoorbeeld uw financiële resultaten, de klanttevredenheid en de reputatie van uw organisatie. Als u per se wilt mislukken met predictive analytics, neem dan vooral niet de moeite om de kwaliteit van de gegevens te verhogen!

Over de auteurs
Daan van Beek en Minne van der Sluis zijn respectievelijk managing director en data scientist bij Passionned Group. Daan van Beek is als docent verbonden aan de TIAS Master of Information Management.

Master of Information Management

Wilt u de toekomst van uw bedrijf vormgeven en de IT-processen van uw bedrijf uitlijnen met een overkoepelende strategie? Volg dan TIAS Master of Information Management. 

Lees meer over deze Master of meld u online aan.

Reageren
U kunt reageren op bovenstaand artikel. Reacties worden gemodereerd en na goedkeuring geplaatst.
Relevante Artikelen
  • 10 mrt
    Transparantie is voor bedrijven zo belangrijk, dat het – als individu en als dienstverlener steeds moeilijker is je te verstoppen, zegt Ronald Mahieu in dit interview over de waarde van business analytics.