Analytics

I tillegg til forretningsregler brukes også Business analytics til å spisse og forbedre beslutninger som tas av et IT-system.

Verden er i endring. I dagens internettsamfunn legger vi igjen masse informasjon hvor enn vi beveger oss på «nettet». De fleste organisasjoner er også godt i gang med å samle mer digital informasjon om sine brukere/kunder enn for kun få år siden. All denne informasjonen kan og vil brukes til å automatisere beslutninger som man med et regelbasert (Ja/Nei) beslutninger ikke klarer å automatisere. Dagens automatiserte beslutninger er stort sett regelbaserte.

Vår kompetanse

Vi har sett at eksisterende automatiserte beslutninger ender opp med å sende saken til manuell behandling når reglene ikke strekker til eller når dataene ikke er gode nok. Ved å legge til «predictive» og «descriptive» analytics vil man kunne spisse og forbedre beslutninger som tas av et IT-system. Dette vil føre til færre saker til manuell behandling.

Figuren over illustrerer metoden med å starte automatiseringen med forretningsregler (i rødt). Organisasjonen blir kjent med hvordan slike automatiserte beslutninger virker, og siden de er Ja/Nei beslutninger hvor reglene forvaltes av organisasjonens eksperter, blir man fortrolig med beslutningene som maskinen gjør. Etter å ha skaffet seg nok historiske data, går man i gang med å forbedre beslutningene ved for eksempel å lage en statistisk modell for å predikere enkelte av tilfellene som går til manuell behandling. Når modellen er god nok, publiseres den som en del av beslutningstjenesten, og automatiseringsgraden øker (i grønt).

En annen utfordring er optimaliseringsproblemer. En optimaliseringsbeslutning kan i dag være sammensatt av forskjellige statistiske modeller, samt forretningsregler for å tolke modellenes svar. Decisive gjør bruk av optimaliseringsverktøy (i blått) til slike problemer. (Link til optimalisering…)

Hvorfor

Beslutningsstøtten må ikke utelukkende være regelbasert, beslutningene kan også fremkomme ved bruk av statistiske eller matematiske modeller. Slike beslutninger vil fortsatt bestå av forretningsregler som tydeliggjør og tolker resultatet fra modellene.

Med Business analytics (BA) menes ferdigheter, teknologier og rutiner for kontinuerlig utforskning av virksomhetskritisk informasjon, for å oppnå ytterligere innsikt og forståelse av virksomhetens resultat, samt som grunnlag for virksomhetsplanleggingen.

Hvordan

Predictive analytics består i å trekke ut informasjon fra et datagrunnlag for å finne sammenhenger og forutsi hendelser og trender. Kjernen her er oppdagelse og videreformidling av meningsfulle mønstre i et datagrunnlag. Predictive analytics er ikke å fastslå hva som vil skje i fremtiden, men gi (flere) prognoser på hva som kan skje.

Noen eksempler:

  • «Next best offer». EBay, Amazon, finn.no, Netflix, etc. har alle en “dette kan også være noe for deg”-seksjon.
  • Gitt lånesøkers alder, kjønn, bosted, jobb, etc., hvor sannsynlig er det at lånet misligholdes?

CRISP-DM (Cross Industry Standard Process for Data Mining) er én måte å jobbe med datautvinning og predictive analytics på.

 

  1. Forretningsforståelse
    1. Den første fasen fokuserer på å forstå kundens krav og mål.
  2. Dataforståelse
    1. Denne fasen består i å lære å kjenne dataene som er til rådighet.
  3. Databearbeiding
    1. Denne fasen består i å konstruere det endelige datagrunnlaget fra rådataene. Dvs. datagrunnlaget analyse skal utføres for.
  4. Modellering
    1. I denne fasen velges modelleringsteknikker og kalibrering av disse. Resultatet er modeller som kan jobbe på dataene.
  5. Evaluering
    1. I denne fasen evaluerer du hvorvidt modellen adresserer forretningens krav og mål før produksjonssetting.
  6. Produksjonssetting
    1. Denne fasen består i å ta i bruk resultatene modellen gir, dette kan f.eks. være i form av rapporter eller at det automatisk tas beslutninger.

Konsekvenser

Ved å utvide automatiserte beslutninger med predictive analytics vil områder/kundeforespørsler/saker som ikke har Ja/Nei svar (forretningsregler) kunne automatiseres, om man tolererer en liten statistisk feilprosent.

Forståelsen av dine brukere/kunder vil øke, og man vil kunne finne flere bruksområder for kategoriseringen som gjøres av modellene. Innovasjonen vil kunne øke i organisasjonen.