Auteur: Christopher S. Penn, mede-oprichter en Chief Data Scientist bij Trust Insights

Predictive analytics is een discipline die al sinds het begin van het doen van metingen bestaat. We hebben altijd al geprobeerd de toekomst te voorspellen, kijk alleen maar in de geschiedenis naar voorspellers als Nostradamus en vele andere profeten. Voorspellende analyses worden al toegepast sinds de eerste lijngrafiek werd getekend en iemand een liniaal op de grafiek zette om de trend voor de organisatie te bepalen.

Inhoudsopgave

Een korte geschiedenis van predictive analytics

Geen enkele sector heeft geprobeerd meer te doen met voorspellende analyses dan de financiële dienstverlening. Vanaf de opening van Lloyd’s Coffee House in 1686 hebben professionals in de financiële dienstverlening geprobeerd te voorspellen wat er gaat gebeuren. Financiële planners, CFO’s en analisten hebben allemaal moeite gedaan  om nauwkeurige methoden te ontwikkelen die waren gericht op het voorspellen wat er waarschijnlijk gaat gebeuren.

Voordat geavanceerde statistische analyse en machine learning hun intrede deden, vielen de inspanningen om te komen tot voorspellende analyses grofweg in vier brede categorieën:

  1. Raden: op basis van kwalitatieve en kwantitatieve gegevens plus expertise op het gebied van onderwerpen, zullen mensen proberen te raden wat er waarschijnlijk zal gebeuren. Of de resultaten van dergelijke voorspellingen het toeval verslaan, is sterk afhankelijk van de vaardigheden van de materiedeskundige.
  2. Visuele voorspellingen: met grafieken en lijnen een trend voor de toekomst zichtbaar maken. Deze techniek is al tientallen jaren populair en met goede reden; voor gegevens waarbij regelmatige lineaire patronen bestaan, werkt het tekenen van lijnen in grafieken. Deze vorm komt nog veel voor bij bijvoorbeeld analyses op aandelenmarkten. Analisten trekken lijnen voor de bodem- en plafondprijzen van aandelen om te bepalen of het de moeite waard is om die aandelen te kopen of niet.
  3. Additieve voorspellingen: een populaire methode voor budgettering waarbij de gegevens van de vorige periode worden aangepast met een zeker percentage om te komen tot een nieuwe prognose. Dit veronderstelt dat de komende periode voor wat betreft randvoorwaardenidentiek zal zijn aan de vorige periode, en werkt dus alleen onder bepaalde voorwaarden. In een tijdperk met een pandemie en politieke instabiliteit is het geen goede strategie, tenzij het gepaard gaat met uitzonderlijke behendigheid en wendbaarheid van de organisatie wanneer de omstandigheden veranderen.
  4. Dingen verzinnen: een vorm van het opstellen van plannen los van elke referentie. Dit lijkt de minst bruikbare methode om te voorspellen, maar wordt door een verrassend aantal organisaties en belanghebbenden gedaan bij gebrek aan andere voorspellingstechnieken.

De eerste drie technieken delen een belangrijke basis: ze nemen bestaande gegevens en proberen deze te gebruiken om toekomstgerichte modellen te bouwen. Wat in de afgelopen 25 jaar, en vooral in de afgelopen 10 jaar is veranderd, is het gebruik van geavanceerde statistische en machine learning-software om voorspellingen te maken die wiskundig beter zijn dan deze vroege methoden.

Wat Predictive Analytics niet kan voorspellen

Om goed te snappen hoe organisaties predictive analytics effectief in kunnen zetten is belangrijk te weten wat de beperkingen van voorspellende analyses zijn. Er zijn vier algemene categorieën gegevens die niet met enige nauwkeurigheid zijn te  voorspellen:

  • Zaken die nog nooit gebeurd zijn
  • Zaken die niet in hun aard niet voorspelbaar zijn
  • Zaken die geen cycliciteit of seizoenspatroon hebben
  • Zaken met verborgen inputvariabelen

COVID-19 is een voorbeeld van iets dat nog nooit is gebeurd. We hebben natuurlijk eerder pandemieën gekend, maar in dit geval had geen enkele voorspellende analyse software – hoe goed, hoe geavanceerd, en met hoeveel gegevens ook – de pandemie met enige nauwkeurigheid kunnen voorspellen. Evenmin was met succes een aantal andere zogenaamde “zwarte zwaan” gebeurtenissen op een redelijke manier te voorspellen. Hoewel de militaire inlichtingendiensten van sommige landen de dreiging van de Oekraïne crisis in een vroeger stadium detecteerden dan andere landen, voor de overgrote meerderheid van organisaties en financiële afdelingen gaat dit om niet voorspelbare, unieke gebeurtenissen.

Predictive analytics kunnen per definitie niet voorspellen wat in de aard onvoorspelbaar is. Een subtiel voorbeeld hiervan zijn politieke verkiezingen, zoals de presidentsverkiezingen in de Verenigde Staten. Hoewel deze verkiezingen elke vier jaar met zekerheid plaatsvinden, is de realiteit dat geen twee verkiezingen ooit hetzelfde zijn. De kandidaten veranderen, de problemen veranderen en zelfs de stembasis verandert aanzienlijk tussen de verkiezingen. Geen enkel voorspellend model werkt dus om verkiezingen te voorspellen, ondanks de inspanningen van velen om het tegendeel te beweren.

Voorspellende analyses kunnen geen willekeur voorspellen, dingen die noch seizoenspatronen noch cycliciteit hebben dus. Stel dat je met een videoproductieteam video’s op YouTube publiceert waarin een zeer complex onderwerp wordt uitgelegd. Toevallig doet een van die video’s het heel goed en gaat viraal. Er is geen enkele manier om dat soort willekeur te voorspellen, ook al is je productieschema erg voorspelbaar.

Ten slotte kunnen voorspellende analyses geen enorm complexe modellen voorspellen die verborgen inputvariabelen bevatten. De beurs is daar een uitstekend voorbeeld van. Er zijn enorme middelen geïnvesteerd in pogingen om de prestaties van de aandelenmarkt als geheel en in individuele aandelen te voorspellen, maar er zijn zoveel verborgen inputvariabelen, van High frequency trading-algoritmen tot macro-economische gebeurtenissen, dat modellen eenvoudigweg niet met nauwkeurigheid heel goed kunnen voorspellen.

Predictive Analytics Voorbeeld in Finance

Maar laten we eens kijken naar een specifiek voorbeeld van voorspellende analyses, iets dat we vanuit Trust Insights jaren geleden ontwikkelden met een klant actief in de casino-industrie. We werkten daarbij samen met het Foxwoods Casino in Connecticut (VS), die ons vroegen om financiële gegevens te gebruiken om een voorspelling te maken. Casinobezoek en casino-ontvangsten zijn zeer voorspelbaar. Er is een duidelijke cycliciteit en seizoenspatroon in de gegevens, waardoor het een uitstekende kandidaat is voor voorspellingen.

We onderzochten drie jaar casino-ontvangsten en met behulp van op maat gemaakte machine learning-software voorspelden we hun verwachte inkomsten, week na week, voor 52 weken vooruit. Met die prognose konden ze gemakkelijk bepalen welke weken in het komende jaar waarschijnlijk een lagere omzet zouden hebben dan andere.

De sleutel bij voorspellende analyses, zoals alle analyses, is niet de voorspelling zelf, maar wat je ermee doet, en dit is waar deze voorspellende analyse echt waarde toevoegt. Met de wetenschap dat de omzet naar verwachting zou dalen in specifieke weken, schakelde Foxwoods zijn marketingteams in om rond die weken promoties te maken, waardoor extra toeloop werd gestimuleerd om die zwakke periodes te compenseren. Denk aan campagnes zoals lokale bezoeken van de pers, digitale advertenties, beloningen voor terugkerende klanten, speciale promoties en prijzen – alle middelen die in gereedschapskist zaten om klanten aan te trekken en te behouden.

Het netto-effect? In plaats van een jaar met minder omzet in vergelijking met voorgaande jaren en en de oorspronkelijk voorspellingen, zag Foxwoods een omzetgroei van 29% op jaarbasis. Wat echt interessant is in deze casus. Toen het jaar erna, als gevolg van een verandering in management en een verandering van marketingbureaus, werd gekozen om het dit model weer los te laten, viel de omzet weer terug naar het oorspronkelijke niveau, een daling van 29% op jaarbasis.

Nogmaals, het kritieke punt hier is niet de voorspelling, maar wat we doen met de informatie – de acties en de beslissingen die we nemen. Voorspellende analyses zijn zoals alle analyses – als we niets met de gegevens doen, is het op zijn best een afleiding. Alleen wanneer we beslissingen nemen op basis van de analyse, ontsluiten we de waarde van voorspellende analyses.

Dit artikel zoals het werd gepubliceerd op de Jedox website: https://www.jedox.com/en/blog/predictive-analytics/