Miten ohjeellinen analyysi voi auttaa yrityksiä

Mikä on määräysanalytiikka?

Preskriptiivinen analytiikka on eräänlainen data -analytiikka - teknologian käyttö auttaa yrityksiä tekemään parempia päätöksiä raakatietojen analysoinnin avulla. Määräävä analytiikka määrittää tiedot mahdollisista tilanteista tai skenaarioista, käytettävissä olevat resurssit, aiempi suorituskyky ja nykyinen suorituskyky, ja ehdottaa toimintatapaa tai strategia. Sitä voidaan käyttää tekemään päätöksiä mistä tahansa aikahorisontti, välittömästä pitkäaikaiseen.

Preskriptiivisen analytiikan vastakohta on kuvaava analytiikka, joka tutkii päätöksiä ja tuloksia jälkikäteen.

Prescriptive Analytics toimii

Määräysanalytiikka perustuu tekoälytekniikoihin, kuten koneoppimiseen - a tietokoneohjelma ilman ihmisen lisäpanosta ymmärtämään ja edistymään saamastaan ​​datasta mukauttamalla kaikkea sillä aikaa. Koneoppiminen mahdollistaa valtavan määrän nykyään saatavilla olevan datan käsittelyä. Kun uutta tai lisätietoa tulee saataville, tietokoneohjelmat mukautuvat automaattisesti hyödyntämään sitä prosessissa, joka on paljon nopeampi ja kattavampi kuin mitä ihmisen kyvyt pystyvät hallitsemaan.

Preskriptiivinen analytiikka toimii muun tyyppisen data -analytiikan kanssa, ennakoiva analytiikka, johon sisältyy tilastot ja mallinnus tulevaisuuden suorituskyvyn määrittämiseksi nykyisten ja historiallisten tietojen perusteella. Se menee kuitenkin pidemmälle: Käyttämällä ennakoivan analytiikan arviota siitä, mitä todennäköisesti tapahtuu, se suosittelee tulevaa kurssia.

Prescriptive Analyticsin hyvät ja huonot puolet

Määräysanalytiikka voi leikata välittömän epävarmuuden ja muuttuvien olosuhteiden sotkua. Se voi auttaa estämään petoksia, rajoittamaan riskejä, lisäämään tehokkuutta, saavuttamaan liiketoimintatavoitteet ja luomaan uskollisempia asiakkaita.

Määräysanalytiikka ei kuitenkaan ole idioottivarmaa. Se on tehokasta vain, jos organisaatiot tietävät, mitä kysymyksiä on esitettävä ja miten niihin vastataan. Jos tulo -oletukset ovat virheellisiä, tulos ei ole tarkka.

Tehokkaalla käytöllä preskriptiivinen analytiikka voi kuitenkin auttaa organisaatioita tekemään päätöksiä erittäin analysoitujen tosiasioiden perusteella sen sijaan, että he tekisivät vaistonvaraisia ​​johtopäätöksiä. Ohjeellinen analytiikka voi simuloida erilaisten tulosten todennäköisyyttä ja näyttää kunkin todennäköisyyden auttamalla organisaatiot ymmärtämään paremmin kohdattavansa riskin ja epävarmuuden tason kuin voisivat luottaa keskiarvot. Organisaatiot voivat saada paremman käsityksen todennäköisyydestä pahimmista skenaarioista ja suunnitella sen mukaan.

Esimerkkejä Prescriptive Analyticsista

Lukuisat tietointensiiviset yritykset ja valtion virastot voivat hyötyä määräysten käytöstä analyysit, mukaan lukien rahoituspalvelujen ja terveydenhuollon alat, joilla inhimillinen erehdys maksaa korkea.

Määräysanalytiikkaa voitaisiin käyttää arvioimaan, pitäisikö paikallisen palokunnan vaatia asukkaita evakuoimaan tietty alue, kun lähellä on tulipalo. Sitä voitaisiin myös käyttää ennustamaan, onko tiettyä aihetta käsittelevä artikkeli suosittu lukijoiden keskuudessa. Toinen käyttötarkoitus voisi olla työntekijöiden koulutusohjelman mukauttaminen reaaliajassa sen mukaan, miten työntekijä reagoi jokaiseen oppituntiin.

Määräysanalytiikka sairaaloille ja klinikoille

Vastaavasti sairaalat ja klinikat voivat käyttää määräysanalytiikkaa parantaakseen potilaiden tuloksia. Se asettaa terveydenhuollon tiedot asiayhteyteen erilaisten menettelyjen ja hoitojen kustannustehokkuuden arvioimiseksi ja virallisten kliinisten menetelmien arvioimiseksi. Sitä voidaan myös käyttää analysoimaan, millä sairaalapotilailla on suurin riski päästä takaisin sairaalaan terveydenhuollon tarjoajat voi tehdä enemmän potilaskoulutuksen ja lääkärin seurannan avulla estääkseen jatkuvan paluun sairaalaan tai päivystykseen.

Prescriptive Analytics for Airlines

Oletetaan, että olet toimitusjohtaja lentoyhtiöstä ja haluat maksimoida yrityksesi voitot. Säännöllinen analytiikka voi auttaa sinua tässä säätämällä lippujen hintoja ja saatavuutta automaattisesti useiden tekijöiden, kuten asiakkaiden kysynnän, sään ja bensiinin hintojen, perusteella. Kun algoritmi havaitsee, että tämän vuoden joulun edeltävien lippujen myynti Los Angelesista New Yorkiin on hidastunut viime vuodesta, se voi esimerkiksi laskea hintoja automaattisesti samalla, kun varmista, ettet laske niitä liian alas tämän vuoden öljyn hinnan nousun vuoksi hinnat.

Samaan aikaan, kun algoritmi arvioi tavallista suurempaa lippujen kysyntää St. Louisista Chicagoon jäisten tieolosuhteiden vuoksi, se voi nostaa lippujen hintoja automaattisesti. Toimitusjohtajan ei tarvitse tuijottaa tietokonetta koko päivän ja katsoa, ​​mitä lipunmyynnissä ja markkinaolosuhteissa tapahtuu, ja sitten ohjata työntekijöitä kirjautumaan järjestelmään ja muuttamaan hintoja manuaalisesti; tietokoneohjelma voi tehdä kaiken tämän ja paljon muuta - myös nopeammin.