Hur föreskrivande analys kan hjälpa företag

Vad är Prescriptive Analytics?

Prescriptive analytics är en typ av dataanalys - användning av teknik för att hjälpa företag att fatta bättre beslut genom analys av rådata. Specifikt föreskrivande analysfaktorer information om möjliga situationer eller scenarier, tillgängliga resurser, tidigare prestanda och nuvarande prestanda, och föreslår en åtgärd eller strategi. Den kan användas för att fatta beslut om vilken som helst tidshorisont, från omedelbar till lång sikt.

Motsatsen till föreskrivande analys är beskrivande analys, som undersöker beslut och resultat efter det.

Hur Prescriptive Analytics fungerar

Prescriptive analytics bygger på tekniker för artificiell intelligens, till exempel maskininlärning - förmågan hos en datorprogram, utan ytterligare mänsklig inmatning, för att förstå och gå vidare från data som den får, anpassa alla medan. Maskininlärning gör det möjligt att bearbeta en enorm mängd data som finns tillgänglig idag. När nya eller ytterligare data blir tillgängliga, anpassas datorprogram automatiskt för att använda den, i en process som är mycket snabbare och mer omfattande än mänsklig förmåga kan hantera.

Prescriptive analytics fungerar med en annan typ av dataanalys, prediktiv analys, vilket innebär användning av statistik och modellering för att bestämma framtida prestanda, baserat på aktuella och historiska data. Det går dock längre: Med hjälp av den prediktiva analysens uppskattning av vad som sannolikt kommer att hända rekommenderar den vilken framtida kurs man ska ta.

För- och nackdelar med föreskrivande analys

Prescriptive analytics kan skära igenom röran av omedelbar osäkerhet och förändrade förhållanden. Det kan hjälpa till att förebygga bedrägerier, begränsa risk, öka effektiviteten, uppfylla affärsmålen och skapa mer lojala kunder.

Föreskrivande analys är dock inte idiotsäker. Det är bara effektivt om organisationerna vet vilka frågor de ska ställa och hur de ska reagera på svaren. Om inmatningsantagandena är ogiltiga blir utgångsresultaten inte korrekta.

När den används effektivt kan dock föreskrivande analys hjälpa organisationer att fatta beslut baserade på mycket analyserade fakta snarare än att hoppa till underinformerade slutsatser baserade på instinkt. Prescriptive analytics kan simulera sannolikheten för olika resultat och visa sannolikheten för varje, hjälpande organisationer för att bättre förstå graden av risk och osäkerhet de står inför än de kan lita på medelvärden. Organisationer kan få en bättre förståelse av sannolikheten för värsta fall och planera därefter.

Exempel på föreskrivande analys

Många typer av datakrävande företag och myndigheter kan dra nytta av att använda föreskrivande analyser, inklusive de inom finansiella tjänster och hälso- och sjukvårdssektorer, där kostnaden för mänskliga misstag är hög.

Föreskrivande analys kan användas för att utvärdera om en lokal brandkår ska kräva att invånarna evakuerar ett visst område när en eldeld brinner i närheten. Det kan också användas för att förutsäga om en artikel om ett visst ämne kommer att bli populär bland läsare baserat på data om sökningar och sociala aktier för relaterade ämnen. En annan användning kan vara att justera ett utbildningsprogram för arbetstagare i realtid baserat på hur arbetaren reagerar på varje lektion.

Föreskrivande analys för sjukhus och kliniker

På samma sätt kan föreskrivande analys användas av sjukhus och kliniker för att förbättra resultaten för patienter. Det sätter sjukvårdsdata i sitt sammanhang för att utvärdera kostnadseffektiviteten för olika procedurer och behandlingar och för att utvärdera officiella kliniska metoder. Det kan också användas för att analysera vilka sjukhuspatienter som har störst risk för återinläggning så att vårdgivare kan göra mer, via patientutbildning och uppföljning av läkare för att avvärja ständig återkomst till sjukhuset eller akuten.

Föreskrivande analys för flygbolag

Antag att du är vd av ett flygbolag och du vill maximera ditt företags vinster. Prescriptive analytics kan hjälpa dig att göra detta genom att automatiskt justera biljettpriser och tillgänglighet baserat på många faktorer, inklusive kundernas efterfrågan, väder och bensinpriser. När algoritmen identifierar att årets biljettförsäljning före jul från Los Angeles till New York släpar efter förra årets, till exempel kan det automatiskt sänka priserna, samtidigt som du ser till att inte sänka dem för lågt mot bakgrund av årets högre olja priser.

Samtidigt, när algoritmen utvärderar den högre än vanliga efterfrågan på biljetter från St. Louis till Chicago på grund av isiga vägförhållanden, kan den höja biljettpriserna automatiskt. VD behöver inte stirra på en dator hela dagen och titta på vad som händer med biljettförsäljning och marknadsförhållanden och sedan instruera arbetare att logga in i systemet och ändra priserna manuellt; ett datorprogram kan allt detta och mer - och i snabbare takt också.