Att göra analyser för att förbättra affärerna - hur svårt kan det vara?

Moln,Byggsektor,Analys

Analys med hjälp av Machine Learning

Prediktiv analys. Hur svårt kan det va’? 

Prediktiv analys, Big Data och smarta sensorer är inte längre nymodigheter. Vi har alla hört orden och tekniken har nu, med IT-mått mätt, funnits sedan Nils Dacke red förbi. När trendinstitutet Gartner visar upp sin magiska kvadrant för BI och analys är det ingen brist på leverantörer som tävlar om att ligga längst upp i högra hörnet, där de mest visionära ledarna inom området finns. Men hur många organisationer utanför IT-sfären har koll på hur man kan använda sig av avancerad analys för att fatta beslut? 

 

Det finns möjlighet att med relativt små ekonomiska medel göra vinster genom att ta tillvara den data som vi kostat på oss att samla in; Vi kan öka vår omsättning genom att rikta oss till rätt kundgrupp på rätt sätt; vi kan lyckas bättre med både kors- och merförsäljning samtidigt som vi drar in på kostnader för mindre lönsamma kampanjer.  

Så med all denna kunskapsbas vi har samlat på oss – varför drar vi inte nytta av den?  Kan det vara så att vi helt enkelt inte vet var vi ska börja? Eller tror vi att det måste finnas en mängd andra saker på plats innan vi börjar? 

 

Så, var börjar vi?

Det finns egentligen två angreppssätt när vi kastar oss in i analysens underbara värld. Vi har det målmedvetna sättet, där vi vet vilken fråga vi vill ha svar på och metodiskt genomsöker data för att få svaret på just den frågan. Och så har vi det nyfikna sättet där vi med öppet sinne forskar i vår data för att se vad vi råkar hitta.  

 

Det målmedvetna sättet 

Ponera att du är en medlemsorganisation och du märker att trenden i antalet medlemmar börjar peka i en tråkig riktning neråt. Innan du börjar kampanja för att få in nya medlemmar frågar du dig hur du ska behålla de medlemmar du redan har. Svaret går troligtvis att finna i ditt medlemssystem. Att läsa in relevant data i exempelvis Azure Machine Learing, som har färdiga statistiska modeller, och få en första prediktion på vem som kommer att hoppa av härnäst, behöver inte innebär mer än ett par veckors jobb. Då har du har tagit första steget.  

 

Det nyfikna sättet 

Ponera att du är ett e-handelsbolag. Du har samlat på dig information om dina kunder, du har köpt in adressregister för att skicka ut reklam till de som inte ännu blivit kunder och du har en mängd information om alla de produkter du säljer. Läs in så mycket data du bara kan i ett analysverktyg och fråga efter korrelationer mellan olika variabler. Det kan visa sig att de som pressar sin egen juice också tittar på Homeland - ett samband du förmodligen inte hittat på egen hand. Och en ny möjlighet till korsförsäljning. 

 

Båda angreppsätten är bra. Dina statistiska modeller utvecklar du iterativt så att de blir mer träffsäkra med tiden. Du får svar på, inte bara vem som hoppar av som medlem, utan även vad du ska göra för att förhindra avhoppet. Och det är när du agerar på dina analyser som pengarna börjar rullar in. 

 

För så är det. Har man väl börjat analysera är det svårt att sluta...

Helen Ala