Data & Predictive Intelligence

Omdat een model leert van de cijfers die uw rapportage oplevert. Betekenen omzet, klant of kanaal in uw CRM iets anders dan in uw financiele systeem, dan traint u het model op die inconsistentie en voorspelt het die keurig mee. Techniek maakt hier ook verschil: een dashboard aggregeert wat er is vastgelegd, een voorspellend model leidt uit patronen af wat waarschijnlijk volgt. Ze staan niet tegenover elkaar, de rapportagelaag levert de grondstof waarop het model draait.

Bouw beide, maar niet tegelijk. Begin bij een beslissing die u telkens opnieuw neemt en die geld kost als u die verkeerd neemt, bijvoorbeeld inkopen of budget verdelen over kanalen. Sluit de bronnen aan die voor die beslissing nodig zijn en bouw daar het eerste model op. Laat het een volledige cyclus meelopen naast uw huidige werkwijze en vergelijk. Verbreed daarna stap voor stap naar de volledige data-unificatie, zodat elk aangesloten bronsysteem meteen een beslissing bedient.

Dat hangt af van het model. Modellen die een uitkomst schatten, zoals vraag, klantwaarde of churn-risico, hebben historie nodig waarin die uitkomst bekend is. Anomaly detection heeft dat niet, want die zoekt afwijkingen zonder dat iemand ze vooraf heeft gelabeld. Twee voorwaarden gelden altijd: eenduidige definities over uw systemen heen, en herleidbaarheid, dus kunnen aanwijzen waar een cijfer vandaan komt en op welke grondslag persoonsgegevens worden verwerkt. Daarom is data governance een vaste component van de Predictive Intelligence Suite van W69 en geen sluitstuk.

Kijk naar de beslissing, niet naar het model. Leg vast welke keuzes anders zijn uitgevallen sinds het model meedraait en vergelijk de uitkomsten met een periode of groep waarin de oude werkwijze gold, bijvoorbeeld minder overtollige voorraad of eerder ingrijpen bij oplopend churn-risico. Toetst u de voorspelling op historie, houd dan de meest recente periode achter en train op de periode daarvoor. Een willekeurige greep uit de historie laat toekomstige informatie in de training lekken en maakt de gemeten nauwkeurigheid te rooskleurig.

De meest gemaakte fout is een voorspelling bouwen zonder vooraf af te spreken wie er iets mee doet. Er verschijnt een dashboard, de score klopt, en niemand verandert zijn werkwijze omdat niet is vastgelegd bij welke uitkomst welke actie hoort en wie die mag nemen. De tweede fout is een schatting presenteren als een hard getal. Elke voorspelling heeft een bandbreedte en geldt voor een bepaalde periode. Laat u die weg, dan leest uw team de uitkomst als een belofte en is het vertrouwen bij de eerste afwijking verdwenen.