Täpsem info, parem juhtimine

Juhtimisinfo


Tuleviku ennustamine – kas hookuspookus või matemaatika?

Postitatud 10.05.2016

Andres Kukke
(Räägitud Infovara Inspiratsioonipäeval)

 

Kui jätta kõrvale kohvipaksult heade ennete lugemine ning võtta kätte asjakohased andmed, võib tuleviku ennustamine osutuda väga kasulikuks, mis aitab optimeerida ettevõtte tegevusi ning vältida ebasobivaid stsenaariume. Paraku kasutatakse täna andmestikku ennustamiseks väga vähe, kuid ennustav analüütika (predictive analytics) on analüüsimaalimas kasvav trend.

 

Kuidas saavad andmed mineviku kohta aidata ennustada tulevikku?

Analüüsides oma ettevõttega seotud andmestikku, saame selle põhjal teha olulisi otsuseid ning planeerida tegevusi. See aitab välistada nö sisetunde põhjal tehtavate kahjulikke otsuste tagajärgi. Selleks, et teada, kas mingi meie idee töötab või ei tööta, ei pea seda tingimata järele proovima. Võimalik, et piisab lihtsalt analüüsist.

 

Tahes-tahtmata peab ettevõte oma anlüütilise võimekuse kasvatamisel   läbima teatud arenguetapid ja ennustavast analüütikast reeglina ei alustata. Esimeses etapis on oluline saada omale nö pilt ette ning osata vastata küsimusele – mis juhtus? Selleks kasutatakse aruandeid ning valdavas osas ettevõtetes on need moel või teisel ka olemas. Suure sammu teeb ettevõte, kui pelgast raporteerimisest ja minevikuvaatest liigutakse edasi sisulise analüüsini ning püütakse mõista – miks nii juhtus. Sealt edasi loogilise arenguna peaks tulema nn. what if analüüsid ning ennustav analüütika.

 

 


Andmete põhjal tuleviku ennustamise kandvateks abivahenditeks on algoritmid. Need on tihtilugu nii targalt koostatud, et soovitavad ise, mis on antud analüüsi teostamiseks statistiliselt mõistlik valim või mitu segmenti andmete põhjal võiks moodustada jmt. Ning seejärel andmeid töödeldes leiavad algoritmid sarnaselt käituvad segmendid, mille abil saab siis juba nende tuleviku käitumist ennustada. Kuna enamasti on vaja ennustamiseks väga palju andmeid, on praktiline lasta see töö ära teha arvutitel. Õigesti koostatud kliendivõrrand annab meile vastuse, millisele kliendile millist toodet uudiskirjas pakkuda või millist toodet on mõtet poodi rohkem varuda. Kusjuures, paljud algoritmid on praeguseks Googlis vabalt saadavad.

 

Milliseid ennustusi teha annab? Näiteks saame ennustada, kas golfiklubi klient läheb täna golfi mängima või mitte. Seda ilmaprognoosi ja seniste külastuste põhjal. Amazon pakub igale ostjale tema ostumustri põhjal järgmisi sarnaseid tooteid. Nende käibest 35% tuleb kordusostudest. Netflix ennustab aga nüüdseks ette, millist kanalit me järgmiseks vaatama hakkame. Samuti on Infovaral näide kliendist, kellel aitasime otsida vastust küsimusele, kas mingi konkreetne temperatuur mõjutab toote müüki. Kümne aasta hüdrometeoroloogia- ning müügiandmete põhjal tuli välja, et alates teatud temperatuurist oli ilm ostlemiseks tõepoolest „liiga kuum“ ning mõjus müüginumbritele kehvasti. Kusjuures tegemist ei olnud jäätise või karastusjoogiga, vaid pealtnäha nö ilmaneutraalse tootega. Sarnaseid näiteid on veel ja veel.

 

Siiski – päris kõike me ette näha ei saa ning alati toimivaid andmemudeleid ei suuda keegi luua. Näiteks ei suudeta veel ette ennustada, mis hakkab järgmiseks toimuma naftahinnaga või mis toimub börsihindadega. Põhjus selles, et nafta hinda mõjutavad liiga paljud tegurid ning mudel läheb hoomamatult suureks. Samas on iga tulemus analüütika maailmas endiselt tulemus – ka see, et toimivat algoritmi ei leita.

 

Kokkuvõttes võib ütelda, et ükski mudel pole täiuslik, aga mõni on kasulik. Selleks, et mudelite põhjal ennustamine töötaks, on esimese sammuna tarvis juhtkonna toetust andmeanalüüsi kasutamisel. Ilma selleta ei aita ettevõtet mitte ükski algoritm, andmehulk ega mudel.

 

Comments are closed.




↑ Lehe algusesse