Predictive Analytics

Voorspellende analyses maken gebruik van historische gegevens en statistische modellen of machine learning-modellen om de waarschijnlijkheid van toekomstige uitkomsten te schatten. In commerciële toepassingen betekent dit doorgaans dat individuen of accounts worden beoordeeld op waarschijnlijkheden zoals een aankoop binnen een bepaalde periode, klantverlies, reageren op een aanbieding, wanbetaling of het bereiken van een bepaalde levenslange klantwaarde, en dat deze scores vervolgens worden gebruikt om prioriteit te geven aan acties.

De zakelijke waarde ervan komt volledig voort uit de beslissingen die het beïnvloedt. Een churnmodel dat weliswaar nauwkeurig voorspelt, maar geen andere actie teweegbrengt, levert een rapport op in plaats van een rendement. De nuttige aanpak is daarom om te beginnen bij de beslissing, te bepalen wat er op elk scoreniveau anders zou moeten gebeuren, te bevestigen dat de afwijkende actie haalbaar en de kosten waard is, en pas daarna het model te bouwen. Projecten die beginnen met beschikbare data en vervolgens op zoek gaan naar iets om te voorspellen, produceren routinematig nauwkeurige modellen die niemand gebruikt.

De kwaliteit van een model hangt meer af van de doeldefinitie en de data dan van de algoritmekeuze. De beslissing wat als klantverlies telt, over welke periode en voor welke klanttypen, bepaalt wat het model leert. Een vage definitie leidt tot een model dat een onsamenhangende mix van uitkomsten voorspelt. Kenmerken moeten beschikbaar zijn op het moment dat de voorspelling nodig is, wat alles uitsluit wat achteraf is vastgelegd. Lekkage, waarbij een kenmerk informatie codeert over de uitkomst die het voorspelt, is de meest voorkomende oorzaak van modellen die uitstekend presteren in de validatie, maar volledig falen in de productieomgeving.

De evaluatie moet de operationele realiteit weerspiegelen in plaats van een algemeen nauwkeurigheidscijfer. Bij zeldzame uitkomsten is de algehele nauwkeurigheid betekenisloos, omdat de voorspelling dat er niets gebeurt meestal juist is. Precisie en recall op de operationele drempel, de verbetering ten opzichte van een basislijn binnen het segment dat daadwerkelijk behandeld zal worden, en de verwachte waarde van de resulterende beslissingen zijn de maatstaven die ertoe doen. Stabiliteit in de tijd is net zo belangrijk als nauwkeurigheid op een bepaald moment, omdat modellen achteruitgaan naarmate gedrag, product- en marktomstandigheden veranderen, en modellen die niet worden gemonitord maandenlang kunnen afwijken zonder dat iemand het merkt.

Voorspellingen vereisen ook zorgvuldige behandeling zodra ze actie beïnvloeden, omdat het handelen ernaar de data verandert waar het volgende model van leert. Het stopzetten van marketing naar klanten waarvan voorspeld wordt dat ze niet zullen converteren, neemt de mogelijkheid weg dat ze wel converteren, wat de voorspelling bevestigt en het patroon versterkt. Op dezelfde manier veranderen retentieaanbiedingen aan risicovolle klanten hun gedrag, waardoor de daaropvolgende trainingsdata niet langer de onbehandelde relatie weerspiegelen. Het reserveren van een gerandomiseerde controlegroep is de standaardbescherming en biedt tevens de enige betrouwbare meting van de waardecreatie van het programma.

Verklaarbaarheid is in commerciële toepassingen belangrijker dan prestatiebenchmarks van modellen doen vermoeden. Een model waarvan de voorspellingen niet aan de teams die ermee werken kunnen worden uitgelegd, zal met wantrouwen worden bekeken en genegeerd, met name door verkoop- en servicemedewerkers die hun eigen mening hebben over welke klanten risico lopen. Door de belangrijkste factoren die elke individuele score beïnvloeden te vermelden, in plaats van alleen de score zelf, wordt de acceptatie verbeterd en krijgen de mensen die actie ondernemen iets om mee te werken. Weten dat een account risico loopt omdat het gebruik onder de belangrijkste gebruikers is afgenomen, leidt immers tot een ander gesprek dan weten dat het risico bestaat omdat de contractverlenging nadert. Het maakt het voor domeinexperts ook mogelijk om te herkennen wanneer een model iets onjuists heeft geleerd.

Ethische en regelgevende aspecten spelen een directe rol wanneer voorspellingen van invloed zijn op wat individuen wordt aangeboden of wat hen in rekening wordt gebracht. Modellen die getraind zijn op historische gegevens reproduceren historische patronen, waaronder discriminerende patronen, en gedifferentieerde prijsstelling of toegang op basis van voorspelde waarde brengt in verschillende rechtsgebieden zowel reputatieschade als juridische risico's met zich mee. In de praktijk worden deze programma's gebouwd door Data analytics waarbij het besluitvormingskader en het ontwerp van de testomgeving zijn overeengekomen. groei managementEn ze zijn het best te verdedigen wanneer het model helpt bij het prioriteren van werkelijk nuttige behandelingen, in plaats van te bepalen wie ervoor in aanmerking komt.