Automatiskt beslutsfattande

Annons

Just när man trodde att man äntligen listat ut hur något svårt fungerar så kommer det något nytt man måste lära sig. Preskriptiv analys är just ett sådant svårt ämne.

I min artikel i förra numret av CFOworld förklarade jag att det finns olika sorters analys, sorterade efter hur komplexa och avancerade de är.

Vad menar jag då med den ”mest komplexa och avancerade analysen”? Starkt förenklat kan man kategorisera analys så här:

  • Deskriptiv – visar vad som hänt, och varför det hände
  • Prediktiv – visar vad som sannolikt kommer att hända i framtiden, baserat på olika modeller
  • Preskriptiv – visar och utvärderar olika möjliga framtidsscenarier

Den preskriptiva analysen är den som är mest komplex. Det är också den som kan svara på de allra svåraste frågorna och därmed också skapa de mest värdefulla insikterna. I likhet med prediktiv analys är preskriptiv analys framåtriktad. Preskriptiv analys ger dock svar på många fler frågor.

En modell för prediktiv analys kan oftast svara på ungefär följande frågor:

  • Vad kommer att hända?
  • När kommer det att hända?

Preskriptiv analys omsluter prediktiv analys, så vi får svar på dessa frågor även i en preskriptiv analys. Men dessutom så kan preskriptiv analys ge oss insikt om varför något kommer att hända och – inte minst – vad som helst bör hända, givet organisationens mål.

Vi kan även få hjälp att maximera effekten av det som alltså kommer att hända med utgångspunkt i olika modeller för optimering och simulering – vilket enkelt kan översättas till att ”fatta rätt beslut”. Vi får också hjälp att se vad detta beslut får för konsekvenser. Och självfallet så kan vi därmed se vad en rad olika beslut, givet vad som kommer att hända, får för konsekvenser.

Det låter avancerat – och det är det också. Men preskriptiv analys kan göra att organisationen exekverar den absolut bästa strategin för ett givet scenario.

Vad kan det vara värt? En hel del.

Preskriptiv analys som begrepp har funnits ett bra tag, sedan början av 1980-talet, men har kommit i ropet först de senaste åren. En av de starkaste drivkrafterna bakom denna plötsliga popularitet är det som vi brukar kalla Big Data. Preskriptiv analys får nämligen bäst precision om datamodellerna innehåller så mycket data som möjligt som kommer från omvärlden – alltså information som inte kommer inifrån den organisation som använder analysen. Minst 80 procent av all världens data i dag är sådan ostrukturerad data, exempelvis röstmeddelanden, bilder, video, mejl etc.

Tillgång till Big Data är alltså viktigt. Är det allt man behöver? Nej, tyvärr inte.

Man behöver dessutom oftast kontinuerlig tillförsel av ny Big Data och även en massa andra saker som organisationen själv står för. Dels då intern data givetvis, men framförallt affärsregler, datamodeller, matematiska modeller, laddare som kan koppla in och upp olika datakällor, system som kan tolka handskrift och röstmeddelanden och andra system som kan leta efter, identifiera och klassificera mönster i en massa rörig information.

Låter det jobbigt? Det är jobbigt. Och svårt.

Ändå visar undersökningar att det är detta område som är ”hetast” bland världens största organisationer. Det betyder förstås att man tycker att man får bra värde för alla pengar och mantimmar man lägger ner på att få den preskriptiva analysen att fungera.

Jag skulle vilja understryka två saker som är viktiga när man diskuterar sådana här saker. Det ena är vad prediktiv analys faktiskt ger som output: prediktiv analys ger en prognos baserad på statistiska modeller och beräkningar.

Prediktiv analys ger inte ett absolut svar, eller ”sanningen”. Ingen analys kan göra det. Prediktiv analys ger dig en indikation om vad som med störst sannolikhet kommer att hända i framtiden givet historiska data.

Det som preskriptiv analys ger är flera olika scenarier om vad som kan hända, och vad som sedan kan hända om man fattar olika beslut givet dessa. En av anledningarna till att detta kan fungera är att man i ett system för preskriptiv analys kan återföra konsekvensen av ett visst beslut till den preskriptiva modellen. Man skapar en sorts ”loop” av feedback.

Analysföretaget Gartner beskriver skillnaden mellan prediktiv och preskriptiv analys ungefär som att du med preskriptiv analys får hjälp att fatta rätt beslut och dessutom kanske rent av möjligheten att automatisera en hel del beslutsfattande. Preskriptiv analys är alltså betydligt närmare ”actions” än prediktiv analys – den preskriptiva analysen ger konkreta beslutsunderlag.

Automatisera beslut? Det låter kanske litet skrämmande. Vill vi ha ”robotar” eller programvaror som fattar beslut för oss?

Ja, det vill vi och det har vi redan. Ett enkelt exempel är när du sätter upp en regel i din mejlbox så att saker hamnar i rätt mapp. Eller att du märker ett mejl som skräpmejl, så att du aldrig mer behöver se mejl från den avsändaren. Eller att du sätter upp en regel så att alla mejl som innehåller ordet ”CV” i kombination med ”personligt brev” automatiskt skickas vidare till personalavdelningen.

Allt detta är enkla regler som gör att du slipper fatta beslut och som gör att olika ”actions” initieras och exekveras. Vad är det som säger att mer komplexa beslut inte automatiskt kan fattas av system som har förmågan att ta in och processa många miljoner gånger mer information än vad du kan hantera, dessutom dygnet runt, utan att vila och med kontinuerlig tillförsel av ny data?

Prediktiv analys är i dag allmänt accepterat och används regelmässigt i de flesta stora organisationer. Preskriptiv analys är inte alls så etablerat. Än.

De organisationer som varit snabbast att utveckla system för preskriptiv analys är ofta konsumentföretag. Inte sällan har de också utvecklat systemen så att beslut automatiseras.

Ta en hotellkedja som exempel. Ett rum som står tomt ger inga intäkter. Men man kan inte heller sälja det för billigt. En rad olika komponenter ”ramar in” vad man kan ta för en natt på ett hotell – klass, läge, tid på året, veckodag, om det är stora event i staden, om

andra hotell har kampanjer och mycket annat. Som synes är det mycket data från omvärlden som spelar in när man prissätter en hotellnatt.

Och det pris man sätter ger också en effekt – rummet blir uthyrt eller så blir det inte uthyrt. Och denna information kan alltså i ett system för preskriptiv analys föras tillbaka in i systemet och ge input till nästa dags beslut.

Det finns numera hotellkedjor som har byggt helt automatiska system för prissättning, där analysmotorn för den preskriptiva analysen ger mycket bättre precision än vad man kan göra manuellt. På liknande sätt arbetar många stora e-handlare, och inte bara vad gäller prissättning. Preskriptiv analys och automatiskt genererade beslut avgör – utifrån faktorer som vem som är inne på sidan, vad som står i tidningarna samma dag, flöden på Twitter och Facebook – vad som visas och i vilken ordning.

Preskriptiv analys är den mest avancerade formen av analys och också den som är närmast de mest värdeskapande besluten. Det är inte så konstigt att den klättrar snabbt på Gartners så kallade ”hype-kurva”.

Avslutningsvis vill jag gärna understryka att avancerad analys inte löser alla problem och man måste inte bara utveckla rätt modeller – man måste också ge modellerna rätt data. Jag får ofta två sorters frågor vid middagar när folk hör vad jag jobbar med.

Den första är på temat ”men om alla har analys så minskar väl betydelsen?”. Nej, det är helt fel. Just din organisation har mål, drivkrafter, unika erbjudanden och så vidare som tagit er till den position ni har idag. Mer och bättre analys tar dig vidaretill nästa steg, även om dina konkurrenter också arbetar med analys.

Den andra frågan är litet rakare och brukar låta så här: ”Kan du ge något extremt tydligt exempel på att analys faktiskt fungerar?”

Och det är inte svårt. Titta på vädret till exempel. Väderprognoser har blivit väldigt mycket bättre sedan meterologer fick tillgång till avancerad analys. Det är lätt att bevisa. I dag kan man nästan alltid tre dygn i förväg förutsäga var en tropisk storm kommer att nå land, med en träffsäkerhet på cirka 15 mil. För 25 år sedan var precisionen många gånger sämre.