Diepgaande analyses


Advanced Analytics als bron van kennis

Advanced analytics

Advanced analytics maken het mogelijk om waarde uit uw data te halen. Door de constante stroom van data is het soms lastig gestructureerd data te analyseren. Het is belangrijk vooraf doelen te stellen en volgens een vaste aanpak de data in te duiken.

Vormen van advanced analytics

Er zijn vier belangrijke vormen van advanced analytics te onderscheiden, namelijk:

  • Descriptieve Analytics: Wat is er gebeurd?
  • Diagnostische Analytics: Waarom is dit gebeurd?
  • Predictieve Analytics: Wat zal er gebeuren?
  • Prescriptieve Analytics: Hoe kunnen we dit laten gebeuren?

Deze vier vormen van analytics kunnen allemaal waardevol zijn voor uw organisatie.

Waarom is advanced analytics belangrijk?

We denken altijd te weten wat klanten willen, maar in de realiteit zitten we er toch vaak naast. Data biedt een objectief inzicht in wat uw klanten echt willen. Algoritmen, die een belangrijke rol spelen bij het analyseren van data, hebben immers geen menselijke voorkeuren.

Toepassingen

Er zijn veel toepassingen voor predictive analytics. Vrijwel alles is te voorspellen, mits de benodigde databronnen beschikbaar zijn in de juiste omvang. Predictive analytics kunnen bijvoorbeeld worden ingezet voor:

  • Predictive maintenance: Technische problemen oplossen voordat ze ontstaan.
  • Churn voorspelling: Voorspellen welke klanten het grootste risico lopen om op te zeggen.
  • Fraude management: Fraude in een vroeg stadium herkennen.
  • Voorraadoptimalisatie: Afzet voorspellen voor iedere situatie.

Internet of Things (IoT) en advanced analytics

Met het ontstaan van IoT krijgt u toegang tot steeds meer en relevante data. Dankzij advanced analytics kunt u die data vertalen tot bruikbare inzichten. Een eenvoudig voorbeeld is een trillingssensor op een generator. Zijn er onverwachte veranderingen in de stroom met data die de trillingssensor levert, dan kan een voorspellend algoritme de conclusie trekken dat er binnenkort onderhoud nodig is. 

IoT en advanced analytics helpen om data-gebaseerde beslissingen te nemen, uw organisatie te transformeren en nieuwe business modellen te ontwikkelen.

Ontdek verbanden door data mining

Bovenstaande voorbeelden komen binnen handbereik door middel van data mining. Data mining is een proces waarbij verbanden worden gelegd tussen de data in een grote dataset. Omdat dit zoveel mogelijkheden biedt is het essentieel dat dit op een gestructureerde manier gebeurt.

CRISP-DM model: gestructureerd naar inzicht

De meest gebruikte methodiek voor data mining is de zogeheten CRISP-DM systematiek. CRISP-DM staat voor ‘Cross-Industry Standard Process for Data Mining’ en wordt wereldwijd gezien als de standaard voor het leggen van verbanden met behulp van data. Dat gebeurt in zes stappen:

  • Probleemanalyse: Het doel van de data-analyse wordt vastgesteld.
  • Analyse: Er wordt gekeken of de bestaande data voldoende is om de vraag te beantwoorden.
  • Verwerken: Relevante gegevens worden geselecteerd en dusdanig aangepast dat zij met elkaar vergeleken kunnen worden.
  • Modellering: De daadwerkelijke analyse van de data wordt gedaan, bijvoorbeeld met behulp van regressieanalyses of machine learning modellen.
  • Evaluatie: De uitkomsten uit de modelleringsfase worden getest.
  • Implementatie: De uitkomsten uit de analyse geïmplementeerd.

Meer weten over het inzetten van data mining?