Att se in i framtiden är vanskligt. Men med prediktiv analys som bygger på historiska data kombinerat med analysverktyg baserade på statistiska modeller och maskininlärning kan vi göra bättre förutsägelser än tidigare.

Samtidigt riskerar vi att gå snett om de fakta vi bygger på är felaktiga eller om vi använder dåliga strategier – och det kan dröja veckor, månader eller rentav år innan vi upptäcker det.

Rätt utnyttjad har prediktiv analys potential att revolutionera mängder av branscher som detaljhandel, logistik, tillverkning, finansiella tjänster och vård konstaterar vår amerikanska systertidning CIO. Här är deras bästa råd för att lyckas:

Tillgång till data av hög kvalitet

Prediktiv analys är datahungrig och kräver att informationen återkopplas för att ständigt kunna förbättras.

Det är viktigt att förstå vilken typ eller vilka typer av data som flödar i modellen.

– Är det data som samlas ihop varje dag som på Facebook eller Google, eller är det vårddata i journaler som är svåra att komma åt, säger Eric Feigl-Ding, hälsoekonom som är gästforskare på Harvard Chan School of Public Health.

För att den prediktiva analysen ska bli rätt måste modellen vara designad för att arbeta med just de specifika typer av data som den matas med.

Att bara kasta in en stor mängd data är dömt att misslyckas.

– Eftersom det finns ett överflöd av data så är det mesta inte relevant för ett givet problem även om det verkar vara relevant i ett givet urval, säger Henri Waelbroeck, forskningschef för handelslösningar på Factset.

– En modell som tränas på ensidiga data kan vara totalt fel.

Läs också: Vill du gräva mer i data? Googles nya sökmotor kan hitta öppna dataset

Lägg märke till mönster

Alla är besatta av algoritmer men algoritmerna är inte bättre än de data som de matas med framhåller Richard Mooney, produktchef för avancerad dataanalys på SAP.

– Om det inte finns något mönster att hitta så kommer de inte att hitta ett. De flesta dataset har dolda mönster, säger han.

Mönster kan döljas i huvudsak på två sätt. Det kan handla om att mönstret ligger i relationen mellan två olika kolumner. Exempelvis kan det visa sig ett mönster om man jämför slutdatumet för en förestående affär med öppningsdata för de mejl som kopplas till dealen.

– Öppningsgraden bör öka kraftigt om en affär är på väg att gå i lås eftersom det finns en mängd personer på köparsidan som går igenom kontrakten, säger Richard Mooney.

Ett mönster kan också avslöjas om man ser på hur en variabel förändras över tid.

– Om man kopplar till exemplet ovan så kan vetskapen att en kund öppnat ett mejl 200 gånger inte hälften så användbart som att de öppnade det 175 gånger den senaste veckan.

Tänk igenom metodvalet

Goda nyheter – det finns nästan ett obegränsat antal metoder att använda för att få fram bra prediktiva analyser. Tyvärr är det också dåliga nyheter.

– Det finns ett nytt hett tillvägagångssätt varje dag och det är lätt att dras med och bli entusiastisk inför en ny metod, säger Angela Fontes, chef för avdelningen för ekonomisk analys och beslutsfattande på enheten Norc vid University of Chicago.

Hon konstaterar dock att hennes erfarenhet är att de mest lyckade projekten är de som verkligen tänker igenom vad det önskade resultatet av analysen är och låter det styra dem i deras val av metod – ”även om det inte är den sexigaste, nyaste metoden”.

Läs också: Läge att outsourca dataanalysen? Här är tre skäl för och tre emot

Bygg modeller med exakt definierade mål

Det verkar kanske uppenbart men många projekt med prediktiv analys börjar med målet att bygga en fantastisk modell utan en tydlig plan för hur den ska användas.

– Det finns massa fantastiska modeller som det aldrig blev något av för att ingen visste hur informationen skulle användas för att få ut något värde, säger Jason Verlen, chef för produktledningen på CCC Information Services.

Och Angela Fontes håller med.

– Om vi inte är tydliga med våra mål med analysen kan vi försöka lösa ett problem hur mycket som helst och aldrig riktigt förstå vad vi letar efter.

Arbeta nära mellan it-avdelningen och affärsenheterna

Det är väldigt viktigt att skapa ett stabilt partnerskap mellan affärsverksamheten och den tekniska organisationen.

– Du måste kunna förstå hur en ny teknik möter en affärsutmaning eller förbättrar den befintliga affären, säger Paul Lasserre, chef för produktledning inom AI på Genesys.

– När målet har satts – testa då modellen i en applikation med begränsad omfattning för att avgöra om lösningen verkligen ger värde.

Låt dig inte vilseledas av en dålig modell

Modeller designas av människor så de är ofta inte perfekta. En felaktig modell eller en som använt felaktiga eller dåligt utvalda data kommer att ge vilseledande eller helt felaktiga förutsägelser.

Ett snävt urval exempelvis som inte är tillräckligt slumpmässigt kan strula till resultatet. Tänk er en hypotetisk viktminskningsstudie exempelvis där hälften av deltagarna inte kommer på uppföljningsvägningen men det också är så att de som inte kommer har helt andra viktkurvor än de som blev kvar. Det komplicerar analysen. De som stannar kvar i studien är troligen de som faktiskt går ner i vikt medan de som lämnar den tenderar att vara de som inte gör det. Om studien gjordes i en bred befolkning så skulle viktminskningen vara möjlig att förutse – men inte i en begränsad databas med 50 procents bortfall.