Hva er reseptbelagte analyser?
Reseptbelagte analyser er en type dataanalyse - bruk av teknologi for å hjelpe bedrifter med å ta bedre beslutninger gjennom analyse av rådata. Spesifikt fakturerer reseptbelagte analyser informasjon om mulige situasjoner eller scenarier, tilgjengelige ressurser, tidligere resultater og nåværende ytelse, og foreslår et handlingsforløp eller strategi. Det kan brukes til å ta avgjørelser når som helst, fra umiddelbar til lang sikt.
Det motsatte av reseptbelagte analyser er beskrivende analyser, som undersøker beslutninger og utfall etter faktum.
Slik fungerer reseptbelagte analyser
Reseptbelagte analyser er avhengige av kunstig intelligens teknikker, for eksempel maskinlæring - evnen til et dataprogram, uten ytterligere menneskelig input, til å forstå og gå videre fra dataene det skaffer seg, og tilpasse hele tiden. Maskinlæring gjør det mulig å behandle den enorme datamengden som er tilgjengelig i dag. Når nye eller tilleggsdata blir tilgjengelige, justeres dataprogrammer automatisk for å gjøre bruk av dem, i en prosess som er mye raskere og mer omfattende enn menneskelige evner kunne administrere.
Flere dataintensive bedrifter og offentlige etater kan dra nytte av å bruke reseptbelagte analyser, inkludert virksomheter innen finansielle tjenester og helsevesen, der kostnadene for menneskelig feil er høye.
Foreskrivende analyser fungerer med en annen type dataanalyse, prediktiv analyse, som innebærer bruk av statistikk og modellering for å bestemme fremtidig ytelse, basert på nåværende og historiske data. Imidlertid går det lenger: Ved å bruke den prediktive analysenes estimering av hva som sannsynligvis vil skje, anbefaler det hvilken fremtidig kurs du skal ta.
Fordeler og ulemper med reseptbelagte analyser
Reseptbelagte analyser kan skjære gjennom rotet av umiddelbar usikkerhet og skiftende forhold. Det kan bidra til å forhindre svindel, begrense risiko, øke effektiviteten, oppfylle forretningsmessige mål og skape mer lojale kunder.
Reseptbelagte analyser er imidlertid ikke idiotsikker. Det er bare effektivt hvis organisasjoner vet hvilke spørsmål de skal stille og hvordan de skal svare på svarene. Hvis inngangsforutsetningene er ugyldige, vil ikke resultatene være nøyaktige.
Når de brukes effektivt, kan reseptbelagte analyser imidlertid hjelpe organisasjoner å ta beslutninger basert på sterkt analyserte fakta i stedet for å hoppe til underinformerte konklusjoner basert på instinkt. Reseptbelagte analyser kan simulere sannsynligheten for ulike utfall og vise sannsynligheten for hver, og hjelpe organisasjoner til å bedre forstå nivået av risiko og usikkerhet de står overfor enn de kunne stole på gjennomsnitt. Organisasjoner kan få en bedre forståelse av sannsynligheten for worst-case scenarier og planlegge deretter.
Viktige takeaways
- Prescriptive analytics benytter seg av maskinlæring for å hjelpe bedrifter med å bestemme et handlingsforløp basert på et dataprograms forutsigelser. Beskrivende analyse fungerer med prediktiv analyse, som bruker data for å bestemme resultater på kort sikt. Når den brukes effektivt, kan forskrivende analyse hjelpe organisasjoner å ta beslutninger basert på fakta og sannsynlighetsvektede anslag, snarere enn å hoppe til underinformerte konklusjoner basert på instinkt.
Eksempler på reseptbelagte analyser
Flere dataintensive bedrifter og offentlige etater kan dra nytte av å bruke reseptbelagte analyser, inkludert virksomheter innen finansielle tjenester og helseomsorg, der kostnadene for menneskelig feil er høye.
Reseptbelagte analyser kan brukes til å evaluere om en lokal brannvesen bør kreve at innbyggerne skal evakuere et bestemt område når en fyrbål brenner i nærheten. Det kan også brukes til å forutsi om en artikkel om et bestemt emne vil være populær blant leserne basert på data om søk og sosiale aksjer for relaterte emner. En annen bruk kan være å justere et arbeidstakeropplæringsprogram i sanntid basert på hvordan arbeideren svarer på hver leksjon.
Reseptbelagte analyser for sykehus og klinikker
Tilsvarende kan forskrivningsanalyse brukes av sykehus og klinikker for å forbedre resultatene for pasienter. Det setter helsedata i sammenheng for å evaluere kostnadseffektiviteten til forskjellige prosedyrer og behandlinger og for å evaluere offisielle kliniske metoder. Det kan også brukes til å analysere hvilke sykehuspasienter som har størst risiko for reinnleggelse, slik at helsepersonell kan gjøre mer, via pasientutdanning og legeoppfølging for å avverge konstant retur til sykehuset eller legevakten.
Reseptbelagte analyser for flyselskaper
Anta at du er administrerende direktør i et flyselskap og at du vil maksimere selskapets fortjeneste. Reseptbelagte analyser kan hjelpe deg med dette ved å automatisk justere billettpris og tilgjengelighet basert på mange faktorer, inkludert kundenes behov, vær og bensinpriser. Når algoritmen identifiserer at årets billettsalg før jul fra Los Angeles til New York henger etter fjorårets, kan den for eksempel automatisk senke prisene, samtidig som den sørger for ikke å slippe dem for lave i lys av årets høyere oljepriser.
Når algoritmen evaluerer etterspørselen etter billetter fra St. Louis til Chicago på grunn av isete veiforhold, kan den samtidig øke billettprisene automatisk. Administrerende direktør trenger ikke å stirre på en datamaskin hele dagen og se på hva som skjer med billettsalg og markedsforhold, og deretter instruere arbeidere å logge seg på systemet og endre prisene manuelt; et dataprogram kan gjøre alt dette og mer - og i et raskere tempo også.
