Kies de juiste predictive analytics voor betrouwbare forecasting

24/11/2017

Forecasting is het voorspellen van de toekomst met behulp van kwantitatieve methodes. Cruciaal voor veel organisaties. Want als u weet wat er in de toekomst gebeurt, kunt u er nu al op inspelen. Maar welke techniek biedt u de meest betrouwbare voorspelling? De klassieke methode met formules en transparantie? Of duikt u enthousiast in de nieuwe wereld van het deep learning netwerk? CQM geeft u een verhelderend inkijkje in predictive analytics.

 

Hoeveel reizigers zitten er komend jaar in de trein? Hoe groot zal de vraag naar mijn producten volgend kwartaal zijn? En hoeveel post moet er komende week in mijn sorteercentrum worden verwerkt? Een goed inzicht in de toekomst helpt organisaties om bijtijds de juiste beslissingen te nemen. Ze kunnen hun activiteiten beter plannen en voldoende mensen en middelen reserveren. Zo houden zij hun processen efficiënt en hun klanten tevreden. Forecasting is de kwantitatieve manier om voorspellingen te doen. Historische data en proceskennis vormen het grootste deel van de input. Predictive analytics technieken herkennen de patronen, leggen de verbanden en kunnen voorspellingen doen.

 

Klassiek vs modern

Tegenwoordig zijn er veel technieken voor predictive analytics. Globaal zijn ze in twee groepen te verdelen. Ten eerste de klassieke methodes, meestal regressieanalysetechnieken genoemd. Op basis van historische data en domeinkennis (zoals de vakspecifieke kennis bij de klant) worden kwantitatieve formules gebouwd om verbanden te leggen, gewicht aan individuele factoren te geven en vervolgens de voorspellingen te doen. Er zijn tal van dergelijke technieken met hun eigen specifieke toepassingen. Deze klassieke methode geeft optimale controle en transparantie: elke uitkomst is te verklaren. Hiertegenover staat dé sensatie van dit moment: deep learning, een onderdeel van machine learning. Een machine (computer) wordt gevoed met talloze leervoorbeelden. Dit zijn uiteenlopende datasets van input en uitkomst. Hoe meer voorbeelden de machine krijgt, des te beter is deze in staat om patronen te herkennen en op basis hiervan voorspellingen voor nieuwe situaties te doen. Een fantastische technologie in de nieuwe wereld van artificial intelligence. Er is echter één probleem: tussen het voeden van leervoorbeelden en het krijgen van voorspellingen zit een black box. Niemand weet exact hóe de machine tot de betreffende voorspellingen is gekomen. Bovendien moet ook de kwaliteit van de leervoorbeelden van onberispelijk en onbevooroordeeld niveau zijn. Anders worden fouten of vooroordelen gewoon in het systeem meegetraind.

 

Keuze

Het is aan de ene kant best prettig om vast te houden aan klassieke methodes met formules die totale controle bieden. Maar de potentie van kunstmatige neurale netwerken die zichzelf met slimme algoritmes trainen om patronen te ontdekken en waardevolle informatie te vinden (kortom: deep learning) is ongekend. Zeker bij grote hoeveelheden ongestructureerde gegevens zoals toepassingen voor beeldherkenning, spraakherkenning en tekstanalyse. Onderzoek heeft aangetoond dat deep learning netwerken voor die complexe toepassingen vergelijkbaar of zelfs beter presteren dan het menselijk brein. Ze zijn ook goed toepasbaar in forecasting. Zo hebben wij het voorspellen van de bezoekersaantallen van Paleis Het Loo in eerste instantie met klassieke statistische regressiemethodes uitgevoerd, omdat de klant graag inzicht wilde in de drijvende factoren. Als proef hebben wij daarnaast een deep learning netwerk voor deze specifieke situatie opgezet en getraind. De voorspellingen van beide methodes waren gelijkwaardig. Daarnaast heeft CQM de kennis om de black box van deep learning iets minder black te maken. Met technieken zoals Pattern Recognition Feedforward Network of het eigen ontwikkelde COMPACT kunnen we meer inzicht krijgen waarom het neurale netwerk een bepaalde beslissing adviseert of een voorspelling heeft gedaan.

 

 

Balans

Valt de keuze dus vanzelfsprekend op het moderne deep learning? Nee, niet per se. De verleiding is groot om mee te surfen op de hype, maar de belangen van organisaties zijn vaak te groot. Het zijn nog altijd de mensen die het moeten doen. Ten eerste bij het bepalen van de beste methode voor een specifieke situatie. Voor de ene situatie is deep learning ideaal, voor de andere is een gecontroleerde regressiemethode het meest geschikt. Dit vereist kennis van de oude én de nieuwe technieken. Vervolgens zijn het opnieuw mensen die de keuzes maken voor de input voor forecasting, formules voor regressie of training voor deep learning. Dit vereist niet alleen uitgebreide expertise van de wiskundigen en statistici, maar vooral ook domeinkennis bij de klant. En dit geldt net zozeer voor het interpreteren van beslissingen en voorspellingen die door de klassieke of moderne techniek worden gedaan. Daarom start CQM altijd bij die praktische expertkennis. Professionele forecasting is dus nooit een simpele keuze voor een oude of nieuwe techniek. Het is een genuanceerde afweging om de beste balans te vinden tussen mensen en technieken.

 

Wilt u meer weten over betrouwbare forecasting?

We helpen u graag. Maak een vrijblijvende afspraak, wij kijken ernaar uit u te ontmoeten.

 

Ook interessant om te lezen

 

Arjen Vestjens
Arjen Vestjens helpt je graag verder Neem contact op