Prescriptive Analytics - Deel 1

14/06/2017

Deel 1: Het 3 stappen-optimalisatieproces


Deze blogreeks gaat over prescriptive analytics. In deze blog worden de 3 stappen van het optimalisatieproces beschreven. In vervolgblogs zal dit proces verder worden toegelicht met voorbeelden uit ons werkveld. 

Data Science is het moderne jasje waarin wij bij CQM (al ruim 35 jaar) met grote hoeveelheden data en met behulp van wiskundige modellen de structuren creëren om de juiste beslissingen te nemen. In data science termen heet het begrijpen van je data descriptive analytics, het voorspellen predictive analytics en het optimaliseren om de beste keuze te maken prescriptive analytics (zie ook deze blog).

De 3 stappen van prescriptive analytics

Binnen data science wordt prescriptive analytics door velen gezien als de meest waardevolle van alle types, want hiermee beïnvloed je de toekomst door met jouw keuzes een zo gunstig mogelijke situatie te bewerkstelligen. Simpel gezegd, kies het beste alternatief of maak een optimale planning. Bij het doorlopen van een prescriptive analytics proces spelen de volgende 3 stappen een rol.

1. Formulering van het bedrijfsprobleem

In deze eerste stap ligt de focus op het begrijpen van het bedrijfsprobleem. Dit doe je door te identificeren wat de beïnvloedbare factoren (Welke keuzes kan ik maken?), de randvoorwaarden (Waar moet ik aan voldoen en rekening mee houden?) en de doelstellingen (Wat drijft mijn kosten?) zijn. Het gaat in deze fase niet om de wiskunde of het vinden van een oplossing, maar uitsluitend om het scherp krijgen van het bedrijfsprobleem.

2. Vertaling naar een wiskundig model

Formalisering van het bedrijfsprobleem staat in de tweede stap centraal. Beïnvloedbare elementen worden gevangen in variabelen en deze variabelen worden gebruikt om de randvoorwaarden en doelstellingen te beschrijven. Een puntsgewijze beschrijving van het proces is een minimale vereiste, maar een wiskundige notatie helpt bij het formeel maken van het probleem en elke dubbelzinnigheid er uit te halen. Maar pas op! Je kan een bedrijfsprobleem op vele manieren wiskundig modelleren maar niet alle modellen zullen in de laatste stap even bruikbaar zijn.

3. Oplossen van het probleem

Afhankelijk van het type probleem en de modelering moet er een oplossingsmethodiek gekozen worden. Voor bepaalde type problemen zijn er off-the-shelf softwarepakketten, dan heb je geluk (en slim gemodelleerd). Je kunt dan vertrouwen op deze wiskundige algoritmes en solvers. In andere gevallen moet een maatwerkalgoritme uitkomst bieden, bijvoorbeeld een local search  of dynamic programming algoritme.

Prescriptive analytics is een iteratief proces (zie ook deze blog) waarbij de stappen meerdere malen worden doorlopen. Na het zien van de beste oplossing komen er nieuwe inzichten naar voren die meegenomen moeten worden in het wiskundig model. Of het wiskundig model moet worden aangescherpt om een snellere oplossingsmethode mogelijk te maken.

Een succesvol optimalisatie komt tot stand als alle aspecten – begrip van bedrijfsproces, ervaring in modelleren en grondige kennis van oplossingstechnieken – worden beheerst. En zo onderscheid een top data scientist zich van de rest.

CQM helpt optimaliseren

Het optimaliseren en automatiseren van de processen om de beste beslissing te nemen of een optimale planning te maken, biedt bedrijven grote voordelen:

  • beste beslissing in strategische en tactische vraagstukken,
  • optimale benutting van resources en beter planning,
  • lagere operationele kosten en hogere marges, en
  • maximale flexibiliteit ten aanzien van kosten, snelheid, betrouwbaarheid en service.

In een volgende blog beschrijf ik een voorbeeld hiervan voor optimalisatie van de inzet van de videoschouwtrein op het Nederlandse spoorwegnet.

Is optimalisatie een interessante toepassing van data science voor uw bedrijf? Neem dan contact op met Jacob Jan

 

Aanbevolen

 

Jacob Jan Paulus
Jacob Jan Paulus helpt je graag verder Neem contact op