Smartare analys för en smartare planet

Share this post:

Jag har jobbat inom IT-branschen sedan 1994, en betydande del har varit relaterad till information och analys. Första gången jag insåg styrkan och potentialen i analys måste ha varit runt 1997 när jag var ansvarig för utvecklingen av ett system för att hantera medlemmar till en av Stockholms då största gymkedjor, numera är de nog Sveriges största. VD för företaget ville ta fram en rapport avseende retention, att behålla medlemmar, ett för mig då okänt begrepp.

Han förklarade för mig att det är väldigt mycket dyrare att rekrytera nya medlemmar än att behålla/återaktivera existerande. Om han kunde ta fram rapporter på medlemmar som riskerade att lämna dem, så kunde de bearbeta dessa för att få dem att börja träna igen innan det var för sent, eller krasst sett förlänga medlemskapet.

Nu var dessa rapporter ganska enkla. Vi visade de medlemmar där det hade gått mer än X månader sedan senaste besöket. Systemet loggade nämligen alla besök då det verifierade om besökarens medlemskap var aktivt. Sedan kontaktades dessa medlemmar av en rådgivare.

Tänk om vi hade haft möjligheten att hitta regler och mönster för att identifiera de medlemmar som riskerade att lämna dem om X månader och då agera redan innan medlemmen hade hunnit sluta träna.

Denna typ av analys kallas ofta för prediktiv analys, Predictive Analytics. Det handlar förenklat om att i historisk data hitta mönster och regler som kan användas för att förutsäga. Det kan gälla exempelvis vilka kunder som skall svara på en kampanj, eller hitta associationer, för exempelvis vilka produkter som ofta köps samtidigt, det vill säga korganalys, eller hitta olika grupperingar av information, för vad som skiljer de bästa kunderna från de sämre eller att hitta avvikelser som skulle kunna vara bedrägerier.

Vad använder olika organisationer det till idag?

Infinity Property & Casualty Corporation, ett stort försäkringsbolag i USA, använder prediktiv analys för att bland annat identifiera potentiella försäkringsbedrägerier. Baserat på statiska regler och prediktiva modeller så hamnar alla ärenden i en av tre grupper, hög, medium eller låg risk för bedrägeri. Utredningsteamen kan arbeta bättre då de fokuserar sina utredningar på de ärenden som man är mer eller mindre säkra på sannolikt är bedrägerier. Därmed kan övriga ärenden godkännas snabbare, viket bland annat har givit dem mer nöjda kunder.

Neck & Neck, en Spansk barnklädeskedja med mer än 200 butiker i nio länder, använder prediktiv analys för att optimera sin marknadsföring mot kundklubbsmedlemmar. Genom att använda denna analysform så lyckades de på bara ett år öka svarsfrekvensen med 25 %, öka genomsnittsförsäljningen per kund med 15 % och samtidigt skicka ut färre utskick.

District of Columbia Water and Sewer Authority (DC Water) använder prediktiv analys för att kunna förutsäga potentiella problem, vilket gör att de kan arbeta mer proaktivt och åtgärda fel innan de blir riktiga problem. Detta har givit dem 36 % färre inkommande samtal från kunder och ökat antalet akuta uttryckningar som sker inom 10 minuter efter ett fel har uppkommit från 49 % till 93 %.

American Public University System (APUS) använder prediktiv analys för att identifiera studenter, baserat på deras beteende, som kommer att hoppa av sina studier. Detta ger de ansvariga möjlighet att förstå vad som gör att en student hoppar av och därmed kunna ta fram olika strategier för att få studenter att stanna och avsluta sin utbildning.

Richmond Police Department använder prediktiv analys bland annat för att kunna identifiera vilka områden som behöver patrullerande poliser. En effekt av detta är att man har fått ner antalet mord med 32 % mellan 2006 och 2007 och ytterligare 40 % från 2007 till 2008.

Ett större Japanskt sjukhus använder prediktiv analys för att identifiera vilken behandlingsform som är mest effektiv för olika leversjukdomar. Genom att använda prediktiv analys har man ökat noggrannheten av viruseliminering med ungefär 43 % och undvikit onödiga, dyra och smärtsamma behandlingar som ändå inte skulle ge någon effekt.

Vad är det då som krävs för att kunna börja med detta?

Förutom verktyg, så handlar det främst och att kunna formulera syftet och målet med denna typ av analys. Det kan vara att vilja veta vilka av mina bästa kunder som tänker lämna mig om sex månader eller att vilja veta vad som karakteriserar dem som köper produkt X så jag kan hitta kunder som motsvarar den profilen, men ännu inte köpt produkten.

När det gäller data så är det inget krav att allt finns samlat på ett ställe, även om ett bra Data Warehouse underlättar oerhört mycket. Det räcker med att data finns tillgängligt i något format. Vad för data som man behöver beror på vad man vill lösa och också vad som finns tillgängligt.

För i slutändan så handlar detta om att vara bättre än slumpen. Om analysen kan ge ett bättre resultat