Prescriptive analytics

Hvad er prescriptive analytics?

Prescriptive analytics er den mest avancerede form for dataanalyse. Hvor predictive analytics forudsiger hvad der vil ske, går prescriptive analytics et skridt videre og anbefaler hvad du bør gøre ved det.

Tænk på forskellen mellem en vejrudsigt og en rejseplanlægger. Vejrudsigten fortæller dig at det regner i morgen (prediktion). Rejseplanlæggeren fortæller dig at du bør tage paraply, flytte din grillfest til lørdag, og at ruten via motorvejen er hurtigst fordi sidevejene oversvømmes (præskription).

Prescriptive analytics kombinerer tre elementer:

1. Forudsigelser. Hvad vil sandsynligvis ske? (fra predictive analytics)
2. Optimering. Hvad er den bedste handling givet vores mål og begrænsninger?
3. Simulering. Hvad sker der hvis vi vælger handling A vs. handling B?

Resultatet er konkrete, handlingsrettede anbefalinger: “Sænk prisen på produkt X med 8% i næste uge for at maksimere dækningsbidraget givet den forventede efterspørgsel og konkurrentsituationen.”

Analysemodenheden: De fire niveauer

De fleste organisationer befinder sig på niveau 1-2. Niveau 3 er udbredt i datamodne virksomheder. Niveau 4 (prescriptive analytics) er den mest værdiskabende men også den mest krævende.

Hvordan fungerer prescriptive analytics?

Komponenterne

Prediktive modeller leverer forudsigelser: “Hvad sker der sandsynligvis?” De danner grundlaget for optimeringen.

Optimeringsalgoritmer finder den bedste handling givet et mål og et sæt begrænsninger:

• Lineær programmering. Optimerer en lineær målfunktion med lineære begrænsninger (f.eks. produktionsplanlægning)
• Heltalsprogrammering. Som lineær, men med krav om heltal (f.eks. antal medarbejdere)
• Constraint satisfaction. Finder løsninger der opfylder alle begrænsninger
• Genetiske algoritmer. Evolutionsinspireret søgning efter optimale løsninger i komplekse rum
• Reinforcement learning. AI der lærer optimale handlingssekvenser via trial-and-error

Simuleringsmodeller tester “hvad-hvis”-scenarier:

• Monte Carlo-simulering. Kører tusindvis af scenarier med tilfældig variation for at forstå usikkerhed
• Agent-baseret simulering. Modellerer individuelle aktørers adfærd og interaktion
• Discrete event simulation. Modellerer procesflows med hændelser og ventetider

Beslutningsregler omsætter optimeringsresultater til konkrete handlinger: “Hvis churn-risiko > 70% OG kundeværdi > 50.000 kr., tilbyd 20% rabat via personlig account manager.”

Processen

1. Definer mål. Hvad vil vi optimere? (profit, kundetilfredshed, leveringstid, spild)
2. Definer begrænsninger. Hvad er vores begrænsninger? (budget, kapacitet, regler, tid)
3. Byg prediktive modeller. Hvad sker der under forskellige scenarier?
4. Formuler optimeringsproblemet. Find den handling der maksimerer målet under begrænsningerne
5. Simuler og validér. Test anbefalingerne i simulerede scenarier
6. Implementér. Omsæt anbefalinger til handling. Automatisk eller via beslutningsstøtte
7. Monitorér og lær. Mål resultater og forbedre modellerne

Prescriptive analytics i praksis

Dynamisk prissætning

Problemet: En e-handelsvirksomhed sælger 10.000 produkter. Priserne justeres manuelt baseret på konkurrenter og mavefornemmelse.

Prescriptive løsning:

• Prediktiv model forudsiger efterspørgsel per produkt ved forskellige prispunkter
• Optimeringsalgoritme finder den pris per produkt der maksimerer samlet dækningsbidrag
• Begrænsninger: Priser må ikke overstige konkurrenternes med mere end 5%, minimumsmarginer overholdes, prisændringer begrænses til max 10% per uge
• Resultat: Automatiserede prisanbefalinger der opdateres dagligt

Effekt: 12% forbedring i samlet dækningsbidrag. Indkøbere frigøres fra manuelt prisarbejde til strategisk leverandørstyring.

Personaliserede kundetilbud

Problemet: En telco-virksomhed har 500.000 kunder. Churn er 2% per måned. Retentionsteamet tilbyder alle i risikozonen den samme rabat.

Prescriptive løsning:

• Prediktiv model scorer hver kundes churn-risiko og livstidsværdi
• Optimeringsalgoritme beregner det optimale tilbud per kunde: hvilken type (rabat, opgradering, ekstra data), størrelse og kanal
• Begrænsninger: Totalt retentionsbudget 500.000 kr./måned, ingen tilbud til kunder med negativ kundeværdi
• Simulering: Tester forskellige tilbudsstrategier mod historiske data

Effekt: Churn reduceret 30% med uændret budget (fordi tilbuddene er målrettede i stedet for generiske). Kunder med høj værdi får attraktive tilbud, kunder med lav værdi får billigere interventioner.

Supply chain-optimering

Problemet: En dagligvareproducent har 3 fabrikker, 8 distributionscentre og 500 butikker. Produktionsplanlægning og distribution er baseret på faste regler og manuel planlægning.

Prescriptive løsning:

• Prediktive modeller forudsiger efterspørgsel per produkt per butik per dag
• Optimeringsalgoritme beregner: Hvilken fabrik producerer hvad? Hvornår? Hvor meget? Hvilken rute fra fabrik til distributionscenter til butik? Hvor meget lager i hvert led?
• Begrænsninger: Produktionskapacitet, lagerpladser, leveringstider, holdbarhed, transportkapacitet, personalets arbejdstider
• Output: Daglig produktions- og distributionsplan

Effekt: 18% reduktion i logistikomkostninger, 25% reduktion i spild, 95% leveringspræcision (op fra 88%).

Personaleoptimering

Problemet: En detailkæde med 50 butikker planlægger vagtplaner manuelt. Resultatet er enten overbemanding (spild) eller underbemanding (dårlig service).

Prescriptive løsning:

• Prediktiv model forudsiger kundeflow per butik per time baseret på historik, vejr, kampagner og lokale events
• Optimeringsalgoritme matcher personalebehov med tilgængelige medarbejdere
• Begrænsninger: Arbejdstidsregler, medarbejderpræferencer, kompetencekrav, budgetter, overenskomster
• Output: Optimale vagtplaner der genereres automatisk og kan justeres af butikschefen

Effekt: 15% reduktion i lønomkostninger med forbedret kundetilfredshed. Butikschefer bruger 80% mindre tid på vagtplanlægning.

Prescriptive analytics vs. predictive analytics

Prescriptive analytics bygger altid på predictive analytics. Man kan ikke anbefale handlinger uden først at kunne forudsige konsekvenserne.

Forudsætninger

Data

• Alt hvad predictive analytics kræver, plus:
• Handlingsdata: Hvad gjorde vi historisk? (kampagner, prisændringer, interventioner)
• Resultatdata: Hvad var effekten af handlingerne?
• A/B-testdata: Kontrollerede eksperimenter der isolerer handlingens effekt

Teknologi

• Prediktive modeller i produktion
• Optimeringsengine (f.eks. Gurobi, CPLEX, OR-Tools)
• Simuleringscapabilitet
• Integration med handlingssystemer (CRM, prissystem, planlægningssystem)

Organisation

• Villighed til at lade data informere beslutninger
• Processer for at handle på anbefalinger
• Tillid til modellerne (opbygget via transparens og track record)
• Klare governance-regler for automatiserede beslutninger

Niveauer af automatisering

Prescriptive analytics kan implementeres med varierende grad af automatisering:

Niveau 1. Rådgivende: Systemet præsenterer anbefalinger, mennesket beslutter alt. “Systemet anbefaler at sænke prisen med 8%. Godkend?”

Niveau 2. Semiautomatisk: Rutinebeslutninger automatiseres, undtagelser eskaleres. “Prisændringer under 5% gennemføres automatisk. Større ændringer kræver godkendelse.”

Niveau 3. Automatisk med opsyn: Alle beslutninger automatiseres, mennesket overvåger og kan gribe ind. “Priser justeres automatisk. Afdelingslederen modtager daglig rapport og kan overrule.”

Niveau 4. Fuld autonomi: Systemet handler selvstændigt inden for definerede rammer. “Priser optimeres automatisk i realtid inden for definerede grænser.”

De fleste organisationer starter på niveau 1-2 og bevæger sig gradvist mod højere automatisering efterhånden som tillid og erfaring vokser.

Almindelige faldgruber

Optimering på det forkerte mål

At optimere for kortsigtede mål (f.eks. maksimere salg denne uge) kan skade langsigtede mål (f.eks. kundeloyalitet). Definer målfunktionen omhyggeligt og inkludér langsigtede effekter.

Manglende begrænsninger

En optimeringsalgoritme uden tilstrækkelige begrænsninger kan foreslå handlinger der er teknisk optimale men praktisk umulige eller etisk uacceptable. Eksempel: At sende 50 retentions-e-mails til én kunde på en uge.

Overtro på modellen

Prescriptive modeller er kun så gode som deres antagelser og data. De skal monitoreres, valideres og overrules når virkeligheden afviger fra modellens forståelse.

For komplekst for tidligt

Mange organisationer forsøger prescriptive analytics før de mestrer predictive. Byg fundamentet først. Uden gode forudsigelser kan man ikke lave gode anbefalinger.

Ofte stillede spørgsmål

Hvad er prescriptive analytics?

Prescriptive analytics er den mest avancerede form for dataanalyse, der ikke kun forudsiger hvad der vil ske (som predictive analytics), men anbefaler konkrete handlinger for at opnå det bedste resultat. Den kombinerer prediktive modeller med optimeringsalgoritmer og simulering for at besvare spørgsmålet “hvad bør vi gøre?” givet et sæt mål og begrænsninger. Eksempler inkluderer dynamisk prissætning, personaliserede kundetilbud og supply chain-optimering.

Hvad er forskellen på predictive og prescriptive analytics?

Predictive analytics forudsiger hvad der vil ske. F.eks. “denne kunde har 80% risiko for at churne.” Prescriptive analytics går videre og anbefaler den optimale handling. F.eks. “tilbyd kunden 15% rabat via personlig e-mail, det reducerer churn-risikoen til 25% og har det bedste afkast givet kundens livstidsværdi.” Predictive er input til prescriptive. Man kan ikke anbefale handlinger uden først at kunne forudsige deres konsekvenser.

Hvornår er en virksomhed klar til prescriptive analytics?

Når tre forudsætninger er opfyldt: (1) Gode prediktive modeller i produktion med dokumenteret performance. (2) Historiske data om handlinger og deres effekter. Ikke bare hvad der skete, men hvad I gjorde og hvad der skete derefter. (3) Organisatorisk parathed til at handle på data-drevne anbefalinger. De fleste virksomheder bør mestre predictive analytics først og bygge videre derfra.

Kan prescriptive analytics automatisere beslutninger fuldstændigt?

Teknisk ja, men i praksis starter de fleste med at lade systemet anbefale mens mennesker beslutter. Efterhånden som tillid opbygges, øges automatiseringen gradvist. For rutinebeslutninger med lav risiko (f.eks. prisændringer inden for 5%) kan fuld automatisering være passende. For højrisiko-beslutninger (f.eks. kreditvurdering, medicinering) er menneskelig involvering typisk et krav. Både praktisk og regulatorisk.