Predictive analytics i erhvervslivet
Salg og marketing er de funktioner, der oftest adopterer predictive analytics først. Lead scoring-modeller vurderer, hvilke leads der har størst sandsynlighed for at konvertere, så sælgere fokuserer deres tid på de mest lovende muligheder. Churn prediction identificerer kunder i risikozonen, så retention-teams kan gribe ind, inden det er for sent.
Inden for marketing bruger virksomheder predictive analytics til at forudsige kampagneperformance, optimere prissætning og personalisere indhold. En model kan fx estimere, hvilken rabatprocent der maksimerer konverteringsraten for et specifikt kundesegment — uden at overrabattere og æde marginen.
I supply chain og produktion forudsiger modeller efterspørgsel, så lagerbeholdning kan optimeres. Predictive maintenance — forudsigelse af maskinnedbrud baseret på sensordata — reducerer uplanlagt nedetid og vedligeholdelsesomkostninger markant. Danske produktionsvirksomheder bruger allerede denne tilgang til at øge oppetiden på kritisk udstyr.
Finans og risikostyring er et andet stærkt område. Kreditrisikomodeller, svindeldetektering og forsikringsmæssig prissætning bygger alle på predictive analytics. Og med EU AI Act stiger kravene til dokumentation og gennemsigtighed i disse modeller.
Fælles for alle anvendelser er, at den reelle værdi først opstår, når forudsigelserne er integreret i arbejdsprocesserne — ikke som en rapport, men som et beslutningsstøtteværktøj, der er tilgængeligt i det øjeblik, beslutningen skal træffes.
Hvad predictive analytics ikke er
Predictive analytics er ikke det samme som business intelligence (BI). BI-dashboards viser, hvad der er sket — predictive analytics estimerer, hvad der vil ske. De to supplerer hinanden, men løser forskellige problemer. Et dashboard kan vise, at churn steg med 12 % sidste kvartal. En predictive model fortæller, hvilke specifikke kunder der sandsynligvis churner næste kvartal.
Det er heller ikke en krystalkugle. Modellerne arbejder med sandsynligheder, ikke garantier. En forudsigelse med 85 % sikkerhed er stadig forkert i 15 % af tilfældene. Virksomheder, der behandler modellernes output som faktum snarere end input til beslutninger, vil blive skuffede.
Endelig forveksles predictive analytics ofte med prescriptive analytics. Predictive analytics svarer på "hvad vil sandsynligvis ske?" — prescriptive analytics tager det et skridt videre og anbefaler "hvad bør vi gøre?". I praksis er prescriptive analytics den naturlige næste fase, når den prædiktive model er på plads.
