Analisis prediktif vs. preskriptif

Analisis prediktif dan preskriptif menginformasikan strategi bisnis Anda berdasarkan data yang dikumpulkan. Analisis prediktif memperkirakan potensi hasil di masa mendatang, sementara analisis preskriptif membantu Anda menarik rekomendasi spesifik.

Analisis prediktif dan preskriptif adalah alat untuk mengubah metrik deskriptif menjadi wawasan dan keputusan. Tetapi Anda tidak boleh bergantung pada satu atau yang lain; Ketika digunakan bersama-sama, kedua jenis analisis dapat membantu  Anda mengubah strategi bisnis Anda untuk menciptakan hasil terbaik.

"Prediktif saja tidak cukup untuk mengikuti lanskap yang semakin kompetitif," kata Mick Hollison, presiden perusahaan manajemen data perusahaan Cloudera. "Analisis preskriptif memberikan rekomendasi cerdas untuk langkah optimal berikutnya untuk hampir semua aplikasi atau proses bisnis untuk mendorong hasil yang diinginkan atau mempercepat hasil."

Apa itu analitik prediktif?

Analisis prediktif adalah kategori analitik lanjutan yang membantu perusahaan memahami hasil potensial atau dampak keputusan. Dengan memanfaatkan data yang ditambang, angka historis, dan statistik, analitik prediktif menggunakan data mentah dan terkini untuk mengintip skenario masa depan.

Sampai beberapa tahun yang lalu, analisis prediktif adalah provinsi bisnis tingkat perusahaan - satu-satunya yang mampu mengurai dan menafsirkan rim data dari berbagai sumber. Namun, pertumbuhan  penyedia perangkat lunak sebagai layanan (SaaS) dan  analitik CRM berarti bahkan perusahaan kecil dapat mengakses analitik data yang berharga.

Aspek kunci dari analisis prediktif melibatkan pemisahan data yang berlebihan atau menyesatkan yang dapat mendistorsi wawasan. Misalnya, perusahaan perjalanan dengan perwakilan penjualan di setiap negara bagian tidak boleh menekankan data yang diberikan oleh karyawan di Alaska.

Apa itu analitik preskriptif?

Analisis preskriptif juga melihat skenario masa depan, tetapi menggunakan pendekatan yang lebih teknologis. Ini menggunakan algoritma matematika yang rumit, kecerdasan buatan dan  pembelajaran mesin untuk melihat lebih dalam ke "apa" dan "mengapa" dari hasil potensial di masa depan.

Analisis preskriptif juga dapat membantu perusahaan melihat beberapa opsi dan hasil potensial. Karena semakin banyak data yang masuk, analitik preskriptif dapat mengubah prediksi dan sarannya.

"Analisis preskriptif dapat membantu perusahaan mengubah masa depan," kata ahli strategi digital berbasis data Immanuel Lee. Analisis prediktif dan preskriptif "keduanya diperlukan untuk meningkatkan pengambilan keputusan dan hasil bisnis," tambahnya.

Contoh analisis prediktif dan preskriptif dalam tindakan

Kami menggunakan analisis prediktif dan preskriptif dalam kehidupan kita sehari-hari. Berikut adalah tiga contoh analisis prediktif dan preskriptif yang bekerja bersama.

Aplikasi navigasi

Pengendara mengandalkan aplikasi navigasi berkemampuan GPS untuk pergi dari titik A ke titik B. Navigasi GPS sama pentingnya untuk usaha kecil yang mengandalkan layanan pengiriman. Analisis prediktif dapat mengambil data perjalanan yang bersumber dari GPS yang ada dan memetakan rute yang berpotensi lebih cepat.

Thomas Mathew, chief product officer di platform keterlibatan influencer Zoomph, mengatakan di situlah upaya dimulai. "Analisis preskriptif dibangun di atas [analisis prediktif] dengan memberi tahu pembuat keputusan tentang pilihan keputusan yang berbeda dengan dampak yang diantisipasi pada indikator kinerja utama tertentu."

Perencanaan inventaris

Pengecer perlu tahu berapa banyak stok yang harus dipesan untuk mengisi rak mereka. Sementara banyak pengecer mengandalkan tebakan terdidik, analitik dapat membantu mereka merencanakan  strategi manajemen inventaris yang lebih tepat  .

Guy Yehiav, presiden SmartSense by Digi, mengatakan bahwa ketika lanskap ritel berubah, bisnis dapat menggunakan analitik preskriptif untuk mengklarifikasi data prediktif dan meningkatkan rencana penjualan mereka.

Yehiav memberi contoh pengecer yang menawarkan pengiriman cepat gratis kepada pelanggan setia. Berdasarkan perilaku pelanggan masa lalu, model prediktif akan mengasumsikan bahwa pelanggan akan menyimpan sebagian besar dari apa yang mereka beli dengan promosi ini. Namun, bayangkan sebuah skenario di mana satu pelanggan membeli delapan item pakaian sebelum mengembalikan semua kecuali satu.

"Pengecer membayar pengiriman yang dipercepat dengan asumsi bahwa ada konsumen hebat di luar sana yang membeli delapan item, jadi mereka bersedia berinvestasi dan kehilangan sedikit margin" pada pengiriman, kata Yehiav. "Algoritma tidak memperhitungkan perilaku [kembali]."

Untuk pengecer ini, mengurangi kerugian pada pelanggan outlier yang tidak mengikuti perkiraan analisis prediktif berarti memiliki kebijakan untuk menutupi dirinya sendiri. Dengan menggunakan analisis preskriptif, Yehiav mengatakan pengecer mungkin memutuskan untuk memberikan kupon khusus di dalam toko kepada pelanggan yang melakukan pengembalian (untuk mendorong pembelian lain di mana pengiriman bukan merupakan faktor) atau memberi tahu pelanggan bahwa mereka harus membayar untuk pengiriman kembali.

Prakiraan cuaca

Memprediksi cuaca bisa menjadi proposisi yang tidak pasti, tetapi dengan perubahan musim terjadi pergeseran dari kegiatan dalam ruangan menjadi bersenang-senang di bawah sinar matahari. Toko peralatan olahraga terdiri dari satu sektor usaha kecil yang mendapat manfaat dari cuaca yang lebih baik dan peningkatan aktivitas fisik.

Jika perkiraan toko menunjukkan bahwa penjualan sepatu lari akan meningkat saat cuaca yang lebih hangat mendekati musim semi, mungkin tampak logis untuk meningkatkan inventaris sepatu lari di setiap toko. Namun, pada kenyataannya, lonjakan penjualan kemungkinan tidak akan terjadi di setiap toko di seluruh negeri sekaligus. Sebaliknya, ia akan merayap secara bertahap dari selatan ke utara berdasarkan pola cuaca.

Arijit Sengupta, mantan CEO perusahaan analisis bisnis otomatis BeyondCore dan pendiri Aible, mengatakan analisis prediktif dan preskriptif dapat membantu Anda merencanakan skenario ini.

"Untuk membalik saklar pada distribusi sepatu lari besar-besaran secara nasional akan menjadi kesalahan besar, meskipun analisis prediktif menunjukkan penjualan akan naik," tambahnya. "Tetapi dengan analitik preskriptif, Anda dapat menarik sumber pihak ketiga, seperti data cuaca dan iklim, untuk mendapatkan rekomendasi yang lebih baik dari tindakan terbaik."

Menerapkan analitik

Berikut adalah beberapa tips untuk membantu Anda mendapatkan hasil maksimal dari program analisis Anda.

1.         Mulailah dari yang kecil dengan analitik data.

Analisis data adalah subjek kompleks yang bisa sangat melelahkan, dan Anda tidak ingin wawasan terbaik Anda hilang. Lee menyarankan untuk berpikir besar dengan strategi analitik menyeluruh Anda tetapi memulai dari yang kecil secara taktis.

"Dengan kompleksitas data besar dan sistem yang mengelola dan memproses data, kita dapat dengan mudah mengabaikan fakta bahwa kadang-kadang ada solusi dalam hal yang paling sederhana," katanya. "Kemenangan kecil akan membantu mendapatkan dukungan untuk proyek analisis jangka panjang."

2.         Buat kumpulan data yang kaya.

Ada banyak skenario bagaimana-jika ketika Anda menjalankan dan memasarkan bisnis, dan analisis prediktif tidak selalu memperhitungkan kemungkinan alternatif. Mathew mengatakan melihat analisis prediktif Anda lebih dekat untuk membuat kumpulan informasi yang lebih kaya (dengan memperhitungkan demografi seperti jenis kelamin dan usia) akan menghasilkan hasil yang lebih baik dari rekomendasi preskriptif Anda.

"Pemasar media sosial peduli tentang memaksimalkan keterlibatan dan jangkauan pada posting sosial mereka," katanya. "Analisis preskriptif dapat membuat rekomendasi berbasis data, seperti penggunaan hashtag atau emoji tertentu, untuk memaksimalkan daya tarik sosial dengan segmen audiens tertentu."

3. Pahami alasan di balik rekomendasi preskriptif.

Sengupta menekankan pentingnya memahami sepenuhnya logika, nuansa dan keadaan di balik hasil analisis preskriptif sebelum mengambil tindakan. Bersiaplah untuk membuktikan bahwa hasil Anda secara statistik sehat.

"Grafik cantik bisa sangat menarik, tetapi ini hanya perangkat lunak, dan kekuatan analitisnya hanya seakurat manusia yang merancangnya dan data yang kami berikan," kata Sengupta. "Sangat penting bahwa pengguna bisnis memahami 'cerita' di balik hasil dan tindakan preskriptif yang disarankan."

4. Selalu perbarui sistem Anda.

Ketika bisnis Anda tumbuh dan berkembang, begitu juga algoritma Anda. Hollison mencatat bahwa analisis prediktif dan preskriptif harus diperbarui terus menerus dengan data terbaru untuk meningkatkan tindakan yang diprediksi dan ditentukan berdasarkan keberhasilan dan kegagalan waktu nyata.

"Analisis prediktif dan preskriptif bergantung pada fondasi data yang solid," tambah Mathew. "Analitiknya hanya sebagus data yang memberi mereka makan."