15-3-2021 Data Analytics

Wat is descriptive, diagnostic, predictive en prescriptive analytics?

We kunnen ruwweg vier soorten data analytics onderscheiden. Dit zijn descriptive analytics, diagnostic analytics, predictive analytics en prescriptive analytics. In deze blog gaan we in op de definities en verschillen tussen deze vier soorten.

Descriptive analytics is de minst complexe methode en prescriptive analytics is het meest complex, maar tegelijkertijd ook de laatste stap om de maximale waarde uit je data te halen. Je werkt van inzicht uit informatie naar voorgeschreven beslissingen middels optimalisatie. Dat doe je door te starten met het analyseren van data uit het verleden om vervolgens de toekomst te voorspellen en daar optimale beslissingen op te nemen.

De vier soorten data analytics

  • Descriptive analytics – wat is er gebeurd?
  • Diagnostic analytics – waarom is het gebeurd?
  • Predictive analytics – wat zal er gebeuren?
  • Prescriptive analytics – hoe kunnen we het laten gebeuren? 

Descriptive, diagnostic, predictive en prescriptive analytics

Wat is descriptive analytics?

Het eerste type data analytics is descriptive analytics. Descriptive analytics houdt zich vooral bezig met de vraag “wat is er gebeurd?”. Het is de meest eenvoudige en tegelijkertijd de meest toegepaste methode van data analytics.
Met descriptive analytics kijk je naar data of gebeurtenissen in het verleden. Je ziet descriptive analytics daarom vaak gebruikt worden in een KPI dashboard in bijvoorbeeld Power BI. Denk hierbij bijvoorbeeld aan het aantal bezoekers van je website of de omzet van je bedrijf in een bepaalde periode.

Wat is diagnostic analytics?

Het tweede type data analytics is diagnostic analytics. Diagnostic analytics houdt zich vooral bezig met de vraag “waarom is het gebeurd?”. Hiermee breng je verdieping aan in descriptive analytics.
Met descriptive analytics heb je namelijk achterhaald wat er gebeurd is, en nu wil je graag weten waarom dat is gebeurd. Door bijvoorbeeld externe data te combineren met je eigen data, kun je diagnostic analytics uitvoeren. Je zoekt in feite naar een causaal verband, oftewel een oorzaak-gevolgrelatie. Misschien heeft je advertentiecampagne wel beter gepresteerd en heeft dit geleid tot een verhoging in het aantal websitebezoekers.

Correlatie versus causaliteit

Let er hierbij wel goed op dat correlatie niet hetzelfde is als causaliteit. Bij correlatie vinden twee gebeurtenissen bijvoorbeeld wel toevallig gelijktijdig plaats, maar heeft het één geen invloed op het ander. Misschien ontdek je bijvoorbeeld dat tegelijk met de stijging in het aantal websitebezoekers de buitentemperatuur aanmerkelijk hoger was. Dit kán een directe invloed hebben op je websitebezoekers als je op je website bijvoorbeeld airconditioning verkoopt, maar dat hoeft niet zo te zijn als je producten verkoopt die niet afhankelijk zijn van de buitentemperatuur.

Wat is predictive analytics?

Het derde type data analytics is predictive analytics. Predictive analytics houdt zich vooral bezig met de vraag “wat zal er gebeuren?”. Deze methode gebruikt de voorgaande twee soorten data analytics om voorspellingen te maken. Met descriptive en diagnostic analytics heb je namelijk ontdekt wat er is gebeurd en waarom het is gebeurd en nu wil je onderzoeken wat er zal gebeuren. Deze methode maakt gebruik van statistische modellen zoals een regressieanalyse om voorspellingen te maken.
Stel je gebruikt hierbij het aantal verkochte airco’s per maand in de afgelopen jaren en de buitentemperatuur in diezelfde periode. Met diagnostic analytics kan je bijvoorbeeld het causale verband vaststellen dat iedere vijf graden stijging van de buitentemperatuur zorgt voor gemiddeld twintig extra verkochte airco’s. Met deze kennis ben je in staat om te voorspellen hoeveel airco’s er de komende periode waarschijnlijk verkocht gaan worden op basis van buitentemperatuurvoorspellingen. Dit is relevante informatie waar je effectief op kan inspelen.

Het is belangrijk om te weten dat de kwaliteit van de voorspellingen afhankelijk is van de kwaliteit van de gebruikte data. Dit geldt overigens voor iedere vorm van data analytics.

Descriptive en diagnostic analytics worden vaak al toegepast door organisaties, maar de stap maken naar predictive analytics is juist vaak ingewikkeld. Regelmatig ontbreekt het bij organisaties aan de juiste kennis en ervaring om predictive analytics effectief in te zetten en implementeren. We hebben het dan over mensen met een expertise in onder andere wiskunde, statistiek en machine learning. Deze rol wordt vaak benoemd als Data Scientist.

“Prescriptive analytics is de meest waardevolle methode van data-analyse.”

Wat is prescriptive analytics?

Het vierde type data analytics is prescriptive analytics. Prescriptive analytics houdt zich vooral bezig met de vraag “wat moet ik doen?”. Met descriptive, diagnostic en predictive analytics heb je namelijk geanalyseerd wat is er gebeurd, waarom dit is gebeurd en wat er in de toekomst waarschijnlijk zal gebeuren, en nu wil je graag weten hoe je dit kan laten gebeuren en welke actie je daarvoor moet ondernemen. Data Science en Artificial Intelligence oplossingen maken vaak gebruik van prescriptive analytics. Prescriptive analytics is daarmee de laatste stap om het de meeste waarde uit je data te halen en tot effectieve besluitvorming te komen.

Zo helpt prescriptive analytics je bijvoorbeeld in het bepalen van het aantal airco’s dat je in de komende periode moet inkopen om aan de verwachte vraag te kunnen voldoen (namelijk de uitkomst van het predictive analytics model dat hierboven is beschreven). Middels het voorschrijven van een optimale beslissing op basis van de voorspelling en relevante restricties en kennisregels (zoals levertijden van leveranciers en voorraadstanden) kan je op die manier je voorraad optimaliseren. Zo voorkom je dat je niet kan voldoen aan de klantvraag en dat je te veel opslagkosten maakt voor voorraad die je uiteindelijk niet verkoopt. Relevant hierin is dat predictive en prescriptive analytics dus complementair aan elkaar zijn in het verzilveren van waarde uit je data.

Haal alle waarde uit jouw data met Inergy

Om prescriptive analytics goed uit te kunnen voeren, is het essentieel dat de andere vormen van data analytics – descriptive, diagnostic en predictive – goed in kaart zijn gebracht en dat de kwaliteit van de gebruikte data goed is. Inergy is in staat om complexe datavraagstukken te ontleden en om alle waarde uit de data te halen. Onze Data Engineers zijn gespecialiseerd in het structureren en opschonen van de ruwe data en onze Data Scientists zijn experts in het bouwen van modellen om predictive en prescriptive analytics uit te voeren.

Wil je graag meer waarde uit je data halen en wil je daar eens vrijblijvend over praten met ons? Neem dan nu contact met ons op voor een vrijblijvend kennismakingsgesprek. Samen halen we alles uit je data dat erin zit.


Inergy

Wij eten, drinken en ademen data – en wat je ermee kan doen. Dat delen we graag met jou. Meer weten over Inergy? Neem contact met ons op via 0348 45 76 66 of info@inergy.nl.

Deel dit artikel

Peter Boumans

Neem vrijblijvend contact met ons op

Wil je meer informatie over prescriptive analytics, Data science of Artificial Intelligence? Of heb je een algemene vraag over Inergy? Neem dan nu vrijblijvend contact met ons op.

Bel ons op 0348 45 76 66

Mail Peter Boumans via peter.boumans@inergy.nl





    Lees gerust verder...

    4-3-2021

    4 redenen waarom je een dataplatform moet hebben

    14-1-2021

    Meer kennis over Snowflake met SnowPro Advanced: Architect diploma

    Altijd op de hoogte

    Schrijf je in voor onze nieuwsbrief en ontvang maandelijks een update.