Impact Analyse

Impact Analysis

Impact Analysis en Deep Propensity Modeling beantwoorden vragen als “Waarom worden salestargets voor een bepaalde productlijn niet gehaald?”, “Waarom heeft een bepaald type machine meer onderhoud nodig?”, “Wat motiveert mijn medewerkers?” of “Wat drijft mijn ROI?”. Dit type analyses gaat op zoek naar de achterliggende oorzaken waarom iets gebeurt – of net niét.

Voor die impactanalyse worden technieken zoals propensity modeling toegepast, in combinatie met de nieuwste Deep Learning-technologie. Op die manier wordt het mogelijk om alle verbanden en inzichten te ontdekken in uw data en in de processen die uw organisatie sturen. Dat is voor een menselijk brein onmogelijk in een realistisch tijdsbestek. Trendskout kan de inzichten op geautomatiseerde manierblootleggen, op basis van de drie stappen die volledig zijn geïntegreerd in de AI-flow van Trendskout: connectanalyseautomate.

Business toepassingen

- Geavanceerde KPI reporting
- Root cause analysis van incidenten
- User profiling in marketing


artificial intelligence

Krachtig Cloud-AI PlatformDirect inzetbaar met een heldere interface, ook voor niet-datawetenschappers


Impact Analyse in de AI Flow

1. Connect

2. Analyse

Impact Analysis

Impact Analysis is één van de Trendskout AI Flow analyse-functies.

3. Automate


Hoe werkt dit technisch?

Doelselectie

De eerste, en cruciale, stap in dit type analyse is het definiëren van een doel, iets wat voor u of uw organisatie belangrijk is zoals ROI, conversieratio, downtime etc. Trendskout heeft deze informatie nodig om doelgericht te gaan evalueren in de volgende stappen wat deze doelen drijft, in positieve of negatieve wijze. Dit kan rechtstreeks in de Trendskout UI gebeuren op basis van uw data, en u hoeft geen apart geannoteerde data te voorzien.


Data-expansie

In tegenstelling tot klassieke systemen kan Trendskout meerdere types data simultaan evalueren. Dit is niet enkel een technisch voordeel, maar zorgt er ook voor dat u uw originele data kan uitbreiden met allerlei andere databronnen die mee kunnen worden geëvalueerd op verbanden die impact hebben op uw doel. De originele data, waarin u uw doel geselecteerd hebt, wordt dus uitgebreid met andere data die u oplaadt. Hierdoor kan op een heel brede schaal onderzocht worden wat uw doelen stuurt, en mist u geen enkel verband. Eén van de technologische pijlers van Trendskout is een distributed computing plaform, met hoge graad van parallellisatie. Deze technologie wordt gebruikt om de verschillende databronnen te verwerken, denormaliseren, opschonen en in de achtergrond naar andere formaten om te vormen zodat deze kunnen verwerkt worden door neurale netwerken en andere Deep Learning technieken in Trendskout.


Deep Propensity Modeling

Propensity Modeling is een techniek die reeds enkele decennia gebruikt wordt door statistici. Het probleem met deze klassieke technieken was vaak dat de ontdekte verbanden niet goed konden worden beschreven door, statische, wiskundige formules. Door nieuwe ontwikkelingen op gebied van Deep Learning kunnen deze verbanden nu op een veel krachtigere manier worden gemodelleerd. Ter illustratie kan u modelleren met louter wiskundige formules vergelijken met het proberen tekenen van een gezicht met enkel rechte lijnen, het resultaat zal hoekig zijn en maar een ruwe indicatie van het uiterlijk van die persoon. Deep Learning technieken kunnen ook vloeiende lijnen tekenen, en zullen dus een beter beeld schetsen. Dit is ook wat gebeurt bij Deep Propensity Modeling, de verbanden in uw data zullen door neurale netwerken beter begrepen worden. Tijdens de Deep Propensity Modeling-stap past Trendskout verschillende soorten Deep Learning algoritmes toe op uw data, en wordt telkens geëvalueerd of de ontdekte verbanden en inzichten ook echt impact hebben op uw doel. Hiervoor wordt telkens een deel van de data in testmodus geëvalueerd, om de accuraatheid van het Deep Propensity Model te evalueren. Door het definiëren van uw doel in de eerste stap en de data-expansie daarna is hier geen interactie voor vereist. Net zoals bij andere AI en Deep Learning analyses in Trendskout wordt via Auto ML & Solution Space Exploration -dataverwerking, algoritme-selectie, en parameterhypertuning- op automatische wijze gezocht tot het meest performante model is gevonden.

Na de Deep Propensity Modeling fase worden de onderliggende verbanden uit het winnende model geëxtraheerd. Deze verbanden en resultaten van simulaties bieden inzicht hoe uw bedrijfsdoel beïnvloed wordt, in positieve of negatieve wijze. Dit rapport is één van de automate acties in Trendskout. Naast directe raadpleging in Trendskout kan de informatie in dit rapport ook gekoppeld wordt met de Business Intelligence oplossing van uw organisatie.

Impact Analysis + Trendskout

Alle dataverwerking, algoritme-selecties en hypertuning nodig voor Impact Analyses wordt door Trendskout automatisch uitgevoerd. Samen met de gebruiksvriendelijke AI flow functionaliteit kunnen snel de juiste antwoorden voor bedrijfskritische vragen worden gevonden, in een fractie van de tijd.

Alle features ontdekken tijdens een live demo met uw eigen data?Neem contact op en we tonen u de directe meerwaarde van artificial intelligence voor uw organisatie.