Definitie: Predictive analytics, in het Nederlands voorspellende analyse, is het gebruik van historische gegevens, statistiek en machine learning om de kans op toekomstige gebeurtenissen of uitkomsten te schatten. Het beantwoordt de vraag “wat gaat er waarschijnlijk gebeuren?”, zodat een organisatie vooraf kan bijsturen in plaats van achteraf te reageren.
In het kort
- Predictive analytics zoekt patronen in gegevens uit het verleden en past die toe op nieuwe situaties, zoals klantverloop, vraag naar producten of de kans op een storing.
- De belangrijkste modeltypen zijn classificatie (valt iets in een categorie?), regressie (welk getal verwachten we?), clustering en tijdreeksen.
- Een voorspelling is een kans, geen zekerheid. De waarde zit in wat je ermee doet.
- Voor een bruikbaar model heb je voldoende, betrouwbare historische gegevens nodig en een duidelijke beslissing die je wilt verbeteren.
Wat is predictive analytics?
Predictive analytics is een vorm van data-analyse die vooruitkijkt. Waar een gewoon rapport laat zien hoeveel orders er vorige maand waren, schat een voorspellend model hoeveel orders er volgende maand komen, welke klanten waarschijnlijk afhaken of welke machine binnenkort onderhoud nodig heeft.
Dat werkt door gegevens uit het verleden te gebruiken waarvan de uitkomst al bekend is. Een model leert uit die gegevens welke kenmerken samenhangen met een bepaalde uitkomst. Daarna past het die kennis toe op nieuwe gevallen waarvan de uitkomst nog onbekend is. Volgens SAS is de groei van voorspellende analyse te danken aan meer beschikbare gegevens, snellere en goedkopere computers en gebruiksvriendelijkere software.
De uitkomst is meestal een kans of een score. Een klant krijgt bijvoorbeeld een score van 0,8 voor de kans dat hij binnen drie maanden opzegt. Of een prognose zegt dat de verwachte vraag naar een product volgende week tussen de 400 en 460 stuks ligt. Wat je daarmee doet, is een aparte keuze.
Vier soorten analyse: waar past voorspellen?
Predictive analytics wordt vaak uitgelegd als één stap in een reeks van vier vormen van analyse.
| Soort analyse | Vraag | Voorbeeld |
|---|---|---|
| Beschrijvend | Wat is er gebeurd? | Omzet per maand in een dashboard |
| Diagnostisch | Waarom is het gebeurd? | Daling verklaren door minder bezoekers uit één kanaal |
| Voorspellend | Wat gaat er waarschijnlijk gebeuren? | Verwachte vraag per product voor de komende weken |
| Voorschrijvend | Wat moeten we doen? | Advies hoeveel voorraad je per locatie inkoopt |
De meeste organisaties hebben de eerste twee al op orde, of zouden dat eerst moeten doen. Zonder betrouwbare beschrijvende gegevens is een voorspelling niet te vertrouwen. Voorschrijvende analyse bouwt weer voort op voorspellingen door er concrete aanbevelingen aan te koppelen.
Welke modellen en technieken worden gebruikt?
Er zijn veel technieken, maar ze vallen grofweg in vier groepen.
| Modeltype | Wat het voorspelt | Voorbeeld |
|---|---|---|
| Classificatie | Een categorie, zoals ja of nee | Zegt deze klant op? Is deze transactie verdacht? |
| Regressie | Een getal | Verwachte omzet, levertijd of woningwaarde |
| Clustering | Groepen met vergelijkbare kenmerken | Klantsegmenten op basis van koopgedrag |
| Tijdreeksen | Ontwikkeling in de tijd | Vraag per week, gespreksvolume per uur |
Veelgebruikte technieken zijn lineaire en logistische regressie, beslissingsbomen, random forests, gradient boosting en neurale netwerken. Voor tijdreeksen worden modellen als ARIMA en exponential smoothing gebruikt. Een eenvoudig model dat je kunt uitleggen, is in de praktijk vaak waardevoller dan een complex model dat iets beter scoort maar voor niemand te volgen is.
Hoe werkt een predictive analytics-project?
Een voorspellend model bouwen is minder een kwestie van algoritmen en meer van goed voorwerk. Een gangbaar stappenplan:
- Bepaal de beslissing. Welke keuze wil je beter maken, en wie maakt die keuze?
- Formuleer de voorspelling. Wat moet het model precies voorspellen, over welke periode en voor welke groep?
- Verzamel gegevens. Welke historische gegevens zijn er, hoe ver gaan ze terug en hoe betrouwbaar zijn ze?
- Bereid de gegevens voor. Opschonen, ontbrekende waarden aanpakken, gegevens uit verschillende bronnen koppelen.
- Train en vergelijk modellen. Begin eenvoudig en kijk of complexere modellen echt beter presteren.
- Test op gegevens die het model niet kent. Alleen zo weet je of het ook op nieuwe gevallen werkt.
- Breng de uitkomst in het werkproces. Een score in een los rapport doet weinig; een signaal op het juiste scherm wel.
- Monitor en train opnieuw. Patronen veranderen. OVHcloud noemt dit modeldrift: een model dat vorig jaar goed werkte, kan nu minder betrouwbaar zijn.
De stappen 1, 2 en 7 worden vaak onderschat. Een technisch goed model dat niet aansluit op een echte beslissing, blijft ongebruikt.
Voorbeelden van predictive analytics
Voorspellende analyse wordt in veel sectoren gebruikt. Bekende toepassingen:
- Klantverloop voorspellen. Een abonnementsbedrijf ziet welke klanten waarschijnlijk opzeggen en kan ze tijdig benaderen.
- Vraagvoorspelling en voorraad. Een retailer schat de vraag per product en locatie, zodat er minder tekorten en minder overschotten zijn.
- Voorspellend onderhoud. Sensorgegevens van machines laten zien wanneer een onderdeel waarschijnlijk uitvalt. SAS noemt het Amerikaanse energiebedrijf Salt River Project, dat zo onderhoud aan turbines voorspelt.
- Fraudedetectie. Banken scoren transacties op de kans op fraude. Volgens SAS doet de Australische Commonwealth Bank dat binnen 40 milliseconden per transactie.
- Personeelsplanning. Een callcenter voorspelt het aantal gesprekken per uur en plant daarop de bezetting.
- Leadscoring. Een verkoopteam ziet welke aanvragen de grootste kans hebben om klant te worden.
- Betaalgedrag. Een organisatie schat welke facturen waarschijnlijk te laat worden betaald.
Wat heb je nodig om te beginnen?
Predictive analytics klinkt als iets voor grote bedrijven met datateams, maar een eerste toepassing kan klein zijn. Wel zijn er een paar voorwaarden:
- Historische gegevens met bekende uitkomsten. Wil je opzeggingen voorspellen, dan heb je klanten nodig die wel en niet hebben opgezegd.
- Genoeg voorbeelden. Een handvol gevallen is te weinig om patronen te vinden. Hoeveel genoeg is, hangt af van het probleem.
- Consistente registratie. Als dezelfde situatie op verschillende manieren wordt vastgelegd, leert het model ruis.
- Iemand die de uitkomst gebruikt. Een voorspelling zonder eigenaar levert niets op.
- Gereedschap. Van Excel en Power BI voor eenvoudige prognoses tot Python met bibliotheken als scikit-learn voor eigen modellen, of de functies die in cloudplatforms zijn ingebouwd.
Beperkingen en valkuilen
- Het verleden is geen garantie. Een model leert van wat was. Bij een plotselinge verandering in de markt kan het ernaast zitten.
- Vooringenomenheid in de gegevens. Als historische beslissingen scheef waren, neemt het model dat over.
- Schijnnauwkeurigheid. Een getal met twee decimalen wekt meer zekerheid dan er is. Toon liever een bandbreedte.
- Privacy. Voorspellingen over personen vallen onder de AVG. Profilering met gevolgen voor iemand vraagt extra zorg en soms menselijke tussenkomst.
- Te groot beginnen. Een project dat alles tegelijk wil voorspellen, komt zelden in productie.
- Geen onderhoud. Een model zonder controle verliest ongemerkt kwaliteit.
Hoe meet je of een voorspelling goed is?
Een model kan op papier indrukwekkend scoren en in de praktijk toch weinig opleveren. Daarom meet je op twee niveaus.
Het eerste niveau is technisch. Je houdt een deel van de historische gegevens apart en kijkt hoe vaak het model daarop goed zit. Bij classificatie kijk je niet alleen naar het percentage juiste voorspellingen, maar ook naar wat het model mist en hoeveel valse alarmen het geeft. Een fraudemodel dat nooit alarm slaat, is bij weinig fraude bijna altijd “juist”, maar volkomen nutteloos. Bij regressie en tijdreeksen kijk je hoe ver de voorspelling gemiddeld van de werkelijkheid af ligt.
Het tweede niveau is de praktijk. Leidt de voorspelling tot betere beslissingen? Vergelijk bijvoorbeeld een periode met en zonder het signaal, of een groep klanten die wel en niet op basis van de score is benaderd. Leg vooraf vast wat je wilt verbeteren, zodat je achteraf niet zoekt naar een cijfer dat goed uitkomt.
| Wat je meet | Vraag |
|---|---|
| Nauwkeurigheid | Hoe vaak klopt de voorspelling op gegevens die het model niet kende? |
| Gemiste gevallen | Hoeveel echte gevallen ziet het model over het hoofd? |
| Valse alarmen | Hoe vaak geeft het een signaal dat onterecht blijkt? |
| Gebruik | Kijken mensen naar de voorspelling en handelen ze ernaar? |
| Effect | Is de beslissing waarvoor het model bedoeld is, merkbaar beter geworden? |
Hoe ziet een voorspelling eruit in een applicatie?
Een voorspelling hoort op de plek waar de beslissing valt. In een CRM kan dat een label bij een lead zijn: “grote kans”, “twijfel” of “kleine kans”. In een planningstool een verwachte drukte per dag, met een bandbreedte. In een onderhoudssysteem een lijst met machines die deze week aandacht vragen, gesorteerd op risico.
Belangrijk is dat de gebruiker begrijpt waar de voorspelling op is gebaseerd. Toon de belangrijkste factoren, zoals “geen contact in 60 dagen” of “drie klachten dit kwartaal”. Dat maakt de uitkomst controleerbaar en helpt de gebruiker om een eigen afweging te maken. Laat ook ruimte voor een reactie: klopt de voorspelling niet, dan is die terugkoppeling waardevolle invoer voor een volgende versie van het model.
Predictive analytics en AI
Predictive analytics bestaat langer dan de huidige golf van AI. Veel voorspellende modellen zijn klassieke statistiek of machine learning op tabellen met gegevens. Generatieve AI en taalmodellen voegen daar iets aan toe: ze kunnen ongestructureerde gegevens, zoals e-mails, notities en klantgesprekken, omzetten in kenmerken die een voorspellend model kan gebruiken. Ook kunnen ze een voorspelling in gewone taal uitleggen aan een gebruiker. De voorspelling zelf blijft meestal het werk van een gespecialiseerd model.
Wat betekent dit voor jouw project?
SAYOOO, mijn eigen softwareproduct dat gegevens verwerkt in overzichten en rapportages, heeft me geleerd om te beginnen bij de beslissing die iemand moet nemen. Daarna bepaal je welke gegevens daarvoor nodig zijn, en hoe je voorkomt dat de gebruiker opnieuw verschillende overzichten moet interpreteren. Voor een voorspelling geldt hetzelfde. Een score heeft pas waarde als duidelijk is wie hem ziet en wat diegene ermee doet.
Daarom kijk ik bij een vraag over voorspellen eerst naar het proces: wat komt binnen, wie moet ermee verder en welke informatie heeft die persoon nodig? Vaak blijkt dat de gegevens nog niet consistent genoeg worden vastgelegd. Dan is de logische eerste stap een applicatie die dat goed regelt, zodat er later iets te voorspellen valt.
Vraag? Stuur me welke beslissing je beter wilt kunnen maken en welke gegevens je daar nu voor hebt. Dan bepalen we samen of een voorspelling past en wat de eerste stap is.
Veelgestelde vragen over predictive analytics
Wat is het verschil tussen predictive en prescriptive analytics?
Predictive analytics voorspelt wat er waarschijnlijk gaat gebeuren, bijvoorbeeld de verwachte vraag naar een product. Prescriptive analytics gaat een stap verder en adviseert wat je moet doen, zoals hoeveel voorraad je inkoopt. Voorschrijvende analyse bouwt meestal voort op voorspellingen.
Wat is voorspellende analyse?
Voorspellende analyse is de Nederlandse term voor predictive analytics. Het gebruikt historische gegevens, statistiek en machine learning om de kans op toekomstige uitkomsten te schatten, zoals klantverloop, vraag of storingen.
Hoeveel gegevens heb je nodig voor predictive analytics?
Dat hangt af van het probleem en het aantal kenmerken dat je wilt meenemen. Belangrijker dan de hoeveelheid is dat de gegevens betrouwbaar zijn, consistent zijn vastgelegd en voorbeelden bevatten van de uitkomst die je wilt voorspellen.
Verwante termen
Dashboard · AI-automatisering · Large Language Model · Maatwerk software · Bedrijfsapplicatie · Privacy by design
← Terug naar de kennisbank