Voorspellen met Qlik (deel 1)

Veelvoorkomende toepassingen van voorspellen in Qlik

Voorspellen helpt bij het inschatten van de waarschijnlijkheid van toekomstige uitkomsten. Dit zijn een paar veelgebruikte methoden binnen Qlik:

• Tijdreeksvoorspelling
  Met een lijngrafiek in Qlik Cloud voorspel je eenvoudig trends over tijd, zoals toekomstige verkoopvolumes. De grafiek gebruikt hiervoor het SSA-algoritme (Singular Spectrum Analysis).

• Correlatie analysis
  Hiermee ontdek je de statistische relatie tussen verschillende factoren. Door in Qlik Cloud bijvoorbeeld een spreidingsdiagram (scatter plot) of de correlatiefunctie (Correl) te gebruiken, maak je direct zichtbaar of er een correlatie is tussen marketinguitgaven en omzet.

• AutoML (Automated Machine Learning)
  Met AutoML kunt u, zonder diepgaande kennis van data science, complete machine learning-modellen trainen en inzetten. Zo voorspelt u of een klant dreigt op te zeggen (classificatie), schat u de toekomstige omzet van die klant in (regressie) of genereert u geavanceerde verkoopprognoses die verder gaan dan simpele trendlijnen (tijdreeksvoorspelling).

  Daar ga ik hieronder verder op in.

Welke methode je kiest, hangt sterk af van de vraag die je stelt. En helderheid over die vraag is cruciaal.

Wat maakt AutoML in Qlik zo krachtig?

• Efficiëntie
  Werkt snel en intuïtief – zeker als je data al is opgeschoond in Qlik. Je kunt dan naadloos verder met je analyse en voorspelling.

• Transparantie
  Qlik AutoML is geen black box. Je krijgt inzicht in de onderliggende factoren achter elke voorspelling, wat helpt bij het interpreteren en onderbouwen van je conclusies.

• Integratie
  Alles gebeurt in één omgeving: data ophalen, visualiseren, voorspellen én die voorspellingen opnemen in je bestaande dashboards.

Begin met de juiste vraag!

Wil je AutoML goed inzetten, dan helpt het om een basiskennis te hebben van machine learning en de methoden die Qlik toepast. Zo weet je waar het goed in is – en waar niet.

AutoML kan overweg met classificatievragen, regressie en meer. In de praktijk werkt het bijvoorbeeld erg goed bij classificatievragen  (ja/nee):

• Zal deze klant zijn abonnement opzeggen?

Zo’n vraag kan je helpen om omzet te voorspellen, risico’s in te schatten of prioriteiten te stellen. Niet alle zakelijke vragen zijn direct geschikt voor machine learning, maar veel kun je herformuleren zodat ze dat wel worden.

Bijvoorbeeld:

• In plaats van “Wat wordt de omzet?”, kun je beter vragen:
  “Hoe groot is de kans dat een klant bestelt – en terugkomt?”

Inzichten uit de praktijk: wat experts zeggen

In één van onze podcasts spraken we met data scientist Tessa Bruijgoms. Zij deed bij HippoLine onderzoek naar de mogelijkheden van AutoML in Qlik  én andere (open source) AutoML-tools. Wat viel haar op?

• Datakwaliteit is cruciaal. Zonder goed voorbereide invoerdata kun je geen goede voorspellingen verwachten.

• Gebruik wat je hebt. Als je al werkt met Qlik voor je data-opslag, -opschoning en -visualisatie, dan ben je uitstekend gepositioneerd om AutoML effectief in te zetten.