Voortschrijdende prognoses met Alteryx

Terwijl veel traditionele bedrijven gebruik maken van statische budgetten, biedt een voortschrijdende prognose meer voordelen voor snelgroeiende en grote bedrijven. Bedrijven die een dergelijke rolling forecast hebben geïmplementeerd, kunnen sneller bijsturen doordat signalen eerder worden gezien. In deze blog deel ik mijn methodes en gedachten hierover met goede doelen data als voorbeeld.

Loyaliteit

Donateurs hebben vandaag de dag een ruime keuze als het gaat om het vinden van een goed doel dat bij hen past. Dankzij technologie, zoals telemarketing en robotic process automation, is het bovendien erg makkelijk of zelfs verleidelijk om te wisselen naar een ander goed doel. Het jaarlijks vaststellen van het verwachte aantal opzeggingen is minder verstandig als het speelveld in de tussentijd flink veranderd kan zijn. Inzicht in de te verwachten aantallen opzeggingen is van fundamenteel belang voor bijvoorbeeld de budgetten van hun projecten en voor de cashflow. Continu bijsturen aan de hand van de meest actuele prognoses lijkt in dit geval een verstandige zet.

Kiezen tussen prognosemodellen

In Alteryx Designer zijn de twee meest gebruikte prognosemodellen, exponential smoothing (ETS) en autoregressive integrated moving average (ARIMA) direct te gebruiken zonder dat hiervoor moet worden geprogrammeerd. Op de online gemeenschap van gebruikers van het Alteryx platform staat een voorbeeld, welke me bracht tot de volgende werkstroom.

Voortschrijdende prognoses Alteryx - ETS en ARIMA

Om te voorkomen dat ik steeds weer een deel van de werkstroom opnieuw moet bouwen om een chronologische splitsing te maken tussen training data en test data, heb ik de TS Split Periods macro gebouwd die je zo van de Alteryx Gallery kunt downloaden om zelf mee te kunnen werken.

De prognosemodellen die dankzij Alteryx en R automatisch worden gebouwd en geoptimaliseerd, leveren redelijk goede prestaties op – de mean absolute percent error (MAPE) is rond de 10% en geeft aan hoe accuraat deze prognosemodellen zijn. De MAPE wordt berekend door de voorspelde waarde als percentage uit te drukken van de echte waarde, de absolute waarde van dit getal te nemen en vervolgens al deze waarden te middelen. Handig! Er zijn nog meer prestatie-indices en leesvoer hierover vind je hier. Voor de rest van de blog heb ik gekozen om gebruik te maken van de robuuste mean absolute scaled error (MASE), waarbij geldt dat lagere waarden beter zijn en waarden boven de 1 aangeven dat je beter de waarde van de laatste periode kunt doortrekken.

Wanneer we willen kiezen tussen een van beide prognosemodellen, moeten we de prestaties vergelijken op data die het model nog niet heeft gezien. Als we een prognose doen van 36 maanden nadat we reeds 107 maanden aan data hebben kunnen voeden aan het model en we vergelijken de prestaties tussen beide modellen, komt ARIMA als winnaar naar voren op zes van de zes prestatie-indicatoren die de TS Compare tool produceerde.

De weg van prognosemodel naar voortschrijdend inzicht

De prognoses liggen zeer dicht bij de realiteit, maar we hebben dan ook al meer dan tien jaar aan historische data om mee te voorspellen. Voordat ik deze prognose omzet naar een maandelijks voortschrijdende variant, wil ik simuleren dat deze voortschrijdende prognose al jaren geleden werd geïmplementeerd bij deze goede doelenorganisatie. Monitoren of een voortschrijdende prognose een goed idee is om te implementeren kan op deze manier met terugwerkende kracht alsnog gedaan worden.

Het komt erop neer dat ik na iedere maand het ARIMA model opnieuw laat bouwen en prestatie-indices teruggeef. De onderstaande werkstroom is een iteratieve macro, die me deze mogelijkheid geeft.

Voortschrijdende prognoses Alteryx - Prestatie Indices

Het is even puzzelen, maar dan heb je ook iets simpels en herbruikbaars in handen. Vanaf nu hoef ik alleen nog maar deze macro te configureren.

Slechts even twee getallen invoeren en Alteryx gaat voor me aan de slag. Ook deze TS Backtest macro is nu te downloaden op de Alteryx Gallery en kan naar believen worden aangepast als de prognose bijvoorbeeld met ETS of op weekniveau beter aansluit bij de behoeftes.

Monitoren van de rolling forecast

Door deze nieuwe macro in te zetten voor het simuleren van een reeds geïmplementeerde rolling forecast, kunnen we inventariseren of deze voor nu goed genoeg presteert om in gebruik te nemen.

Voortschrijdende prognoses Alteryx - Rolling Forecast

De onderstaande visualisatie van Tableau Public geeft je de mogelijkheid om de trends en de kwaliteit van de prognose te inspecteren. Aan de hand van de MASE concludeer ik dat dit prognosemodel zes jaren lang waarde had kunnen toevoegen.

Let wel, het is altijd lastig om trendbreuk in een model op te nemen, maar door meer verklarende variabelen toe te voegen kan een trendbreuk deels of helemaal verklaard worden. In deze blog blijkt dat ook prognosemodellen baat kunnen hebben bij een of meerdere verbeterslagen; opschakelen naar een geavanceerder prognosemodel dat gebruik maakt van covariaten of van machine learning kan dan nog betere prognoses opleveren. Aantallen contactmomenten, totale aantallen donateurs en de gemiddelde waarde van donatieovereenkomsten zijn verklarende variabelen die dit prognosemodel nog krachtiger zouden kunnen maken.

Meer weten?

Wil je meer weten over prognosemodellen? Schrijf je dan via onderstaande button in voor ons webinar over voorspellingen met Alteryx of neem contact met ons op! Wij helpen je graag verder.

Inschrijven Webinar Predictions with Alteryx for Customer Loyalty