Sluta gissa — när grunden bär.

En prediktiv modell känner i grunden igen mönster. Den tränas på historisk data och lär sig vilka kombinationer av faktorer som brukar komma före ett visst utfall, till exempel ett produktionsstopp eller en plötslig topp i beställningarna. Ju mer data den får, och ju mer konsekvent datan är, desto lättare blir det att hitta mönstren.

Om en modell fungerar i produktion avgörs därför mest av underlaget den tränas på, och det underlaget behöver uppfylla tre krav. Det första är att historiken räcker. Hur lång den behöver vara beror på vad man vill förutse, men för de flesta operativa prediktionsproblem är ett till tre år av konsekvent data ett minimum, eftersom mönstren annars inte syns tydligt nog.

Datan måste också vara realtidsnära. En modell som körs mot veckogamla siffror kan i bästa fall förutse vad som troligen hände förra veckan, så för att se vad som är på väg att hända behöver indatan vara några timmar gammal och inte flera dagar.

Till sist måste begreppen vara konsekventa. Om "stopp" betyder olika saker i underhållssystemet och produktionssystemet tränas modellen på blandade signaler, och då lär den sig mönstren i systemens oenighet i stället för i det som faktiskt händer i produktionen.

När pilotprojekt med prediktiv analys misslyckas är det oftast något av de tre kraven som brister, och sällan själva modelleringen. Vanligast ser vi det tredje fallet, där organisationen har data i flera system med olika definitioner av nyckelbegreppen och försöker träna en modell utan att först ha rett ut det. Modellen hittar visserligen mönster, men de kommer från skillnaderna mellan systemen och inte från verkliga samband i verksamheten, så den förutsäger ingenting användbart.

Felet är svårt att upptäcka, eftersom modellen rent tekniskt tränas och körs utan problem. Först när prediktionerna jämförs med utfallet syns det att de systematiskt missar.

Det enklaste sättet att bedöma om ni är redo för prediktiv analys är att gå igenom tre frågor, och den första är om ni har ett datalager eller en plattform som samlar in data från de relevanta systemen och håller den tillgänglig. Om datan fortfarande hämtas för hand, sammanställs i Excel och skickas med e-post finns det ingen teknisk grund att bygga prediktionen på.

Den andra frågan är om nyckelbegreppen, som stopp, order, avvikelse och leveransprecision, är definierade och används likadant i de system där de förekommer. Om inte är det det arbetet som behöver göras först.

Den tredje frågan gäller historiken och om den finns i ett strukturerat och konsekvent format. Byttes affärssystemet för tre år sedan utan att det gamla migrerades, eller har definitionen av ett nyckeltal ändrats utan att historiken justerades, då är historiken kortare än den ser ut att vara.

Kan ni svara ja på alla tre bär grunden, och då är prediktiv analys ett rimligt nästa steg med konkret nytta att hämta. Blir svaret nej på någon av dem behöver det arbetet komma före.

Vi rekommenderar att ni börjar med ett avgränsat problem snarare än en bred prediktionsplattform. Välj ett område där det syns tydligt vad gissningarna kostar, till exempel dyra produktionsstopp eller underhållsintervall som i dag bestäms på magkänsla.

För det området bygger ni sedan grunden, vilket betyder att ni samlar in datan, enas om definitionerna och kontrollerar att historiken hänger ihop. Därefter tränar ni en enkel modell och mäter hur väl den förutsäger mot utfall som går att kontrollera.

Ett sådant projekt är litet nog att genomföra på ett par månader, och resultatet visar hur långt ni faktiskt har kommit, oavsett om det är lovande eller visar att grundarbetet behöver mer tid. Börja gärna med att ta fram förra årets produktionsstopp och se om underhållssystemet och produktionssystemet räknar dem likadant.