Sluta gissa — när grunden bär.

En prediktiv modell är i grunden ett mönsterigenkänningssystem. Den tränas på historisk data och lär sig vilka kombinationer av faktorer som brukar föregå ett visst utfall — ett produktionsstopp, en beställningspik, en avvikelse i kvalitet. Ju mer data, ju mer konsistent data, ju lättare att hitta de mönstren.

Det som avgör om en modell faktiskt fungerar i produktion är därför inte primärt modellen — det är underlaget den tränas på. Och det underlaget har tre krav som behöver vara uppfyllda.

Historiken måste vara tillräcklig. Hur lång tid beror på vad man vill förutse, men generellt gäller att ett till tre år av konsistent data är ett minimum för de flesta operativa prediktionsproblem. Kortare än så, och mönstren syns inte tydligt nog.

Datan måste vara realtidsnära. En prediktiv modell som körs mot veckogamla siffror kan förutse vad som troligtvis hände förra veckan. För att förutse vad som är på väg att hända behöver indata vara aktuell — timmar, inte dagar.

Begreppen måste vara konsekventa. Om "stopp" betyder olika saker i underhållssystemet och produktionssystemet, tränar man en modell på blandade signaler. Den lär sig att hitta mönster i oenigheten, inte i verkligheten.

Pilot-projekt med prediktiv analys misslyckas ofta av en av dessa tre anledningar — och det är sällan modelleringen som är problemet.

Vi ser det mest frekvent i det tredje fallet: en organisation som har data i flera system, med olika definitioner av nyckelbegrepp, och som försöker träna en modell utan att ha löst grundproblemet. Modellen hittar mönster — men det är artifakter av datainkonsekvensen, inte verkliga samband i verksamheten. Den förutsäger ingenting användbart.

Och det är svårt att se, just för att modellen tekniskt sett tränas och kör utan fel. Det är utfallet som avslöjar det, när prediktionerna systematiskt missar.

Det enklaste sättet att bedöma om er organisation är redo för prediktiv analys är att gå igenom tre frågor.

Har ni ett datalager eller en plattform som samlar in data från de relevanta systemen och håller det tillgängligt? Om data fortfarande hämtas manuellt, aggregeras i Excel och skickas via e-post, finns det ingen teknisk infrastruktur att bygga prediktionen ovanpå.

Är era nyckelbegrepp — stopp, order, avvikelse, leveransprecision — definierade och konsekventa mellan de system som använder dem? Om inte, är det det arbetet som behöver göras först.

Har ni tillräcklig historik i ett strukturerat och konsistent format? Om affärssystemet byttes för tre år sedan och det gamla inte migrerades, eller om definitionen av ett nyckeltal förändrats utan att historiken justerades, är historiken inte lika lång som den ser ut att vara.

Om svaret på alla tre är ja: er grund bär. Prediktiv analys är ett rimligt nästa steg och det finns konkret nytta att hämta. Om svaret är nej på en eller flera: det steget behöver komma innan.

Vi rekommenderar att börja med ett avgränsat problem snarare än en bred prediktionsplattform. Välj ett område där konsekvenserna av att gissa är tydliga — produktionsstopp som är dyra, lagernivåer som påverkar kundleveranser, underhållsintervall som bestäms på magkänsla.

Bygg grunden för det området: samla in datan, ena er om definitionerna, verifiera att historiken är konsistent. Träna en enkel modell och mät hur väl den faktiskt förutsäger mot utfall ni kan kontrollera.

Det är ett tillräckligt litet projekt för att kunna genomföras på ett par månader. Och resultaten — oavsett om de är lovande eller avslöjar att grundarbetet behöver mer tid — ger en ärlig bild av var ni faktiskt är.