Fysikern Niels Bohr ska ha sagt ”Det är svårt att göra prognoser, speciellt om framtiden.” Ett sätt att göra det enklare är att använda beslutsstödsverktyg.

Begreppet som används är prediktiva analyser. Det engelska ordet predictive kommer från prediction, som är synonymt med forecast, som kan översättas med prognos. Cirkeln är sluten. I praktiken handlar det om att använda flera, rätt olika metoder för att göra prognoser. Här följer beskrivningar av tre av de vanligaste.

Prognosmodeller

Används för att analysera historiska data och baserat på dem försöka lista ut vad som ska hända i framtiden. Ofta är det frågan om att försöka ta reda på hur en individ kommer att agera.

Ett enkelt exempel är att en livsmedelsaffär undersöker hur försäljningen av glass påverkas av vädret. Analysen av historiska data visar att glassförsäljningen ökar när det är varmt. Av det kan man dra slutsatsen att det gäller att fylla glasslagret om varmt väder väntas. Ironiskt nog bygger nyttan av försäljningsprognosen på att en annan prognos, väderprognosen, är korrekt.

Beskrivande modeller

Är inte på samma sätt inriktade på att försöka lista ut hur enskilda individer ska agera, utan handlar ofta om att dela in individer i grupper beroende på många olika samband mellan olika data. Sedan kan man göra prognoser beroende på vad man lyckats ta reda på om grupperna. Genom att ta reda på hur många individer som tillhör de olika grupperna kan man dra slutsatser om hur hela populationen kommer att agera.

Vad gäller grupperna talar man ibland om segment och kluster. Segment innebär att analytikern bestämmer indelningen av grupperna. Kluster innebär att man analyserar data för att upptäcka vilka grupper som finns. Ett, kanske långsökt, exempel på att identifiera kluster är att upptäcka att 37-åriga frånskilda mammor i Västerbotten agerar på ett visst sätt i en viss situation.

För kluster används ofta datautvinning, data mining, för att hitta de indentifierande egenskaperna. Med sådana metoder går det att hitta samband i stora datamängder som en människa inte kan se med blotta ögat.

Beslutsmodeller
Innebär att använda de analyser som gjorts, till exempel med prognosmodeller, för att undersöka vilken konsekvens beslut får. Ett exempel för en livsmedelsaffär är att med hjälp av prognosmodeller undersöka hur vinsten kan maximeras. Tjänar man mest pengar under sommaren genom att fylla på glasslagret eller läsklagret?

Beskrivningarna är till viss del baserade på en artikel i Wikipedia och det finns andra exempel på indelningar. Men i stort beskriver de olika angreppssätt för att analysera data.

Genom att kombinera olika modeller och lägga till tekniker som målsökning och optimering går det att dra slutsatser om hur man bör agera. Målsökning innebär enkelt uttryckt att reda på vilka värden underliggande data ska ha för att ett önskat resultat ska nås.

Så långt teorin. I praktiken, att göra jobbet, kan man konstatera en sak: Det är definitivt möjligt att skapa alla modeller och göra alla analyse r och prognoser med hjälp av Microsofts kalkylprogram Excel. Men det är inte alltid praktiskt och det är här specialiserade beslutsstödsverktyg kommer in i bilden.

Att välja verktyg och skapa tekniska arkitekturer innebär bara att se till att grundförutsättningarna för att göra prognoser finns på plats. Det svåra jobbet är att hitta bra data och göra bra modeller. Den som lyckas kan fatta bättre beslut, vilket är precis vad beslutsstöd handlar om.