YDELSER

Rooftop's Predictive Analytics Model

For at kunne udvikle prædikative data analytics-løsninger med valide resultater, er det nødvendigt med en metodisk og effektiv fremgangsmåde. Til det formål, har vi udviklet Rooftop's Predictive Analytics Model. Med denne metode sikrer vi et optimalt forløb lige fra definition af opgaven til levering af resultat.

Med en veldefineret metode til at udvikle predictive analytics-løsninger opnår vi en struktureret og transparent arbejdsgang. Dette er en fordel, når mange forskellige kompetencer indgår i arbejdet. Det sikrer kvalitet i resultaterne, men også at resultaterne tilvejebringes effektivt.

Modellen anvendes både til små opgaver, pilotprojekter og projektimplementeringer og for små såvel som for store initiativer. Den tilrettelægger også en agil arbejdsgang. Derfor er vores udviklingsmetode i tråd med agile implementeringsmetoder som eksempelvis SAFe.

Med Rooftop's Predictive Analytics Model er I garanteret

  • Seneste økonomiske og statistiske viden i udviklingen af den empiriske model og algoritmer og anvendelse af seneste data science teknikker.
  • Validitetsmål på alle resultater; at vi angiver med hvilken procent algoritmen giver korrekt resultat baseret på det datagrundlag, som anvendes.
  • Indbygget kvalitetssikring og et robust grundlag for gate checks i projektet, fordi vi løbende vurderer, om vi producerer prædiktioner, som kan anvendes til det, som er tiltænkt.
  • Struktur og stringens i arbejdet, som giver transparens i projektets leverancer. Dermed opnår virksomheden løbende indsigt i resultaterne og projektets fremdrift, og det giver mulighed for at justere og sadle om, hvis resultaterne er anderledes end først forventet.

Rooftop's Predictive Analytics Model

De predictive analytics-løsninger, der leverer de bedste resultater - prædiktioner, opnår vi ved at have en struktureret og transparent arbejdsgang i udviklingen af data, modeller og algoritmer. Nedenfor ses en summarisk version af vores interaktive 5-punkts model.

1.

Understand
and evaluate
the assignment

  • Become clear on the business decisions the predictions are to support in releasing your 'business pain' or your customer's business benefits.
  • Review state-of-the-art research and consider theoretical aspects relevant for developing the model and building the algorithms.
  • Involve the company's domain experts of the topic and the business data scientists.
  • Prepare a business data science proof of concept covering what is expected to be performed to succeed in the assignment.

2.

Collect
and prepare
data

  • Collect available and relevant data based on our theoretical consideration. This often include several different data sources
  • Structure data – making them readable for analytics.
  • Clean out weaknesses in the collected data (missing periods, outliers).

3.

Develop model and algorithm

  • Explore the data to find relationships between variables which constitute the starting point of building the model.
  • Train the model on limited data.
  • Test the model's performance on test data.
  • Iteratively adjust variable selection and determine the final parameters in the model.

4.

Present
the
results

  • Present the empirical model, potentially as software code to be integrated in the client's existing solution.
  • Produce a datafile to be integrated in the client's existing application.
  • Deliver a user interactive visualization of data results.

5.

Start
making
decisions

  • Make data-driven decisions based on the developed analysis, which is to be manually performed by the employee.
  • Automate the execution of the identified data-driven decisions.

Peg og læs mere

Tæt samarbejde mellem kompetencer er et must 

En veldefineret data science-model som Rooftop's Predictive Analytics Model er ikke tilstrækkelig. Det er nødvendigt at involvere forskellige specialister. De skal skabe et effektivt samarbejde og tværgående synergier, hvis det bedste resultat skal opnås.

Vi samarbejder tæt med ledelsen, når vi analyserer forretningsidéer med afsæt i data. Vi afdækker også alternative veje, som initiativet potentielt kan bevæge sig i. Dette er unikt for data analytics-projekter, da vi på forhånd ikke kan vide med sikkerhed, om datagrundlaget er tilstrækkeligt til at kunne indfri ambitionen.

Vi samarbejder tæt med virksomhedens domænekompetencer i det pågældende område. Synergien mellem domænekompetencer og en business data scientist skaber fundamentet for løsningen. Oftest deltager flere og gerne den fungerende forandringsagent for projektet.

Vi samarbejder tæt med forandringsagenten da forretningsprocessen oftest påvirkes, når nye data analytics-løsninger tages i brug, og det er centralt at de kommer til at fungere i praksis. 

Vi samarbejder tæt med it-organisationen for at etablere interim dataudveksling til piloten, deltage i implementeringen og overlevere løsningen og relateret dokumentation. Dertil kommer indkøringsperioden af løsningen, hvor vi skal sikre, at løsningen fortsat prædikterer optimalt på de vedvarende nye data som kommer til. 

Vi samarbejder gerne med virksomhedens øvrige leverandører, som potentielt indgår i implementering af data analytics-projektet.

Simon Friis Wittrock, Rooftop Analytics

Styrken ligger i det personlige møde

Er du interesseret i at forstå, hvordan vi arbejder metodisk og sikrer topkvalitet i vores leverancer, så kontakt Simon Friis Wittrock

Book et møde

Læs mere

Rooftop Analytics tilbyder services, som er nødvendige for at kunne realisere komplekse dataprojekter.

Se et eksempel på, hvordan forventningerne til anvendelsen af data stiger over tid.