YDELSER

Rooftop's Predictive Analytics Model

For at kunne eksekvere dataprojekter metodisk og effektivt med valide resultater til følge 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 pilotprojekter og projektimplementeringer og tager højde for, at dataprojekter er agile. Derfor er vores udviklingsmetode i tråd med agile implementeringsmetoder som eksempelvis SAFe.

Med Rooftop's Predictive Analytics Model er I garanteret

  • Nyeste dokumenterede viden i udviklingen af empirisk model og algoritme.
  • 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 resultater, 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.

Rooftop's Predictive Analytics Model

De Predictive analytics-løsninger, der leverer de bedste resultater - forudsigelser, opnår vi ved at have en struktureret og transparent arbejdsgang i udviklingen af løsningen. Nedenfor ses de essentielle punkter i modellen.

1.

Understand
and evaluate
the assignment

  • Be clear on the ‘business pain’ which the project is supposed to resolve.
  • Review state-of-the-art research and consider theoretical aspects relevant for developing the model and building the algorithms.
  • Involve the company’s professionals and knowledge on the topic.

2.

Collect
and prepare
data

  • Collect available and relevant data based on our theoretical consideration.
  • Establish how to access data.
  • 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 performance of the model 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 data file to be integrated in the client’s existing application.
  • Deliver a user interactive graphic presentation 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 forretningsmuligheder med afsæt i data. Vi afdækker også alternative veje, som projektet potentielt kan bevæge sig i. Dette er unikt for dataprojekter, da vi på forhånd ikke kan vide med sikkerhed, om datagrundlaget er tilstrækkeligt til at kunne indfri ambitionen.

Vi samarbejder tæt med virksomhedens faglige kompetencer inden for det pågældende område. Synergien mellem fagkompetencer og en 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 løsninger tages i brug, og det er centralt at løsningen også 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.

Vi samarbejder gerne med virksomhedens øvrige leverandører, som potentielt indgår i implementering af dataprojektet.

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.