Prædiktiv AI
Forudsigelser om efterspørgsel, frafald og maskinnedbrud, praktisk, ikke kreativt.
Indhold
Prædiktiv AI bruger virksomhedens historiske data til at forudsige, hvad der sandsynligvis sker næste gang: hvilke kunder der stopper, hvor meget I sælger næste måned, eller hvornår en maskine sandsynligvis fejler. Det er ikke AI, der skaber tekst eller billeder; det er modeller, der estimerer sandsynligheder og hjælper jer med beslutninger om lager, service og salg.
Sådan virker prædiktiv AI i praksis
Prædiktiv AI samler data fra de systemer, I allerede bruger: salg i ERP, kundeadfærd i CRM, sensormålinger fra maskiner eller historiske registreringer i regneark. Modellen lærer mønstre i de data og giver et tal eller en sandsynlighed for en fremtidig hændelse, for eksempel "70% chance for frafald næste måned". Det er vigtigt: en forudsigelse er ikke en garanti, men et beslutningsunderlag. I praksis bruger I ofte en tærskel, over X procent ringer kundeservice, og kombinerer modellen med forretningsregler.
En god analogi er vejrudsigten: den siger, hvor sandsynligt det er, men du vælger stadig at tage paraplyen. Prædiktiv AI gør ikke beslutningen for dig, den gør den mere informeret.
Hvorfor prædiktiv AI er relevant for din virksomhed
Generelt skaber prædiktiv AI værdi ved at gøre beslutninger prompte og målrettet. For en handelsvirksomhed betyder det bedre genbestilling, færre udsolgte varer og færre lagre, I ikke skal binde kapital i. For en produktionsvirksomhed betyder det færre uplanlagte stop, fordi I servicerer maskiner, inden de går i stykker. Du skal spørge: hvilke beslutninger træffer vi i dag, som kunne blive hurtigere eller billigere med et sandsynlighedstal foran os? Og hvad koster det at få pålidelige data fremadrettet?
Reglen er enkel: jo bedre data, jo mere brugbar forudsigelsen. Forbered dig på at investere tid i at samle og rense data, og planlæg en proces, hvor nogen tør følge modellens anbefalinger og justere den, når virkeligheden ændrer sig.
Eksempel: Prædiktiv AI hos en dansk virksomhed
Indkøberen i en mellemstor handelsvirksomhed sad en mandag morgen midt i højsæsonen med et regneark på 12.000 linjer: fem års salgsdata, tre leverandørprislister fra 2019 til 2022, og en håndfuld PDF-ordrehistorikker. Hun ville undgå udsolgte bestsellere uden at hæve lageret markant. Efter en hurtig pilot blev data samlet, felter renset og modeller trænede på historik. Første version gav mange falske positive, for eksempel anbefalinger om at genbestille varer, der kun solgte i en enkelt kampagneperiode.
Det betød ekstra arbejde: tre uger med dataarbejde og to workshops for at finjustere reglerne, så modellen ignorerede kampagneudsving. Efter justeringen begyndte systemet at give klare genbestillingsforslag før hver måneds bestilling, markeret i indkøbsoversigten. Det viste sig nyttigt i planlægningen, men det krævede en person, der ejede processen, og tid til at rette de første fejl. Modellen var nyttig, men ikke perfekt, og den bliver ved med at kræve overvågning.
Prædiktiv AI er ikke det samme som Generativ AI
Generativ AI skaber nyt indhold: tekst, billeder eller ideer. Prædiktiv AI forudsiger sandsynligheder baseret på fortiden. Begge kan bruge de samme teknikker, men formålet er forskelligt. Vil du vide, hvem der forlader jer, bruger du prædiktiv AI; vil du have en annonce skrevet, bruger du generativ AI. Forvent forskellige leverancer: en score eller et varsel versus en færdig tekst eller et billede.
Hvad du skal være opmærksom på
Dataens kvalitet er den største risiko. Manglende eller forkerte felter giver misvisende forudsigelser. Modeller drifter over tid, når kundeadfærd eller marked ændrer sig, så planlæg overvågning og regelmæssig gen-træning. Tænk også over bias: hvis historiske data sistematisk underrepræsenterer en kundegruppe, får du skæve anbefalinger. Endelig kræver succes ejerskab i organisationen: en kontaktperson, faste processer og klare beslutningsregler for, hvordan I bruger modellens output. Prædiktiv AI kan være meget praktisk, men den er ikke en trylleformular, og den kræver arbejde for at levere værdi.
Skal I beslutte, hvor meget Prædiktiv AI må fylde hos jer, er det den slags valg, AI-rådgivning handler om.
Ofte stillede spørgsmål om Prædiktiv AI
Er prædiktiv AI det samme som generativ AI?
Nej. Prædiktiv AI estimerer sandsynligheder ud fra historiske data, fx risiko for frafald eller fremtidigt salg. Generativ AI skaber nyt indhold som tekst eller billeder.
Koster det meget at komme i gang med prædiktiv AI?
Det afhænger af dataens tilstand. Hvis jeres data er ryddelige, kan en pilot tage få uger; ellers kræver det op til flere måneder med dataforberedelse og tests. Budgetter for både tid og en ansvarlig person.
Hvad er de typiske fejl ved implementering?
De mest almindelige fejl er at overse datakvalitet, ikke teste modellen i virkelige beslutninger og undlade løbende overvågning. Resultatet er advarsler, der ikke kan bruges i praksis.
Kan vi bruge prædiktiv AI uden udviklere?
I kan starte med enkle værktøjer og et regneark, men for at få driftssikre løsninger anbefales teknisk hjælp til dataintegration, modellering og opsætning af overvågning.
AI-rådgiver og underviser, grundlægger af AI Hero i Herning. Har bygget digitalt i over 20 år og hjælper danske virksomheder med at få AI i drift. Læs mere om Brian.