Potentialen i prediktiv analys inom affärsresor I början när det pratas mycket om någon ny teknologi kan det bland allt brus vara svårt att se dess verkliga syfte och potential. I mötesrum i hela världen pratas det varmt om big data, business intelligence, dataanalys, artificiell intelligens (AI), maskininlärning och prediktiv analys. Det är säkert inte deras avsikt att förvirra oss andra, men det är lätt att missförstå vad prediktiv analys egentligen handlar om. Prediktiv analys i förhållande till AI, maskininlärning, big data och dataanalys  Förbättringarna inom datahanteringsteknologi de senaste fem åren har lett till stora framsteg inom dataanalys och prediktiv analys. Det skrivs och talas mycket om dessa verktyg, och det är lätt hänt att man blandar ihop dem med varandra. Även om big data, maskininlärning och AI har med varandra att göra är det viktigt att göra klart att det rör sig om olika processer, med olika mål och metoder. Big data handlar om hantering och analys av stora, varierade datauppsättningar. AI-programvara analyserar data på jakt efter tidigare dolda insikter, som till exempel hur räntenivån kan påverka priset på en viss aktie. Programvara för maskininlärning kan å sin sida lära sig nya kunskaper från data. Om du till exempel visar en miljon digitala bilder på hundar och rävar för ett maskininlärningsverktyg så skulle det lära sig att se skillnad på de två arterna. Prediktiv analys innebär att analysera data för att göra förutsägelser om framtida händelser. Det rör sig vanligtvis om att utvärdera data om tidigare händelser och använda algoritmer för att hitta mönster och göra förutsägelser. Man kan säga att prediktiv analys till viss utsträckning är en specialtillämpning av big data, AI och maskininlärning. Föreställ dig till exempel att du har hand om en lastbilsflotta. Du har data om motorstopp och reparationer från en längre tidsperiod. Big data sätter samman informationen om motorreparationerna. AI hittar mönster bland motorstoppen. Maskininlärning lär verktyget att bli bättre på att detektera potentiella motorstopp. Prediktiv analys kan använda all denna information för att göra en kvalificerad gissning om när en motor kommer att drabbas av ett stopp, och varna om detta. Detta kallas prediktivt underhåll. Relevans för affärsresor  Nya trender hamnar på allas läppar i början, det säger sig självt. Det är dock viktigt att man låter fokus ligga på alla praktiska och smidiga lösningar som den nya teknologin kan erbjuda. Det är i och för sig fullt möjligt att skapa programvara som analyserar en resenärs sociala profil och på flyget sätta honom tillsammans med någon som är född i samma stjärntecken. Men vad skulle vara poängen med det? Ett mer användbart scenario skulle kunna vara att använda maskininlärning för att lära sig mer om företagets bokningsvanor, för att kunna förutsäga vilka åtgärder som krävs för att spara pengar eller för att förbättra resenärernas upplevelse. Tänk dig till exempel att du behöver göra en affärsresa till Paris. Om du letar efter hotellrekommendationer på en affärsreseplattform eller på en bokningssida för privatresor kommer du att få hundratals förslag på hotell. Du kan förstås bläddra igenom dem och titta på kartan var de ligger, och jämföra varje hotells läge i förhållande till flygplatsen eller kontoret. Men det skulle vara en ganska tidskrävande uppgift. Med hjälp av prediktiv analys har systemet lärt känna dig och kan ge dig rekommendationer på hotell i Paris där dina kollegor brukar ta in, så att du kan ta beslut baserade på tidigare val från personer som du har förtroende för. Förslagen kan sorteras efter avståndet till din mötesplats. Sedan kan förutsägelser göras om vilken tid på dagen taxiresorna till ditt kontor i Paris är som långsammast och dyrast och förslag ges för när du behöver lämna hotellet för att komma i tid till mötet. Prediktiv analys for affärsresor i små och medelstora företag   Prediktiv analys kommer snart vara norm i affärsresebranschen. Egencia har till exempel tagit fram nya sätt på vilka både stora och små organisationer kan dra nytta av detta, och det ser ut att finnas riktigt intressanta möjligheter. Större organisationer har ofta tillräckligt med egen data för att ta fram en prediktiv analys baserad på företagets tidigare resor. I små till medelstora företag blir den prediktiva analysen mer baserad på vad de närmaste kollegorna säger, eftersom mängden av egen data troligen är alltför begränsad för att man ska kunna dra några viktiga slutsatser. De här företagen kan nu dra nytta av global data och få tillgång till information baserad på likasinnade resenärer i hela världen. Föreställ dig ett litet teknologiföretag. De planerar att skicka ett antal av sina anställda till en stor mässa i Las Vegas. Om de arbetar med en affärsresebyrå som använder prediktiv analys kan de få information om hur de kan spara pengar på resor genom att boka i god tid. De kan dra nytta av historiska resmönster som finns i affärsreseplattformen för att planera en resenärsupplevelse som är så kostnadseffektiv och användarvänlig som möjligt. Utmaningar med att ta fram betydelsefull prediktiv analys för affärsresebranschen  Prediktiv analys går en ljus framtid till mötes, men det finns ett antal hinder som traditionella affärsresebyråer måste ta sig förbi för att kunna dra maximal nytta av prediktiv analys i framtiden. Hur ska man till exempel komma åt den data man behöver? Idag är den data som krävs för en effektiv prediktiv modell utspridd över många olika leverantörer och tjänster, både online och offline. En modell som Egencias, som är baserad på en enda plattform, löser detta problem eftersom all data finns samlad på samma plats. Ett annat hinder rör maskininlärning och modeller. På global nivå kan det till exempel finnas stora skillnader mellan vad kunder i olika länder anser vara en god resenärsupplevelse eller ett fördelaktigt pris. I vissa regioner handlar ett boende på lyxhotell mer om en investering i marknadsföring och försäljning än om ett reseutlägg. Någon annanstans kan lyxhotell vara strikt förbjudna enligt resepolicyn. Ett verktyg för prediktiv analys måste ta sådana nyansskillnader i beaktande och med tiden bli bättre på att lära sig vad dessa skillnader egentligen innebär. Den tuffaste utmaningen är att hitta bra användningsområden för prediktiv analys i affärsresebranschen. Egencia har kommit fram till att goda resultat bygger på att informationen får samverka – analysverktygen måste integreras med reseplattformar och resepolicyer. Prediktiv analys i framtiden   Idag arbetar affärsresebyråer som Egencia med att göra prediktiv analys till ett mervärde för affärsresenärer. Det är ett relativt nytt område som sprudlar av innovation och intressanta möjligheter. Utmaningen ligger i att finslipa tillämpningen av prediktiv analys så att den leder till besparingar och förbättrar efterlevnaden av resepolicy, samtidigt som den ger resenärerna en bättre upplevelse.