Klockan elva på tisdag har en filial fått 18 order. Är det ovanligt? Filialchefen behöver veta vad som brukar ha kommit in vid just den tiden och om dagens order är inlästa. En jämförelse med hela gårdagen säger ganska lite.
Avvikelseanalys i BI kan fånga bortfall i till exempel orderflöde, bokningar eller produktion medan någon fortfarande kan göra något åt dem. Börja med beslutet. Vem skulle ringa filialen, vad skulle de kontrollera och hur sent på dagen är den informationen fortfarande användbar?
Välj mellan en fast gräns och ett förväntat intervall
Har ni lovat att behandla en order inom två timmar är tiden en given gräns. Bygg en regel. Om frågan i stället är varför just den här filialen har så få order i dag kan en modell förvänta sig olika antal för en tisdag och en lördag. Pröva först en enkel jämförelse med liknande dagar och se om en mer avancerad modell hittar något som den enkla jämförelsen missar.
| Observation | Kontroll | Vem behöver veta? |
|---|---|---|
| En order väntar över två timmar | Jämför orderns ålder med den avtalade gränsen. | Den som kan ta hand om kön. |
| Oväntat få order före lunch | Jämför med samma tid på liknande handelsdagar i filialen. | Filialchefen kan kontrollera besöksflöde och beställningskanaler. |
| Inga nya källposter sedan i går | Kontrollera dataöverföringen innan ni tolkar försäljningen. | Den som ansvarar för integrationen. |
Räkna fram vad som är normalt för just den filialen
Anta att filialen vid elva brukar ha 45–60 order på vanliga tisdagar och 15–25 första vardagen efter en helgdag. Dagens 18 order kan behöva undersökas i det första fallet men ligger inom det andra intervallet. Siffrorna är ett exempel. Hur brett ett användbart intervall ska vara behöver prövas mot era egna variationer.
Använd bara uppgifter som fanns vid larmtillfället. Justera för öppettider och kända kampanjer. Om filialen är ny eller har ändrat öppettider permanent kan tidigare data ge fel jämförelse. Visa då vad underlaget räcker till och använd en enklare uppföljning tills det finns fler jämförbara dagar.
Räkna även händelserna som aldrig gav ett larm
Spela upp en senare period som inte användes för att ställa in modellen. Låt en verksamhetsansvarig markera vilka händelser som verkligen krävde åtgärd, även på dagar då modellen var tyst. Använd exempelvis driftloggen som stöd. Spara sedan tidpunkten för varje larm. En korrekt signal som kommer efter stängning kan ha begränsat värde.
I ett räkneexempel kom 12 larm. Av dem gällde 8 verkliga händelser och 4 gav onödiga avbrott. Genomgången av perioden hittade totalt 10 händelser som krävde åtgärd, så 2 passerade utan larm. De två talen, 4 falsklarm och 2 missar, gör det möjligt att diskutera hur känslig övervakningen bör vara.
Vanliga frågor
Hur undviker vi att samma avvikelse ger ett nytt mejl varje timme?
Ge händelsen en identitet per mått och enhet. Låt samma öppna händelse uppdateras när nya värden kommer. Bestäm när läget räknas som återställt och vid vilken försämring någon behöver få en ny signal.
Behövs generativ AI för att hitta avvikelser?
En regel eller en statistisk modell kan ge själva signalen. En språkmodell kan formulera en läsbar kommentar utifrån de kontrollerade siffrorna. Ge mottagaren möjlighet att öppna samma underlag och granska jämförelsen.