Hur fungerar AI-prognoser?
Många företag använder AI för att analysera kundservice och identifiera trender. Men när AI plötsligt ger ett tydligt svar, ”ändra detta så ökar FCR med 12 %”, kan det väcka lika delar förväntan som skepsis. Hur kan den vara så säker?
Svaret kan vara nedslående: AIn är inte säker. Den är beräknande. AI är dum som en hammare. Den gör bara exakt det den blivit instruerad att göra, baserat på exakt den data den har fått. Därför kan den, rätt använt, vara ett kraftfullt verktyg för dig som vill fatta datadrivna beslut.
I den här artikeln förklarar vi hur TellMeNow arbetar med olika typer av prognosmodeller. Vi visar varför mänskliga instruktioner, datakvalitet och spårbarhet till underliggande insikter är helt avgörande för att det ska fungera.
Varför prognoser ibland upplevs som magi
AI-prognoser bygger inte på intuition. De bygger på mönster i data. När rätt modell får tillgång till rätt data kan den ge överraskande precisa insikter. Men allting börjar med att du har en viktig förståels:
AI har ingen förståelse. Bara instruktioner och data. Ju bättre input – desto bättre output.
Varje insikt måste kunna spåras till en identifierad faktor eller ett kluster i datan – till exempel via PCA (Principal Component Analysis) eller användarkluster som påverkar kundvolym, AHT eller FCR.
Modellval styrs av dina data – och av dina instruktioner
Valet av modell i TellMeNow baseras på fem faktorer:
- Datatyp (tidsserie, kategorisk, numerisk etc.)
- Datakvalitet och volym
- Prognosens tidshorisont
- Kravet på tolkbarhet (förklarbarhet)
- Typ av beslut som ska fattas
Men modellen vet inte detta. Det är vi som måste formulera vad som ska uppnås. Därför lägger vi i TellMeNow stort fokus på att översätta affärsfrågor till tekniskt begripliga instruktioner och på att koppla varje prognos till en datadriven insikt som är spårbar och kan valideras.
Modelltyper vi använder
Tidsserieanalys
När kundärenden upprepas regelbundet över tid (t.ex. månad, vecka) använder vi de här modellerna:
- SARIMA / SARIMAX – Bra vid säsong och trend
- Exponential Smoothing (ETS) – Enkel och robust
- Facebook Prophet – Anpassningsbar för affärsdata
Dessa modeller används som utgångspunkt i TellMeNow enligt strategin ”fallback_to_simple_regression”: true. De kräver minst 30 datapunkter och fungerar bara om datan är tillräckligt regelbunden.
Maskininlärning
Vid komplexa samband eller många påverkansfaktorer används följande modeller:
- XGBoost / LightGBM – Effektivt vid många variabler
- Neurala nätverk (LSTM) – Långsiktiga mönster
Maskininlärningsmodeller används endast efter att enklare modeller har testats. De kräver validering via residualanalys och signifikansprövning.
Bayesianska modeller
För att visa sannolikheter i osäkra scenarier:
- BSTS (Bayesian Structural Time Series) – Scenariomodellering med osäkerhetsintervall
Alla bayesianska modeller redovisar 95 % konfidensintervall och används när affärsfrågan kräver sannolikhet snarare än punktestimat.
Hybridmodeller
- SARIMA + XGBoost – Fångar både trend och oförklarade variationer
- Ensemblemodeller – Flera modeller kombineras för högre träffsäkerhet
TellMeNow viktar komponenterna baserat på backtesting med historiska data, inte sammanlagda effekter.
Regelbaserade logikmodeller
När domänkunskap och beteenden är avgörande:
- Exempel: ”Om det är måndag efter röd dag → förväntat ökat tryck +15 %”
Sådana regler får endast användas om de baseras på observerad data och bekräftas av simuleringar med före- och eftervärden.
Så fungerar prognosarbetet i TellMeNow
Steg 1: Klassificera frågan
Ska vi förutsäga ett värde över tid eller ett tillstånd? Behövs en procentsiffra eller en sannolikhet?
Steg 2: Skapa en baslinje
Vi utgår från transparenta modeller som SARIMA eller Prophet för att identifiera grundmönster.
Steg 3: Testa avancerade modeller
Om flera faktorer samverkar testar vi ensemble eller XGBoost – men bara om datavolymen är tillräcklig och resultatet valideras med residualanalys (Durbin-Watson), prediktionsintervall och p-värde < 0.05.
Steg 4: Lägg till osäkerhetsintervall
Bayesianska metoder ger dig inte bara vad som kan hända – utan hur säkert det är.
Steg 5: Backtesting och validering
Varje modell testas mot historisk data med:
- 95 % konfidensintervall
- Residualanalys. Vill du veta vad en residualanalys är? Klicka här 🙂
- Signifikansnivåer
- Före- och eftervärden för varje rekommendation
Exempel: Prognos av kundvolym efter kampanj
- Data: 24 månaders historik, 4 prediktorer (säsong, kampanjtyp, veckodag, kontaktkanal)
- Modell: Prophet + LightGBM
- Simulerad effekt: Minskning i prognosfel med 27 % – i komponenten för återkommande ärenden
Detta är ett exempel baserat på simulerade komponenter, inte en summerad totalförbättring. TellMeNow presenterar aldrig aggregerade effekter utan uppdelade insikter.
Varför transparens är nyckeln till förtroende
Vi tror inte på AI som ett orakel. Vi tror på AI som beslutsstöd. Genom att visa vilka modeller som används och varför – och genom att validera resultaten öppet med spårbarhet till PCA och kluster – bygger vi en plattform som är både träffsäker och trovärdig.
Och framför allt: vi ser till att människan – inte maskinen – har sista ordet.
Vanliga frågor (FAQ)
Hur mycket data behövs för en prognos?
Det beror på modellen. Vissa klarar sig med 30 datapunkter, andra kräver flera års historik.
Kan jag se varför AI:n föreslår ett visst beslut?
Ja. Alla insikter är kopplade till identifierade faktorer (PCA eller kluster) och visualiseras i dashboard.
Kan jag påverka hur prognosen ska användas?
Ja, du styr vilka KPI:er som optimeras – och får se varje insikts före- och eftervärden separat.
Slutsats: AI är kraftfullt – i rätt händer
AI kan aldrig tänka själv. Den saknar kontext, förståelse och ansvar. Den kan göra exakt det du ber den om och göra det snabbt, konsekvent och datadrivet. Därför är det inte AI:n som är smart – det är vi som använder den rätt.
Med TellMeNow får du inte bara tillgång till avancerade modeller. Du får en struktur, en process och ett system där varje prognos är:
- Spårbar till PCA eller kluster
- Validerad med backtesting och residualanalys
- Redovisad med osäkerhetsintervall
- Presenterad utan summeringar – men med konkreta insiktselement
