預(yù)測性分析成功的7個(gè)秘訣

John Edwards

準(zhǔn)確而又自信地預(yù)測未來。本文介紹如何借助數(shù)據(jù)預(yù)見未來所需的工具和策略。

一直以來人們很難預(yù)測未來。幸運(yùn)的是，隨著預(yù)測性分析技術(shù)的出現(xiàn)，用戶能根據(jù)歷史數(shù)據(jù)以及統(tǒng)計(jì)建模和機(jī)器學(xué)習(xí)等分析技術(shù)來預(yù)測未來的結(jié)果，這使得人們能夠得出比以前更加可靠的預(yù)測結(jié)果和趨勢。

盡管如此，與任何新興技術(shù)一樣，預(yù)測性分析也很難充分發(fā)揮其潛力。而更具挑戰(zhàn)的是，由于不成熟的開發(fā)策略或者預(yù)測性分析工具的濫用而導(dǎo)致的不準(zhǔn)確或者誤導(dǎo)性的結(jié)果可能在幾周、幾個(gè)月甚至幾年之后才會顯現(xiàn)出來。

預(yù)測性分析有可能徹底改變各種行業(yè)和企業(yè)的運(yùn)營，包括零售業(yè)、制造業(yè)、供應(yīng)鏈、網(wǎng)絡(luò)管理、金融服務(wù)和醫(yī)療保健等。人工智能網(wǎng)絡(luò)技術(shù)公司Mist Systems的首席技術(shù)官和聯(lián)合創(chuàng)始人Bob Friday預(yù)測，“深度學(xué)習(xí)和預(yù)測性人工智能分析將改變我們社會的方方面面，其程度不亞于十多年來的互聯(lián)網(wǎng)和蜂窩技術(shù)革命。”

本文的7個(gè)秘訣旨在幫助你的企業(yè)充分發(fā)揮自己預(yù)測性分析計(jì)劃的優(yōu)勢。

1、能夠獲得高質(zhì)量且易于理解的數(shù)據(jù)

預(yù)測性分析應(yīng)用需要大量的數(shù)據(jù)，依賴于通過反饋循環(huán)提供的信息來不斷改進(jìn)。全球IT解決方案和服務(wù)提供商L&T Infotech的首席數(shù)據(jù)官和分析官Soumendra Mohanty指出：“數(shù)據(jù)和預(yù)測性分析相互提供信息。”

了解流入預(yù)測性分析模型的數(shù)據(jù)類型是非常重要的。流行病學(xué)家、營養(yǎng)學(xué)家和健康經(jīng)濟(jì)學(xué)家Eric Feigl-Ding目前是哈佛陳氏公共衛(wèi)生學(xué)院的訪問學(xué)者，他提出了問題：“我們會有什么樣的數(shù)據(jù)？是像臉書和谷歌那樣每天收集的實(shí)時(shí)數(shù)據(jù)，還是難以訪問的醫(yī)療記錄所需的醫(yī)療保健數(shù)據(jù)？”為了做出準(zhǔn)確的預(yù)測，模型應(yīng)被設(shè)計(jì)成能夠處理它所獲取的特定類型的數(shù)據(jù)。

僅僅在計(jì)算資源上投入大量數(shù)據(jù)的預(yù)測性建模工作通常注定要失敗。金融數(shù)據(jù)和軟件公司FactSet負(fù)責(zé)投資組合管理和交易解決方案的副總裁兼研究總監(jiān)Henri Waelbroeck解釋說：“數(shù)據(jù)實(shí)在太多了，大部分?jǐn)?shù)據(jù)可能與具體的問題無關(guān)，但在給定的樣本中看起來可能是相關(guān)的。如果不理解產(chǎn)生數(shù)據(jù)的過程，一個(gè)基于有偏見的數(shù)據(jù)所訓(xùn)練出來的模型可能是完全錯(cuò)誤的。”

2、注意模式

SAP首席高級分析產(chǎn)品經(jīng)理Richard Mooney指出，每個(gè)人都對算法著迷，但算法的好壞取決于輸入到算法中的數(shù)據(jù)。他說：“如果沒有要找的模式，那就是徒勞的工作。大部分?jǐn)?shù)據(jù)集都有隱藏的模式。”

模式通常以兩種方式隱藏：

● 在兩列之間的關(guān)系中找到模式。例如，通過比較即將達(dá)成交易的結(jié)束日期信息與相關(guān)的電子郵件打開率數(shù)據(jù)，可以發(fā)現(xiàn)一種模式。Mooney說：“如果交易即將結(jié)束，電子郵件打開率會大幅提高，因?yàn)橘I方會有很多人閱讀合同并審查合同。”

● 觀察一個(gè)變量隨時(shí)間的變化就能夠揭示出模式。Mooney說：“在上面的例子中，知道客戶把一封郵件打開了200次，所提供的信息和知道他上周打開了175次差不多。”

3、關(guān)注能帶來較大投資回報(bào)的可管理任務(wù)

紐約理工學(xué)院（NYIT）的分析和商業(yè)智能主任Michael Urmeneta認(rèn)為，“現(xiàn)在，人們很想把機(jī)器學(xué)習(xí)算法應(yīng)用到海量數(shù)據(jù)上，以期獲得更深入的分析結(jié)果。”他說，這種方法的問題在于，它就像試圖同時(shí)治愈所有的癌癥一樣。Urmeneta解釋說，“問題太大，數(shù)據(jù)太亂——沒有足夠的資金，沒有足夠的支持。不可能贏。”

當(dāng)關(guān)注于任務(wù)時(shí)，成功的概率就大得多。Urmeneta指出，“如果有問題，我們就會去找理解錯(cuò)綜復(fù)雜問題的主題專家。我們將會有更清潔、更容易理解的數(shù)據(jù)。”

4、使用正確的方法來完成工作

好消息是，有幾乎數(shù)不盡的方法來生成準(zhǔn)確的預(yù)測性分析。然而，這也恰恰是壞消息。芝加哥大學(xué)NORC（前身為國家意見研究中心）的行為、經(jīng)濟(jì)分析和決策實(shí)踐主任Angela Fontes評論說：“每天都會出現(xiàn)熱門的新分析方法，使用新方法很容易讓人激動。然而，據(jù)我的經(jīng)驗(yàn)，最成功的項(xiàng)目是那些真正深入思考分析預(yù)期結(jié)果的項(xiàng)目，并讓這些項(xiàng)目指導(dǎo)他們的選擇方法——即使最合適的方法并非最吸引人、最新的方法。”

Rochester理工學(xué)院計(jì)算機(jī)工程系主任、副教授Shanchieh Jay Yang建議，“用戶必須謹(jǐn)慎地選擇能滿足自己需求的合適的方法。”Yang說：“應(yīng)該擁有一種有效而且可以解釋的技術(shù)，利用時(shí)序數(shù)據(jù)的統(tǒng)計(jì)特性，并將其推廣應(yīng)用到最有可能的未來。”

5、建立具有精確定義目標(biāo)的模型

這似乎是顯而易見的，但很多預(yù)測性分析項(xiàng)目開始的目標(biāo)是建立一個(gè)宏偉的模型，但沒有明確的計(jì)劃來指導(dǎo)最終怎樣使用它。CCC信息服務(wù)公司是一家面向汽車、保險(xiǎn)和修車行業(yè)的SaaS提供商，其產(chǎn)品管理高級副總裁Jason Verlen評論說：“有很多很棒但卻從來沒用過的模型，因?yàn)闆]有人知道怎樣使用這些信息來實(shí)現(xiàn)或者創(chuàng)造價(jià)值。”

Fontes對此表示同意。她解釋道，“使用合適的工具確實(shí)可以確保我們從分析中得到預(yù)期的結(jié)果，因?yàn)檫@迫使我們必須明確我們的目標(biāo)。如果我們不清楚分析的目標(biāo)，我們可能會想盡一切辦法去解決問題，但是永遠(yuǎn)也得不到我們想要的東西。”

6、IT與相關(guān)業(yè)務(wù)部門建立緊密合作關(guān)系

非常有必要在業(yè)務(wù)部門和技術(shù)部門之間建立穩(wěn)固的合作伙伴關(guān)系。客戶體驗(yàn)技術(shù)提供商Genesys公司的人工智能產(chǎn)品管理副總裁Paul Lasserre說：“你應(yīng)該知道新技術(shù)怎樣應(yīng)對業(yè)務(wù)挑戰(zhàn)或者改進(jìn)現(xiàn)有的業(yè)務(wù)環(huán)境。”然后，一旦設(shè)置了目標(biāo)，就在一定范圍的應(yīng)用程序中測試模型，以確定解決方案是否真正能帶來價(jià)值。

7、不要被設(shè)計(jì)不當(dāng)?shù)哪Ｐ退`導(dǎo)

模型是由人設(shè)計(jì)的，因此，往往潛藏著缺陷。一個(gè)錯(cuò)誤的模型，或者使用不正確/選擇不當(dāng)?shù)臄?shù)據(jù)所建立的模型，很容易產(chǎn)生誤導(dǎo)，在極端情況下，甚至產(chǎn)生完全錯(cuò)誤的預(yù)測。

例如，選擇偏見問題，如果隨機(jī)化做的不好，可能會混淆預(yù)測。再比如，在一項(xiàng)假設(shè)的減肥研究中，可能有50%的參與者選擇退出后續(xù)的體重測量。而退出的個(gè)體與留下的個(gè)體相比，其體重變化曲線是不同的。這使得分析變得復(fù)雜，因?yàn)樵谶@樣的研究中，那些堅(jiān)持參加項(xiàng)目的人通常是真正能減肥的人。另一方面，退出的通常是那些很少或者根本沒有減肥經(jīng)歷的人。Feigl-Ding報(bào)告稱，因此，雖然從整體上看減肥是有因果的，可預(yù)測的，但是在一個(gè)有50%退出率的有限數(shù)據(jù)庫中，實(shí)際的最終結(jié)果可能被隱藏了。

總結(jié)

商業(yè)智能和分析軟件開發(fā)商GoodData的數(shù)據(jù)科學(xué)高級主管Arvin Hsu評論說：“企業(yè)正在經(jīng)歷成長的痛苦，認(rèn)識到預(yù)測性分析并不是那么容易涉足。然而，強(qiáng)大的預(yù)測性分析對業(yè)務(wù)效率、收入和產(chǎn)品性能的影響，完全值得我們花費(fèi)時(shí)間、精力和資源來確保成功。”