克服預(yù)測性分析難題的7條建議

John Edwards著 ?Charles譯

預(yù)測性分析是一款功能強(qiáng)大的工具，但有一件事情它無法預(yù)測，那就是用戶在部署和使用該技術(shù)時(shí)遇到的問題。本文提供了一些幫助。

W. Edwards Deming是最早將統(tǒng)計(jì)技術(shù)和預(yù)測性分析應(yīng)用于業(yè)務(wù)流程的先驅(qū)人物，他很好地詮釋了這一點(diǎn)。他曾說過：“最大的問題就是人們一開始沒有意識到自己有問題?！?/p>

當(dāng)涉及到預(yù)測性分析時(shí)，“最大的問題”在規(guī)劃和早期部署階段往往并不明顯，只有當(dāng)隨著時(shí)間的推移，技術(shù)未能達(dá)到預(yù)期的結(jié)果時(shí)才會(huì)成為問題，引起關(guān)注。

邊緣設(shè)備分析軟件開發(fā)商SWIM.AI的首席技術(shù)官Simon Crosby認(rèn)為，由于糟糕的規(guī)劃和不切實(shí)際的期望，導(dǎo)致出現(xiàn)了很多常見的預(yù)測性分析難題。他解釋道：“預(yù)測性分析不是一個(gè)神奇的魔杖，對著復(fù)雜的系統(tǒng)或者組織揮一揮就能夠自動(dòng)地進(jìn)行改進(jìn)。深入了解企業(yè)所擁有的深度分析，選擇一款工具集，可以讓你能夠快速形成假設(shè)，動(dòng)態(tài)地將分析注入到數(shù)據(jù)流中，尋找相關(guān)性或者異常，也可以預(yù)測未來的表現(xiàn)。”

以下是成功的預(yù)測性分析采用者需要避免或者解決常見項(xiàng)目難題的7條建議。

1.建立并執(zhí)行正式的戰(zhàn)略

“即興發(fā)揮”絕對不是預(yù)測性分析的最佳方法，預(yù)測性分析可能是目前日常使用的最先進(jìn)、最復(fù)雜的企業(yè)技術(shù)。風(fēng)險(xiǎn)管理咨詢公司CBIZ的高級經(jīng)理Scott Moody建議：“建立預(yù)測性分析戰(zhàn)略的第一步是確定要完成的目標(biāo)和目的?！崩?，部署是否旨在增加銷售額？它能檢測到欺詐和/或識別風(fēng)險(xiǎn)區(qū)域嗎？他指出：“在制定戰(zhàn)略時(shí)，始終牢記最終目標(biāo)，將有助于把工作重點(diǎn)放在具體要實(shí)現(xiàn)的戰(zhàn)略目標(biāo)上。”

Culminate戰(zhàn)略集團(tuán)負(fù)責(zé)人Karrie Sullivan建議先進(jìn)行一次盤點(diǎn)，將來自各個(gè)業(yè)務(wù)部門的相關(guān)數(shù)據(jù)源匯集起來，以確定企業(yè)預(yù)測性分析準(zhǔn)備工作的總體狀態(tài)。她說：“注意體量、歷史、格式，以及相鄰系統(tǒng)/進(jìn)程的重疊，等等?！?/p>

最后，在關(guān)鍵業(yè)務(wù)領(lǐng)域部署預(yù)測性分析之前，先進(jìn)行一些非正式測試，以了解該技術(shù)怎樣用于預(yù)測實(shí)際的業(yè)務(wù)狀況。在市場營銷或者客戶服務(wù)等往往會(huì)產(chǎn)生大量數(shù)據(jù)的領(lǐng)域開展實(shí)驗(yàn)。Sullivan解釋道：“這一步的目標(biāo)是讓每個(gè)人都能理解預(yù)測性分析能夠干什么?！?/p>

2.保證數(shù)據(jù)質(zhì)量

富有洞察力的預(yù)測性分析需要可靠的數(shù)據(jù)。不準(zhǔn)確的數(shù)據(jù)實(shí)際上導(dǎo)致了錯(cuò)誤或者誤導(dǎo)性的結(jié)果。Moody說：“確保數(shù)據(jù)質(zhì)量的第一步是當(dāng)數(shù)據(jù)輸入系統(tǒng)時(shí)，有高效的自動(dòng)輸入控制功能。”

Moody說，當(dāng)數(shù)據(jù)質(zhì)量超出企業(yè)控制范圍時(shí)，比如從外部提供者那里獲取數(shù)據(jù)，評估數(shù)據(jù)質(zhì)量應(yīng)該是分析過程的第一步。他告誡說：“如果后期才發(fā)現(xiàn)數(shù)據(jù)的質(zhì)量問題，那么在驗(yàn)證和糾正數(shù)據(jù)質(zhì)量問題之前過度深入的分析會(huì)導(dǎo)致大量的返工?！?/p>

不過Crosby也認(rèn)為，如今的企業(yè)不必像過去幾年那樣對數(shù)據(jù)質(zhì)量過份挑剔了?！靶疫\(yùn)的是，目前不再要求數(shù)據(jù)非常清潔，甚至不需要完全理解。我們可以使用學(xué)習(xí)功能來自動(dòng)推斷‘灰色數(shù)據(jù)的情況。”Crosby指出，真正重要的是盡可能多地獲取原始數(shù)據(jù)。“所以，你需要檢測自己的系統(tǒng)，收集大量的數(shù)據(jù)。”

3.管理數(shù)據(jù)量

雖然訪問大型數(shù)據(jù)池通常是一件好事，但將大量多余的數(shù)據(jù)輸入到預(yù)測性分析工具中可能會(huì)拖累關(guān)鍵的過程，而且存在著機(jī)密數(shù)據(jù)暴露給犯罪分子的風(fēng)險(xiǎn)。Moody解釋說：“獲取太多的數(shù)據(jù)可能會(huì)給我們帶來難題，不知道怎樣利用正確的數(shù)據(jù)進(jìn)行分析。把數(shù)據(jù)清理好將有助于確保在執(zhí)行預(yù)測性分析時(shí)使用正確的數(shù)據(jù)?！?/p>

Sullivan認(rèn)為，有效而且高效地管理大量數(shù)據(jù)的訣竅在于準(zhǔn)確地理解哪些數(shù)據(jù)集可能是有用的，哪些數(shù)據(jù)集可以被安全地忽略掉。一名熟練的數(shù)據(jù)科學(xué)家最有資格做出這樣的決定。她指出：“數(shù)據(jù)科學(xué)家有時(shí)能夠發(fā)現(xiàn)被大多數(shù)人當(dāng)成干擾的數(shù)據(jù)中的價(jià)值。”

4.尊重?cái)?shù)據(jù)隱私/所有權(quán)

面對越來越多的公眾和政府審查，企業(yè)現(xiàn)在面臨的保護(hù)數(shù)據(jù)隱私和所有權(quán)的難題比之前更為棘手。預(yù)測性分析采用者也不例外。一種推薦的做法是限制文件訪問和僅使用專門用于分析的數(shù)據(jù)。Moody說：“識別個(gè)人的屏蔽字段也是尊重?cái)?shù)據(jù)隱私的有效方式。還有很多不會(huì)去識別數(shù)據(jù)的工具，這減少了對數(shù)據(jù)隱私的擔(dān)憂?！?/p>

避免侵犯隱私最簡單的方法是僅在必要的最短時(shí)間內(nèi)保留數(shù)據(jù)。Crosby解釋道：“快速丟掉那些暫時(shí)性的數(shù)據(jù)，但隨時(shí)能夠獲得高價(jià)值的豐富的深度分析結(jié)果，這就避免了原始數(shù)據(jù)隱私問題。”

5.盡可能提高可用性

當(dāng)從一開始就設(shè)計(jì)復(fù)雜模型以便生成易于理解的結(jié)果時(shí)，預(yù)測性分析技術(shù)工作的效果會(huì)最好。然而，情況往往并非如此。在現(xiàn)實(shí)中，企業(yè)通常發(fā)現(xiàn)自己要處理的結(jié)果是如此復(fù)雜和難以理解，只有數(shù)據(jù)科學(xué)家才能準(zhǔn)確地解釋它們。而另一種極端情況是，對結(jié)果的解釋非常淺薄和簡單化，以至于對各方幾乎沒有什么價(jià)值。

為能夠最大限度地提高可用性，重要的是在構(gòu)建并部署用戶界面時(shí)要考慮最終用戶的需求。醫(yī)療保健預(yù)測性分析和機(jī)器學(xué)習(xí)公司LeaTaaS的創(chuàng)始人兼首席執(zhí)行官M(fèi)ohan Giridharadas說：“雖然底層模型可能非常復(fù)雜，但用戶界面可以非常簡單?！笨梢钥纯垂雀璧木W(wǎng)頁搜索或者蘋果的iPad來尋找靈感。Giridharadas觀察到，“這些產(chǎn)品的用戶體驗(yàn)幾乎對于任何人都是友好的，但卻隱藏了這些公司產(chǎn)品難以置信的軟件和硬件復(fù)雜度?！?/p>

Adobe分析云的集團(tuán)產(chǎn)品經(jīng)理Ben Gaines指出，預(yù)測性分析是一門迭代科學(xué)。一旦模型啟動(dòng)，這一事實(shí)就變得顯而易見了。Gaines解釋說：“你將開始看到模型表現(xiàn)得有多好，能夠調(diào)整和重新校準(zhǔn)它，以獲得更準(zhǔn)確和可操作的深度分析結(jié)果。”例如，預(yù)測性模型可以幫助企業(yè)預(yù)測趨勢，包括設(shè)備間的預(yù)期流量，使用戶能夠預(yù)測每個(gè)頁面的效果，并根據(jù)預(yù)計(jì)收入來設(shè)定預(yù)算和目標(biāo)。他建議：“一旦知道了真正的效果，以及怎樣調(diào)整預(yù)算和目標(biāo)，就可以由此精確地調(diào)整模型。重要的是要明白，預(yù)測性分析程序并不能保證完全正確地運(yùn)行——錯(cuò)誤是不可避免的，但它會(huì)幫助企業(yè)更好地理解數(shù)據(jù)和模型?！?/p>

6.控制成本

在線信貸公司Marlette基金的首席決策科學(xué)官Arnold Pravinata指出，在大多數(shù)分析預(yù)算中，數(shù)據(jù)獲取和工資支出是兩個(gè)最大的項(xiàng)目。為了幫助控制數(shù)據(jù)成本，Pravinata建議定期進(jìn)行檢查，看看是否有任何資金被浪費(fèi)在無用或者低效的數(shù)據(jù)上。他說：“對于人力資源成本而言，我們通常需要看好市場走向?！?/p>

隨著數(shù)據(jù)量的增長，存儲(chǔ)成本也會(huì)迅速增加。Sullivan認(rèn)為，保持成本最好的總體方法是集中數(shù)據(jù)并應(yīng)用穩(wěn)固的治理策略。她注意到，“我相信未來幾年我們會(huì)更廣泛深入地討論預(yù)測性分析維護(hù)的自動(dòng)化，但現(xiàn)在我們?nèi)匀幻媾R很多困難?！?/p>

7.選擇合適的工具

預(yù)測性分析市場正在迅速擴(kuò)張，這意味著新的采用者將面對一系列令人眼花繚亂的平臺和工具。很少有企業(yè)擁有能夠在這些領(lǐng)域做出明智選擇的人才。在企業(yè)內(nèi)部建立這樣的技能需要時(shí)間和金錢。因此，大多數(shù)企業(yè)在開發(fā)預(yù)測性分析計(jì)劃時(shí)會(huì)尋求某種形式的外部幫助。在這樣做的時(shí)候，重要的是要密切關(guān)注所推薦的產(chǎn)品和服務(wù)，并考慮它們能否適應(yīng)企業(yè)的長期計(jì)劃。Crosby建議：“應(yīng)尋找那些不會(huì)將你限制在特定的分析算法或者學(xué)習(xí)堆棧上的解決方案。因?yàn)樗羞@些都是開源的，靈活的分析平臺應(yīng)該能夠隨著時(shí)間的推移動(dòng)態(tài)升級到更新的、更先進(jìn)的算法。”

原文網(wǎng)址

https：//www.cio.com/article/3287937/predictive-analytics/7-tips-for-overcoming-predictive-analytics-challenges.html