預測分析：將數據轉化為對未來的洞察力

John Edwards 陳琳華

預測分析可幫助企業通過歷史數據和機器學習等分析技術預測未來結果。

什么是預測分析？

預測分析是這樣一類數據分析，旨在根據歷史數據和分析技術（如統計建模和機器學習）對未來結果進行預測。預測分析科學可以生成對未來的預測，預測結果具有極高的準確度。借助復雜的預測分析工具和模型，任何組織機構都可以使用過去和當前數據來可靠地預測未來幾毫秒、幾天或是幾年的趨勢和行為。

根據市場研究機構Zion Market Research在2017年發布的報告，預測分析已獲得了組織機構的廣泛支持，預計到2022年全球市場將達到約109.5億美元，2016年至2022年期間將以約21%的復合年增長率（CAGR）增長。

預測分析是如何工作的？

預測分析從各種方法和技術中汲取力量，包括大數據、數據挖掘、統計建模、機器學習和多種數學過程。組織機構可使用預測分析技術來篩選當前和歷史數據，根據所提供的參數來發現某些發展趨勢并預測特定時間可能發生的事件和情況。

為了發現風險和機遇，組織機構還可通過預測分析找到并利用數據中包含的某些模式。例如，可以通過設計模型發現各種行為因素之間的關系。這些模型能夠評估特定條件所帶來的前景或風險，并指導在各類供應鏈和采購活動中做出知情決策。

預測分析有何優點？

幾個世紀以來，人們透視未來總是為了實現三個基本目標：金錢、聲譽和能力。 預測分析并沒有真正改變人們為什么想要知道下周、下個月或明年將會發生什么的原因，它們只是能夠比以前的工具更為準確、更為可靠地透視未來。

金錢：預測分析可以幫助使用者找到省錢和賺錢的方法。零售商通常使用預測模型來預測庫存需求，管理發貨計劃和配置店面布局以實現銷售最大化。航空公司經常使用預測分析來設定反映過去旅行趨勢的機票價格。酒店、餐廳和其他旅游業的從業者可使用該技術預測任何一個晚上的客人數量，以實現入住率和營收最大化。

聲譽：任何生意都不會因默默無聞而獲得成功。通過使用預測分析來優化營銷活動，企業可以引發新的客戶響應或購買行為，并帶來交叉銷售機會。預測模型可以幫助企業吸引、留住和培養他們最有價值的客戶。

能力：預測分析可用于在任何嚴重損害發生之前發現并阻止各類犯罪行為。通過使用預測分析來研究用戶行為和活動，組織機構可以檢測到不正常的活動，包括信用卡詐騙、商業間諜活動和網絡攻擊等。

預測分析與傳統分析有何不同？

傳統分析和預測分析之間的差異簡單明了。傳統分析通常關注的是影響此時此刻的洞察力，而預測分析的目標是讓用戶能夠洞察到近期和長遠的未來，從而能夠精確指出可能的趨勢和即將發生的行為。

企業應如何使用預測分析？

剛開始使用預測分析并非一件易事，但是只要堅持正確的方法，愿意為項目的啟動投入必要的時間和資金，幾乎所有的企業都可以熟練掌握它們。在關鍵業務領域內啟動一個小規模的試點項目，這樣可以很好地控制啟動成本，同時可以最大限度地縮短產生經濟回報前的空檔期。一旦模型投入使用，它們通常很少需要維護，并且可持續多年帶來可付諸行動的預測結果。

預測分析實例

如今，企業幾乎可通過無數種方式使用預測分析。該技術可以為金融、醫療保健、零售、酒店、制藥、汽車、航空航天和制造等領域的使用者提供幫助。

以下是企業使用預測分析的幾個實例：

● 航空航天領域：預測特定維護操作對飛機可靠性、燃料使用、可用性和正常運行時間的影響。

● 汽車領域：將零部件堅固性和故障記錄整合到未來的汽車制造計劃中。研究駕駛員行為以開發出更好的駕駛員輔助技術，并最終研發出自動駕駛汽車。

● 能源領域：預測長期價格和需求率。確定天氣事件、設備故障、法規和其他變數對服務成本的影響。

● 金融服務領域：開發信用風險模型。預測金融市場趨勢。預測新政策和法律法規對企業和市場的影響。

● 制造領域：預測機器故障的位置和發生率。根據預測的未來需求來優化原材料交付。

● 執法領域：利用犯罪趨勢數據，確定一年中特定時間段內可能需要增加額外保護措施的社區。

● 零售領域：實時跟蹤在線客戶，確定提供更多的產品信息或激勵措施是否會增加完成交易的可能性。

預測分析工具

預測分析工具可為用戶提供對各種商業活動的深刻且實時的洞察力。根據對一段時間內收集的數據進行分析和預測，這些工具可用于預測各種類型的行為和模式，例如如何在特定時間分配資源，何時補充庫存或是啟動營銷活動的最佳時機。

實際上，所有的預測分析技術使用者都會使用由一家或多家外部開發商提供的工具。許多此類工具都是為滿足特定企業和部門的需求而量身定制的。目前主要的預測分析軟件和服務提供商包括：

·Acxiom

·IBM

·Information Builders

·微軟

·SAP

·SAS軟件研究所

·Tableau Software

·天睿公司

·TIBCO Software

預測分析模型

模型是預測分析的基礎——這些模型可讓用戶將過去和當前數據轉化為具有可行動性的洞察力，并產生積極的長期結果。一些典型的預測模型包括：

● 客戶終身價值模型：準確定位那些最有可能對產品和服務進行更多投資的客戶。

● 客戶細分模型：根據相似特征和購買行為對客戶進行分組。

● 預測性維護模型：預測重要設備發生故障的機率。

● 質量保證模型：在向客戶提供產品或服務時，發現并防止缺陷以避免令客戶失望和產生額外成本。

預測建模技術

模型使用者可以使用幾乎所有的預測建模技術。許多方法都是特別針對特定的產品和服務的，但通用技術的核心，如決策樹、回歸，甚至是神經網絡，如今都已廣泛地被用于支持各種預測分析平臺。

作為最流行的技術之一，決策樹依賴于可確定行動方案或顯示統計概率的示意性的樹狀圖。分支方法還可以顯示某個特定決策所可能產生的所有結果，以及每種選擇將可能導致什么樣的后續結果。

回歸技術常用于銀行、投資和其他面向金融的模型。該技術可幫助用戶預測資產價值并理解變量之間的關系，如商品和股票價格。

預測分析技術的最前沿技術是神經網絡，該算法旨在通過模仿人類大腦功能，識別出數據集內的潛在關系。

預測分析算法

預測分析使用者可輕松地使用各種針對預測分析模型的統計、數據挖掘與機器學習算法。算法通常被用于解決具體業務問題或系列問題，強化現有算法或提供某種獨特的功能。

例如，聚類算法非常適合客戶細分、社區發現和其他與社交相關的任務。為了提高留住客戶的能力或開發推薦系統，通常的做法是使用分類算法。為了創建信用評分系統或預測時間驅動事件的結果，通常會選擇回歸算法。

醫療領域內的預測分析

醫療機構已經成為了最熱衷使用預測分析的組織機構，原因很簡單：該技術可幫助他們節省資金。

醫療機構正在以多種不同方式使用預測分析，包括基于過去趨勢的設施資源智能分配，優化員工工作時間表，識別處于風險中的患者，讓其接受短期再入院治療，以及提升藥品供應采購與管理智能化水平。

據2017年精算師協會關于醫療行業預測分析趨勢的報告顯示，在使用預測分析的醫療機構中，超過半數的高管（57%）認為該技術在未來五年內將為他們節省至少15%的總預算。另有26%的人則預測至少將會節省25%。

這份研究還顯示，大多數的醫療機構高管（89%）目前就職于正在使用預測分析或計劃在未來五年內采用該技術的醫療機構中。93%的醫療機構高管表示，預測分析對他們業務的未來非常重要。

原文網址

https：//www.cio.com/article/3273114/predictive-analytics/what-is-predictive-analytics-transforming-data-into-future-insights.html