预测分析的实际结果大数据而且商业智能(BI)。当您的业务收集到数量惊人的新数据时，您该怎么办?今天的商业应用正在积累大量的新客户、市场、社会听以及实时应用、云或产品性能数据。预测分析是一种利用所有这些信息，获得切实的新见解，并在竞争中保持领先的方法。
组织以各种不同的方式使用预测分析，从预测营销和数据挖掘应用机器学习(ML)和人工智能(AI)算法来优化业务流程和发现新的统计模式。它基本上是计算机从过去的行为中学习如何更好地完成某些业务流程，并提供关于组织如何真正运行的新见解。但在我们深入了解企业和科技公司使用预测分析来节省时间和金钱，并在市场上获得优势之前，有必要谈谈预测分析到底是什么，以及它不是什么。
什么是预测分析?
预测分析不是一个非黑即白的概念，也不是现代数据库管理器的一个离散特性。它是一堆数据分析技术和统计技术的集合。核心技术是回归分析，它基于证明或推翻一个特定的假设来预测多个相关变量的相关值。根据Forrester B2B营销高级分析师Allison Snow的说法，预测分析是关于识别数据中的模式来预测概率。
负责预测营销领域的斯诺解释说:“关键是要认识到分析是关于概率的，而不是绝对的。”“与传统分析不同的是，在应用预测分析时，人们无法提前知道哪些数据是重要的。预测分析确定哪些数据可以预测你希望预测的结果。”
设想一个销售代表正在查看客户关系管理(CRM)平台上的主要资料，例如Salesforce.com(请访问Business.com上的定价网站)(在一个新窗口中打开)．假设客户会购买你的产品。其他的假设是，变量是产品成本，领导者在企业中的角色，以及公司当前的盈利能力比率。现在把这些变量代入回归方程瞧!Y我们已经有了一个预测模型，可以从这个模型中推断出一个有效的策略，向正确的客户推销和销售产品。
除了回归分析(其中的复杂性和子集你可以在这里读到更多哈佛商业评论底漆(在一个新窗口中打开))，预测分析也越来越多地使用数据挖掘和ML。数据挖掘就像它听起来的那样:你检查大型数据集来发现模式和发现新信息。ML技术正越来越有规律地成为寻找黄金数据块的筛盘和鹤嘴锄。ML创新，例如神经网络而且深度学习算法可以比传统的数据科学家或研究人员更快地处理这些非结构化数据集，并且随着算法的学习和改进，其准确性会越来越高。这是一样的IBM华生以及像谷歌这样的开源工具包TensorFlow和微软的CNTK提供相同的ML功能。
推动预测分析热潮的重大变化不仅仅是ML和人工智能的进步，还不仅仅是数据科学家在使用这些技术。BI和数据可视化工具，以及像Apache软件基金会(在一个新窗口中打开)，使得大数据分析工具比以往任何时候都更容易获得、更高效、更容易使用。ML和数据分析工具现在都是自助式的，日常业务用户都可以使用——从分析领先数据的销售人员或试图在会议室里解读市场趋势的高管，到研究常见客户痛点的客户服务代表，以及通过活动达到正确目标受众的社交媒体营销经理。这些用例只是探索预测分析正在改变业务的所有方式的冰山一角，我们将在下面讨论更多的方法。
也就是说，预测分析不像水晶球或Biff Tannen的体育年鉴回到未来2。算法和模型无法毫无疑问地告诉你的企业，它的下一个产品将是数十亿美元的赢家，或者市场即将崩溃。数据仍然是进行有根据猜测的一种手段;我们只是比以前受的教育好了很多。
分解预测分析、规定分析和描述分析
在Forrester的另一份报告中预测分析可以为您的应用程序注入“不公平的优势”(在一个新窗口中打开)’”首席分析师Mike Gualtieri指出，“‘预测分析’中的‘分析’这个词有点用词不当。预测分析不是传统分析的一个分支，如报告或统计分析。它是关于寻找预测模型，企业可以使用它来预测未来的业务结果和/或客户行为。”
简而言之，Snow解释道，术语“预测性”本质上意味着可能性高于确定性，分解了分析工具的景观，以及如何将其纳入规范分析。
“描述性分析虽然不是特别‘先进’，但只是简单地捕捉到了发生的事情，”斯诺说。“描述性或历史分析是算法可能开发的基础。这些都是简单的指标，但如果没有分析工具，往往工作量太大无法管理。
“一般来说，仪表板和报告是预测分析在当今组织中最常见的用途。这些工具通常缺乏与业务决策、流程优化、客户体验或任何其他操作的链接。换句话说，模型产生的是见解，但不是关于如何使用它们的明确指示。说明性分析是洞察力与行动相遇的地方。他们会回答这样的问题:‘我现在知道了一个结果的概率，以及我能做些什么来影响它向对我有利的方向发展，’是防止客户流失，还是增加销售的可能性。”
预测分析无处不在
作为BI领域发展在美国，预测分析正进入越来越多的业务用例中。工具，如我们的编辑选择场景桌面(访问Tableau的商店)(在一个新窗口中打开)而且Microsoft Power BI(访问Microsoft Power BI网站)(在一个新窗口中打开)具有直观的设计和可用性，以及大量的数据连接器和可视化集合，以理解企业从Amazon Elastic MapReduce (EMR)、谷歌BigQuery等源导入的大量数据Hadoop来自Cloudera、Hortonworks和MapR的发行版。这些自助服务工具并不一定具有最先进的预测分析功能，但它们使大数据变得更小，更容易分析和理解。
斯诺表示，预测分析在当今的商业中有一系列广泛的用例，从检测销售点(POS)欺诈，根据用户环境自动调整数字内容以推动转换，或为有风险的收入来源启动主动的客户服务。在B2B营销中，Snow说企业和中小企业使用预测营销的原因和他们使用任何战略、战术或技术的原因是一样的:比那些不使用预测营销的企业更好地赢得、留住和服务客户。
深入研究后，Snow发现了三类B2B营销用例，她认为它们主导了早期的预测成功，并为预测营beplay3体育app手机版销分析的更复杂使用奠定了基础。
1.预测评分:根据他们采取行动的可能性，优先考虑已知的潜在客户、线索和客户。
Snow说:“预测评分是B2B营销人员进入预测营销最常见的切入点，它为传统的优先排序增加了科学和数学的维度，这种优先排序依赖于推测、实验和迭代来得出标准和权重。”“这个用例帮助销售人员和营销人员更快地找到高效的客户，在不太可能转化的客户上花费更少的时间，并发起有针对性的交叉销售或向上销售活动。”
2.识别模型:识别和获取具有与现有客户相似属性的潜在客户。
“在这个用例中，表现出所需行为(购买、续签合同或购买额外的产品和服务)的帐户作为识别模型的基础，”Snow说。“这个用例帮助销售人员和营销人员在销售周期的早期发现有价值的前景，发现新的营销人员，优先考虑现有客户的扩展，并通过将能够合理地接受销售和营销信息的客户带到表面，推动基于客户的营销(ABM)计划。”
3.自动细分:针对个性化消息的细分线索。
“B2B市场营销人员传统上只能通过通用属性进行细分，比如行业，他们通过手工操作来做到这一点，以至于个性化只适用于高度优先级的活动，”斯诺说。“现在，用于提供预测算法的属性现在可以附加到帐户记录，以支持复杂和自动化的分割。这个用例帮助销售人员和营销人员用相关信息推动对外交流，使销售人员和潜在客户之间能够进行实质性的对话，并更智能地为内容策略提供信息。”
BI工具和Hadoop等开源框架正在将数据作为一个整体进行民主化，但除了B2B营销之外，预测分析也正在融入越来越多的基于云计算的软件平台，涵盖各行各业。以在线约会公司eHarmony为例高的职业(在一个新窗口中打开)网站和少数其他供应商在“招聘预测分析“空间。这些平台在很大程度上仍处于早期阶段，但利用数据来预测哪些求职者最适合特定的职位和公司的想法，有可能彻底改变人力资源经理招聘人才的方式。
帮助台提供者，例如Zendesk(Zendesk免费试用)(在一个新窗口中打开)也开始在帮助桌面软件中添加预测分析功能。该公司为其平台注入了预测能力通过一个名为“满意度预测”的数据驱动的早期预警系统，帮助客户服务代表发现问题区域。该功能使用ML算法处理满意度调查结果，将包括解决机票时间、客户服务响应延迟和具体机票措辞在内的变量放入回归算法中，以计算客户的预期满意度评级。
我们也看到了预测分析对工业规模和物联网(IoT)的底线产生的巨大影响。谷歌在其数据中心中使用ML算法来运行预见性维护在为其供电的服务器场上谷歌云平台(网址:谷歌Cloud)(在一个新窗口中打开)(GCP)公共云基础设施。该算法使用天气、负载和其他变量的数据来预先调整数据中心的冷却泵，并显著降低功耗。
这种预测性维护在工厂中也越来越普遍。SAP等企业科技公司提供预测性维护和服务平台(在一个新窗口中打开)利用连接物联网制造设备的传感器数据来预测机器何时面临机械问题或故障的风险。微软(Microsoft)等科技公司也在探索预测性维护航空航天应用(在一个新窗口中打开)让Cortana分析来自飞机发动机和零部件的传感器数据。
潜在的商业应用程序不胜枚举，从预测分析如何改变零售行业(在一个新窗口中打开)对金融科技初创企业使用欺诈分析和金融交易风险预测模型。我们只触及了表面，无论是不同行业可以整合这种类型的数据分析的方式，还是预测分析工具和技术将重新定义我们如何与企业协同开展业务的深度人工智能的进化．当我们逐渐接近真正绘制人工大脑的地图，可能性是无穷无尽的。
