预测分析

预测分析包括来自数据挖掘，预测建模和机器学习的各种统计技术，分析当前和历史事实，以预测未来或未知事件。

在企业中，预测模型开发模式的历史交易数据发现，识别风险和机遇。模型捕捉许多因素之间的关系，以允许评估与特定条件相关的风险或潜力，指导候选交易的决策。

这些技术方法的定义功能效果是预测分析为每个人（客户，员工，医疗保健患者，产品SKU，车辆，组件，机器或其他组织单位）提供预测分数（概率），以便确定，通知，或影响与大量个人相关的组织流程，例如市场营销，信用风险评估，欺诈检测，制造，医疗保健和政府运营（包括执法）。

预测分析用于精算科学， 营销，金融服务， 保险，电信，零售， 旅行， 流动， 医疗保健， 儿童保护， 药品，能力规划，社交网络和其他领域。

其中一个最着名的应用是信用评分，用于整个金融服务。评分模型处理客户的信用历史，贷款申请，客户数据等，以便按照他们按时进行未来信用支付的可能性对个人进行排序。

预测分析是一个统计领域，涉及从数据中提取信息并使用它来预测趋势和行为模式。通常，未知的未知事件在未来，但预测分析可以应用于任何类型的未知，无论是过去，现在还是将来。例如，在犯罪发生后识别嫌疑人，或发生信用卡欺诈。预测分析的核心依赖于捕获解释变量之间的关系和过去发生的预测变量，并利用它们来预测未知结果。然而，重要的是要注意，结果的准确性和可用性将在很大程度上取决于数据分析的水平和假设的质量。

预测分析通常被定义为在更详细的粒度级别进行预测，即为每个单独的组织元素生成预测分数（概率）。这与预测区分开来。例如，“预测分析 - 从经验（数据）中学习以预测个人未来行为以推动更好决策的技术。”在未来的工业系统中，预测分析的价值在于预测和防止潜在问题实现接近零的分解，并进一步整合到规范分析中以进行决策优化。此外，转换后的数据可用于闭环产品生命周期改进这是工业互联网联盟的愿景。

工具

从历史上看，使用预测分析工具 - 以及了解他们提供的结果 - 需要高级技能。但是，现代预测分析工具不再局限于IT专家。随着越来越多的组织将预测分析纳入决策流程并将其整合到运营中，他们正在创建市场向业务用户转变为信息的主要消费者。商业用户需要他们可以自己使用的工具。供应商正在通过创建消除数学复杂性的新软件来响应，提供用户友好的图形界面和/或建立快捷方式，例如，可以识别可用的数据类型并建议适当的预测模型。预测分析工具已变得足够复杂，足以呈现和分析数据问题，，以便任何精通数据的信息工作者可以利用它们来分析数据并检索有意义的有用结果。例如，现代工具使用简单的图表，图表和分数来表示可能结果的可能性。

市场上有许多工具可用于帮助执行预测分析。这些范围从那些需要非常少的用户复杂性的那些到专为从业者设计的那些。这些工具之间的区别通常在于定制级别和允许大量数据提升。