预测分析是使用数据、统计算法以及人工智能(AI)和机器学习(ML)技术,根据历史数据确定未来结果的可能性。目标是超越了解已经发生的事情并评估将要发生的事情。
预测分析在企业中的应用越来越广泛。但是,围绕它存在一些混淆。让我们来看看它是什么,它与数据分析的其他领域有何不同,以及它在现实世界中的使用方式。
Tellius的首席执行官兼创始人AjayKhanna举了一个假期旺季库存管理的例子。通过将预测分析模型应用于特定时间段内的内部数据,零售商可以更好地了解消费者行为,例如购买模式、退货可能性和店内客流量。这种洞察力可以帮助他们预测产品需求,改善客户体验,并通过更好的员工和资源管理来降低运营成本。
“零售商可以根据过去的数据向客人提供个性化的优惠,并可靠地预测和预测未来的购买情况,”Khanna说。
01
预测分析:前瞻性
没有分析,数据只是一系列零和一。但随着分析而来的是洞察力、更好的决策和改进的结果。它将数据转化为价值。
“一般来说,如果您不是在谈论预测分析,那么您就是在谈论描述性或规范性分析,”CData高级技术传播者JerodJohnson说。“描述性分析通过数据挖掘显示已经发生的事情,帮助您识别趋势和模式。预测分析增加了建模和机器学习来预测未来可能的结果和概率。”
Exasol的首席技术官MathiasGolombek将规范分析解释为一种获取数据并将其转化为可操作的见解和决策的类别。您可以将其称为运营BI或分析,它们可以使用传统的SQL或数据科学语言脚本来实现。关键是要尽可能实时相关,并根据数据做出直接决策。
“这就是为什么大多数应用程序都是用软件代码编写并触发整个业务链的原因,”Golombek说。“一个例子是通过处理关于你的客户、产品和物流链的各种相关数据来自动优化你的电子商务商店的价格。”
预测分析,顾名思义,是前瞻性的。
Peterson说:“预测分析使用历史数据和复杂的模型来预测接下来会发生什么、最佳结果可能是什么,以及将精力和资源集中在哪里。”
例如,在营销活动中,或在银行的欺诈检测中,或在制造商的预测性维护中,微小的、增量的改进都可以带来大量的节省和增强的运营。
Golombek补充说,预测分析将AI和ML算法引入数据,使企业能够执行分析决策和预测。它主要使用Python或R等脚本语言,并应用由现有训练数据训练的统计模型。
02
为什么预测分析会增长?
可以说,预测分析始于1940年代早期的手动计算机版本。著名的创新者是在政府机构内完成的,例如艾伦图灵的Bombe机器和曼哈顿计划的蒙特卡罗模拟,以预测连锁反应期间原子的行为。当计算机在1950年代崭露头角时,研究机构能够预测天气模式和产品寿命。
那么,预测分析已经存在了几十年。但现在越来越多的组织转向它来提高他们的底线和竞争优势。为什么现在?计算能力急剧增加,分析软件更具交互性和更易于使用,云技术的普及让更多不同技术水平的人掌握了分析技术。因此,预测分析不再是定量专家、统计学家和数据科学家的专属领域。
“现在,分析师、业务线专家和一线工作人员正在应用预测分析来提高效率和效力,”彼得森说。“随着竞争的加剧和经济条件的挑战,各行各业的组织都在寻求将数据转化为更好、更快的业务决策。”
03
使用预测分析的企业
金融服务行业拥有大量数据和资金,长期以来一直采用预测分析来检测和减少欺诈、衡量和管理风险、最大化营销机会并留住客户。各种规模的银行都依赖预测分析。
即使是传统上对新技术的迟缓采用者,如制造业和政府,也正在成为预测分析的支持者。它可以帮助他们在面对经济动荡时改善运营并提高弹性。
例如:
·MackTrucks和VolvoTrucks使用人工智能和物联网分析来预测其互联车辆的维护问题。这可以防止代价高昂的故障。
·Georgia-Pacific依靠人工智能和物联网分析来优化其供应链和航运物流,提高制造设备效率并减少停机时间。
·北卡罗来纳州卡里镇使用预测和物联网分析以及来自溪流中传感器的数据来预测和减轻内陆洪水的影响。这是许多市政当局更频繁遇到的问题。
Khanna解释了基于搜索的数据智能平台如何帮助企业简化关键指标的挖掘过程。通过结合不同的数据集并通过强大的可视化和预测分析以易于使用的格式提供信息,企业可以获得前所未有的关键洞察力,而无需高级数据科学技能。
在订阅服务和客户支持领域,组织也希望了解哪些用户和客户可能会升级或可能流失。根据许多属性和标准对客户进行评分,以评估他们的客户健康状况。任何关注高价值物品维护的组织都可以构建预测模型,以了解哪些硬件和软件产品以及何时会出现故障或不合规。
04
预测分析用例
预测分析的一些常见用途包括:
检测欺诈: 结合多种分析方法可以改进模式检测并防止犯罪行为。高性能行为分析实时检查网络上的所有操作,以发现可能表明欺诈、零日漏洞和高级持续威胁的异常情况。
优化营销活动: 预测分析用于确定客户的反应或购买,以及促进交叉销售机会。
改善运营: 许多公司使用预测模型来预测库存和管理资源。
管理风险: 信用评分用于评估买家违约的可能性,是预测分析的一个众所周知的例子。信用评分是由包含所有相关数据的预测模型生成的数字。其他与风险相关的用途包括保险索赔和收款。
医疗保健:医疗保健组织利用预测分析来管理患者的护理,方法是预测患者的诊断并为医院和诊所配备适当的人员以应对未来的感染。
供应链:供应链使用预测分析来更好地管理库存并避免积压库存,并根据预测的需求和零部件的可用性调整价格。
服务台中心:预测分析有助于将模型部署到支持人员和客户之间的录音中,以提高座席绩效、缩短通话时间、收集更多客户信息并提升整体客户体验。
酒店业: 为了使容量管理更加无缝,酒店正在对特定时期内的数据应用预测模型,以便他们可以更好地预测、规划和改进客户服务,同时通过更好的员工、库存和其他资源管理来降低运营成本.
教育机构: 将预测算法部署到历史学生数据可以识别学生成绩下降的早期指标以及可能导致这种情况的周围因素。“通过结合学生过去的信息,例如通过率、出勤率、课外活动、纪律问题和其他指标,机构可以提高毕业率,”Khanna说。“此外,应用于教师、部门或地区指标的预测模型扩大了数据驱动洞察力提高教育系统绩效的可能性。”
人力资源和招聘:组织倾向于根据对求职者面试表现、工作推荐、网络和正式证书的分析来招聘,这些都是历史数据点。该过程已过时且主观。GliderAI首席执行官SatishKumar表示:“雇用不当的人的费用至少占他们工资的30%,但雇用不是最适合这份工作的人也会带来巨大的机会成本。” “人才素质预测分析才是未来;它消除了基于正式证书的招聘,重点是技能和文化契合度,同时消除了自然的招聘偏见。”
05
预测分析的未来
根据IDC的数据,在我们日益数字化的世界中,从2022年到2026年,数据量预计将增加近一倍。因此,随着预测分析传播到其他领域,上述用例可能会失去主导地位。
“各行各业的公司都将从预测分析功能和先进的数据管理工具中受益,”Golombek说。“随着我们进入新的一年,我们预计预测和规范分析的使用将有所增加,以推动持续的流程改进和数据驱动的决策制定——以及帮助公司向合适的客户销售合适的产品,并更好地促进匹配资源和更智能地识别趋势。”
Johnson相信未来是由数据驱动的,而访问数据是预测分析成功的关键。可用计算能力的增加以及人工智能和机器学习技术的进步使任何企业都可以利用预测分析——而不仅仅是历史上财力雄厚的组织和行业。
“利用实时、无代码数据连接解决方案可以让业务用户跨多个应用程序和系统构建整体分析流程,从而进一步使分析民主化,”Johnson说。
原文链接:https://www.eweek.com/big-data-and-analytics/predictive-analytics/