预测分析，大数据以及如何使它们为您服务

预测分析是大数据和商业智能（BI）的实际结果。 当您的企业收集惊人数量的新数据时，您会怎么做？ 当今的业务应用程序遍地都是新客户，市场，社交聆听以及实时应用程序，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保持竞争优势的方法。

从预测性营销和数据挖掘到应用机器学习（ML）和人工智能（AI）算法来优化业务流程并发现新的统计模式，组织以各种不同的方式使用预测分析。 基本上，计算机是从过去的行为中学习有关如何更好地执行某些业务流程并提供有关组织实际运行方式的新见解的计算机。 但是，在我们深入研究企业和技术公司采用预测性分析以节省时间，节省资金并在其他市场上获得优势的所有有趣方式之前，重要的是要确切地讨论什么是预测性分析，什么不是预测性分析。 。

什么是预测分析？

预测分析不是黑白的概念，也不是现代数据库管理器的离散功能。 它是一堆旗帜下聚集的一堆数据分析技术和统计技术。 核心技术是回归分析，它基于证明或反证特定假设来预测多个相关变量的相关值。 Forrester B2B Marketing高级分析师Allison Snow认为，预测分析是关于识别数据模式以预测概率。

涵盖预测性营销领域的斯诺解释说：“关键是要认识到分析是关于概率而非绝对的。 “与传统分析不同，在应用预测分析时，人们不会事先知道哪些数据很重要。预测分析 确定 哪些数据可以预测您希望预测的结果。”

考虑销售代表在客户关系管理（CRM）平台（例如Salesforce.com）中查看潜在客户资料。 假设假设是，潜在客户会购买您的产品。 其他假设是变量是产品成本，业务中的领导角色以及公司当前的获利率。 现在将这些变量放到回归方程中， 瞧！ 您已经有了一个预测模型，可以从中推断出有效的策略来推销和销售产品给正确的潜在客户。

除了回归分析（您可以在《 哈佛商业评论》 入门中了解的复杂性和子集）之外，预测性分析还逐渐使用更多的数据挖掘和ML。 数据挖掘的确切含义是：您检查大型数据集以发现模式并发现新信息。 机器学习技术以更大的规律性成为寻找黄金数据块的筛锅和镐。 诸如神经网络和深度学习算法之类的ML创新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，其准确性也越来越高。 IBM Watson的工作方式与此相同，诸如Google的TensorFlow和Microsoft的CNTK之类的开源工具包也提供了ML功能。

预测分析热潮带来的重大变化不仅是机器学习和人工智能的发展，而且不仅仅是使用这些技术的数据科学家。 BI和数据可视化工具，以及像Apache Software Foundation这样的开源组织，使大数据分析工具比以往任何时候都更易于访问，更高效且更易于使用。 机器学习和数据分析工具现已成为自助服务，并由日常业务用户掌握，从我们的销售人员分析潜在客户数据或执行人员试图破译董事会的市场趋势到客户服务代表研究常见的客户痛点和社交媒体营销经理会评估关注者的人口统计数据和社会趋势，以通过广告系列吸引合适的目标受众。 这些用例只是探索预测分析改变业务的所有方式中的冰山一角，我们将在下文中探讨更多方法。

也就是说，预测分析不像《 回到未来》中 的水晶球或Biff Tannen的体育年鉴 。 算法和模型无法毫无疑问地告诉您的业务，其下一个产品将成为十亿美元的赢家或市场即将崩溃。 数据仍然是进行有根据的猜测的一种手段。 我们的教育程度比以前高得多。

分解预测性，描述性和描述性分析

首席分析师Mike Gualtieri在另一份Forrester题为“预测性分析可以为应用程序注入不公平优势”的报告中指出，“预测性分析”中的“分析”一词有点用词不当。 预测分析不是报告或统计分析等传统分析的分支。 这是关于找到可用于公司预测未来业务成果和/或客户行为的预测模型。”

简而言之，斯诺解释说，“预测性”一词固有地表示确定性的可能性，从而打破了分析工具的前景，并说明了它如何成为规定性分析的因素。

斯诺说：“描述性分析虽然不是特别先进，但只是捕获发生的事情。” “描述性或历史性分析是开发算法的基础。这些是简单的指标，但是如果没有分析工具，通常过于庞大，无法进行管理。

“通常来说，仪表板和报表是当今组织内预测分析的最常用方法。这些工具通常缺少与业务决策，流程优化，客户体验或任何其他操作的链接。换句话说，模型产生的见解并不明显。说明性分析是洞见与行动相结合的地方，他们回答了以下问题：“我现在知道可以采取何种措施对我有利的方向影响结果，”客户流失或更有可能进行销售。”

预测性分析无处不在

随着BI格局的发展，预测分析正逐渐应用于越来越多的业务用例中。 诸如我们的编辑选择Tableau Desktop和Microsoft Power BI之类的工具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工具，可以理解从Amazon Elastic MapReduce（EMR），Google等来源导入的海量数据业务来自Cloudera，Hortonworks和MapR等播放器的BigQuery和Hadoop发行版。 这些自助服务工具不一定具有最先进的预测分析功能，但是它们使大数据变得更小，更易于分析和理解。

Snow表示，当今业务中的预测分析有广泛的用例，包括检测销售点（POS）欺诈，根据用户上下文自动调整数字内容以推动转化，或为有风险的客户启动主动的客户服务。收入来源。 在B2B营销中，Snow表示，企业和SMB使用预测性营销的原因与他们使用任何策略，策略或技术的原因相同：赢得，保留和服务客户​​要比不使用它们更好。

深入研究后，Snow指出了三类B2B营销用例，她说，这些案例主导了早期的预测成功，并为更复杂地使用预测营销分析奠定了基础。

1.预测性评分： 根据已知的潜在客户，潜在客户和客户采取行动的可能性来确定优先级。

“对于B2B营销人员而言，预测性评分是B2B营销人员进入预测性营销的最常见切入点，它为传统的优先级排序增加了科学的，数学的维度，它依赖于推测，实验和迭代来得出标准和权重。” “这个用例可以帮助销售和营销人员更快地确定生产帐户，减少在转换可能性较小的帐户上花费的时间，并启动针对性的交叉销售或追加销售活动。”

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。

“在这种用例中，表现出所需行为（进行购买，续签合同或购买其他产品和服务）的帐户将用作识别模型的基础，” Snow说。 “此用例可帮助销售人员和销售人员在销售周期的早期发现有价值的潜在客户，发现新的销售人员，优先考虑现有帐户以进行扩展，并通过将表面上可以合理预期的帐户进行销售来进行基于电力帐户的营销（ABM）计划更能接受销售和营销信息。”

3.自动细分：细分潜在客户以进行个性化消息传递。

“ B2B营销人员传统上只能按照通用属性（如行业）进行细分，并且这样做是手动操作，个性化仅适用于高度优先的广告系列，” Snow说。 “现在，用于提供预测算法的属性现在可以添加到帐户记录中，以支持复杂的细分和自动细分。此用例可帮助销售人员和营销人员通过相关消息推动出站交流，实现销售与潜在客户之间的实质性对话，并告知内容策略更聪明。”

BI工具和诸如Hadoop之类的开放源代码框架正在使整个数据民主化，但除了B2B营销之外，预测分析还被烘焙到许多行业的越来越多基于云的软件平台中。 以在线约会公司eHarmony的Elevated Careers网站和“供应商预测分析”领域中的少数其他供应商为例。 这些平台仍处于起步阶段，但是使用数据来预测哪些求职者最适合特定职位和公司的想法有可能重新发明人力资源经理如何招聘人才。

Zendesk之类的帮助台提供商也已开始添加预测分析功能来帮助台软件。 该公司在其平台上赋予了预测能力，以一种名为Satisfaction Prediction的数据驱动预警系统帮助客户服务代表发现问题区域。 该功能使用ML算法来处理满意度调查结果，将包括解决票证的时间，客户服务响应等待时间和特定票证字眼的变量扔到回归算法中，以计算客户的预期满意度。

我们还看到，预测分析对工业规模和物联网（IoT）的利润产生了重大影响。 Google在其数据中心中使用ML算法，以在为其Google Cloud Platform（GCP）公共云基础架构提供支持的服务器场上运行预测性维护。 该算法使用有关天气，负载和其他变量的数据来抢先调整数据中心冷却泵并显着降低功耗。

这种预测性维护在工厂中也变得司空见惯。 SAP等企业技术公司使用连接的IoT制造设备的传感器数据提供预测性维护和服务平台，以预测机器何时有机械问题或故障的风险。 微软等科技公司也在探索航空应用程序的预测性维护，使Cortana能够分析飞机发动机和组件的传感器数据。

潜在的商业应用列表不断，从预测分析如何改变零售行业到使用欺诈分析和金融交易风险的预测模型的金融科技初创企业。 我们只是从表面上摸索，无论是不同行业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AI的发展相结合的业务的深度。 随着我们逐渐接近真正绘制人工大脑的图，无限的可能性是无限的。