如何开展预测分析？ 这份指南拿走不谢

由于人工智能(AI)和机器学习(ML)的稳步发展，预测分析变得越来越精确，越来越富有洞察力。然而，很多企业仍然持怀疑的态度来看待预测性分析，它们认为该技术仍然过于复杂，过于混乱，并且过于昂贵而无法纳入常规使用。

虽然怀疑者可以坚定自己的信念，但他们往往不能意识到的一件事是，预测分析从小规模开始应用效果最佳(至少一开始是这样的)。Civis Analytics(这是一家由Dan Wagner于2013年创立，由Eric Schmidt提供赞助的数据科学软件和咨询公司，Dan Wagner为奥巴马2012年连任活动的首席分析官)的应用数据科学主管Ellen Houston解释道：“开始使用预测分析与学习游泳非常相似”。她打趣道：“如果你直接潜入深处，你可能不会有多大进展。”

预测分析平台提供商Logi Analytics的预测性分析高级总监SriramParthasarathy表示，怀疑者可以通过这种方式来涉足预测分析——使用技术来寻找单个预测分析问题的答案，使用现有的历史数据。他说：“一旦你开始展示能回答这个问题的投资回报率，你最终可以添加更多的数据来改进模型，并将新的洞察纳入业务工作流程的其它部分。这些举措的成功将为你的企业提供差异化十足的应用程序，并将带来更多收入。”

以下是关于如何在你的组织从头开始进行预测性分析的指南

组建你的预测性分析团队

大多数严于使用预测性分析的企业都组建了一个跨职能的计划团队，以发现潜在的机会并制定有针对性的战略。LexisNexis Risk Solutions的临床分析与创新高级总监Anton Berisha表示，获得领导层的支持是必不可少的。“然后组建一个小而强的预测建模团队，并从那里开始加强建设。”

团队成员应该包括：

• 预测建模专家
• 内容专家，最好有一些分析经验
• 数据和数据库分析师

成功的预测分析规划团队通常由定量从业人员和有关的利益相关者之间的合作伙伴组成，全国有名的律师事务所Jackson Lewis的负责人兼数据分析团队主管Eric Felsberg这样说道。“这使得具有学科知识的人员能够与分析专业人员密切合作，开发在量化方面非常强大的工具，方法和解决方案，并且由具有相关经验的人员告知，以解决相关业务挑战。”

国际管理咨询公司Katabat的首席技术官Ye Zhang认为，预测分析不仅仅是处理数据，明白这一点很重要。

他说：“相反，你的需求无非是将数据提炼成可产生增量收入的可操作策略。为此，整个组织的认知和参与始终是重中之重。”

定义业务问题并找到合适的工具

分析软件提供商Teradata的数据科学家NachumShacham指出，团队必须始终清楚地了解预测性分析所要解决的业务问题。

要考虑的关键问题包括：

• 问题是否根据业务流程和目标进行了准确定义?
• 预测性分析的影响是否可以量化，包括预期收益和成本?
• 预测误差有哪些风险(即误报和漏报)?
• 预测偏差可能引发的法律风险和责任是什么?

随着人们对各种预测分析应用程序和模型的观察和审查，团队成员应该记住，他们没有必要重新发明轮子。Zhang认为：“你应该考虑从你的行业获得现有的工具/模型/供应商，并尽快验证你的投资回报率模型”。预测分析中的核心技术功能非常有价值，但获取成本也非常高昂。他指出：“首先利用现有技术构建验证投资回报率的概念验证，然后确定你构建的预测分析栈是否值得保留在内部，这种做法没什么不妥。”

建立内部功能

虽然预测分析应用程序和模型供应商日益趋向利基市场，但如果内部连一个知道如何修改和调整应用程序和模型以满足特定的业务预测需求的专业人员都没有，那么严肃的倡议仍然很难发起。

技术咨询和管理公司Amalgam Insights的创始人兼首席执行官Hyoun Park指出，预测分析专业人士背景各异，包括计算生物学家和化学家、天体物理学家、数学家、计算机科学专业人士、量化社会科学家，当然还有受过学术训练的统计学家。他说：“重点是寻找能解决问题并挖掘数据的分析师，而不是只会捣腾数字的人。”

现有员工往往非常适合预测性分析方面的培训，因为大多数员工已经熟悉企业目标和实践。管理层可以采取多种培训方式，包括内部课程、外部教育课程或在线课程。Shacham说：“预测分析培训要考虑的一个特殊因素是验证受训人员在培训后具备履行职责所需的工具和应用程序。”

与部门和最终用户互动

很多企业都拥有一个独立的数据科学业务部门，该部门负责收购、开发、定制和实施预测分析应用程序、模型和工具。Felsberg指出：“然而，数据科学团队与IT部门紧密合作来实施所需的计算基础设施，以便他们能够向利益相关者提供分析和工具，这种做法并不罕见。”

在某些情况下，由利益相关部门管理的第三方供应商几乎承担了所有分析操作的责任。Felsberg说：“什么部门应该对预测分析操作负责取决于操作的规模以及分析和预测方法如何影响业务的长期愿景。”

尽管开发、配置和自定义预测分析工具可能非常难，但用起来并不难。Felsberg说：“针对商业利益相关者的预测工具实际上很容易使用”。困难在于如何确保对分析结果的准确解释。他认为，提供给最终用户的所有培训都应着重帮助个人做出准确的解释，从而使结果得到高效使用并且风险处在可控范围内。

然而，培训的必要性已经打折扣了。为游戏、彩票和体育博彩业的客户提供建议的软件咨询公司Intelligencia的总经理Andrew Pearson指出：“当今的很多预测分析工具和一个非常友好的GUI界面中的下拉式功能没什么两样，因此，通过这些工具对员工进行培训变得越来越容易”。他表示：“我在缺乏基本员工教育的亚洲国家和行业中工作，但其中有些工具是那些没有分析方面的学位和几乎没有受过高中教育的人也能接触到的。”

避开陷阱

刚开始进行预测分析的企业往往会掉入同样的陷阱。Parthasarathy指出，过时、不准确和格式不正确的数据是新用户面临的最常见的障碍。他解释说：“如果你把脏数据(dirty data)放进应用程序，你就会得到不准确的洞察。数据准备度(data readiness)是准备预测分析的重要组成部分，同时，确保你收集的数据点最适合于解决你要回答的业务问题。”

如果启动预测分析计划只是为了证明企业是“先进的”或“超前的”，这往往会导致高昂的成本和低下的效率。Felsberg建议：“为了成功利用预测工具，人们首先应该有一个具体的业务难题，然后查看数据是否可用。”

组织面临的另一个常见难题是设法与能用这些信息做出更好的业务决策的同事高效地分享预测性洞察。Parthasarathy警告说：“你可以通过预测分析收集所有这些深入的洞察，但是如果合适的人没有以可操作的方式接收这些信息，你的努力将毫无结果。确保预测信息与合适的人员共享的最佳方法是将这些洞察结合到人们在工作流环境中每天都使用的应用程序中。”

很多组织也没有意识到预测分析需要持续的再投资。应用程序和模型必须定期重新考察和更新，否则它们会过时。Zhang说：“你必须不断调整预测模型，以适应当前的商业条件。这绝不是一次性投资。”

很多企业也不完全了解预测分析能为组织带来的全局观。Pearson说：“事实上，预测分析可以为整个客户旅程注入新的活力，从客户获取到客户智能，再到客户体验，以及潜在的客户流失。客户旅程信息馈送到劳动力管理，供应链管理以及其它各个部门。”

最终启发

Pearson认为人工智能、机器学习和深度学习领域为预测分析创造了绝佳的机会。他解释说：“Hadoop数据湖泊和很多开源工具让公司能够实施比短短几年前便宜得多的分析工具，现在是进入这个行业的绝佳时间”。