预测分析和预测人工智能可以帮助您的组织基于历史数据和分析技术预测结果。

来源：Maxim Hopman / Unsplash

预测分析的定义

预测分析是一种高级数据分析类别，旨在基于历史数据和分析技术（如统计建模、数据挖掘和机器学习（ML））对未来结果进行预测。许多组织开始利用预测人工智能来加速和自动化统计数据分析。预测分析的科学可以高精度地生成未来洞察。借助复杂的预测分析工具和模型，任何组织现在都可以使用过去和当前的数据来可靠地预测未来毫秒、天或年的趋势和行为。 预测分析已获得广泛组织的支持，根据《财富商业洞察》的数据，2024年全球市场规模超过180亿美元。该报告预测，到2032年，市场将达到950亿美元以上，从2024年到2032年的复合年增长率（CAGR）约为23%。

一、预测分析与预测人工智能

组织越来越多地转向预测人工智能而非预测分析，以预测未来结果、因果关系和风险敞口等。虽然预测分析经常使用人工智能工具，但它是由人类驱动的，他们查询数据、识别趋势和测试假设。预测人工智能是自主的，分析数千个因素和多年的数据，可用于预测客户流失、供应链中断和机械故障等。机器学习使预测人工智能能够随着时间的推移提高其预测准确性。

二、预测人工智能与生成式人工智能

预测人工智能预测未来的事件和结果，而生成式人工智能则创建新内容。预测人工智能结合使用统计分析和机器学习算法来揭示历史数据中的洞察，并预测即将发生的事件、结果或趋势，并且通常使用比生成式人工智能更小、更具针对性的数据集。

另一方面，生成式人工智能通过基于从现有内容中学习的模式创建内容（音频、图像、软件代码、文本、视频）来响应提示或请求。生成式人工智能可用于进行对话、回答问题、编写故事、生成源代码以及创建图像和视频。大多数生成式人工智能都从称为基础模型的深度学习模型开始——通常是大型语言模型（LLM）或小型语言模型（SLM），以学习如何生成统计上可能的输出。 组织利用预测人工智能进行财务预测、欺诈检测和供应链管理等。生成式人工智能用例包括用于客户服务的聊天机器人和虚拟代理、为营销和广告创建有针对性的广告和销售文案以及为软件开发生成代码。

三、商业中的预测分析

预测分析利用了许多方法和技术，包括大数据、数据挖掘、统计建模、机器学习和各种数学过程。组织使用预测分析来筛选当前和历史数据，以检测趋势，并预测应在特定时间根据提供的参数发生的事件和条件。 通过预测分析，组织可以发现和利用数据中包含的模式，以便检测风险和机遇。例如，可以设计模型来发现各种行为因素之间的关系。此类模型能够评估特定条件集所带来的希望或风险，从而指导供应链和采购事件各个类别中的明智决策。

四、预测分析的优势

预测分析使展望未来比以前的工具更加准确和可靠。因此，它可以帮助采用者找到节省和赚钱的方法。零售商经常使用预测模型来预测库存需求、管理运输计划和配置商店布局以最大化销售额。航空公司经常使用预测分析来设定反映过去旅行趋势的机票价格。酒店、餐馆和其他酒店业参与者可以使用该技术来预测任何给定夜晚的客人数量，以最大化入住率和收入。

通过使用预测分析优化营销活动，组织还可以产生新的客户响应或购买，并促进交叉销售机会。预测模型可以帮助企业吸引、保留和培养最有价值的客户。

预测分析还可用于检测和阻止各种类型的犯罪行为，以防止造成任何严重损害。通过使用预测分析研究用户行为和操作，组织可以检测异常活动，范围从信用卡欺诈到企业间谍活动再到网络攻击。

五、预测分析的挑战

启动和维护预测分析实践或预测人工智能并非易事。以下是组织必须考虑的一些挑战，根据人工智能知识管理专家Shelf的说法：

• 数据质量和数量：数据的质量和数量是预测准确性的关键。数据不足或质量差会导致不良结果。

• 模型复杂性和可解释性：许多人工智能模型复杂且不透明。除非它们在构建时考虑了透明度，否则很难理解它们如何得出某些预测。

• 道德、隐私和监管问题：预测模型可能存在道德影响，尤其是在隐私和偏见方面。它们还必须遵守所有相关法规。一个失误可能导致信任丧失。

• 集成和实施：将预测分析集成到现有系统和工作流程中需要谨慎和思考，将预测人工智能与依赖于遗留系统的IT基础设施集成可能很困难。

• 技能差距：具有预测分析和预测人工智能技能的专业人员需求量很大，但很难吸引和留住他们。

六、可解释性和透明度的重要性

可解释人工智能（XAI）是一组方法和技术，允许用户了解人工智能模型如何以及为何做出特定决策，通常被认为是预测人工智能的重要组成部分。人工智能算法的复杂性意味着，除非算法设计为可解释性，否则可能很难甚至不可能确定算法如何或为何得出结论。可解释人工智能（XAI）的优势包括：

• 透明度：用户可以了解影响预测的因素。

• 信任：了解算法如何做出决策可以提高用户和利益相关者的信任。

• 偏差缓解：了解模型中的潜在偏差意味着可以调整它们以考虑这些偏差。

• 监管合规性：金融等高度监管的行业要求自动决策具有可解释性和可审计性。

七、预测分析用例

当今的组织以几乎无穷无尽的方式使用预测分析和预测人工智能。该技术可以帮助航空航天、汽车、能源、金融服务、制造业、执法、零售等各行各业的采用者。

以下是组织使用预测分析的几种方式：

• 航空航天：预测特定维护操作对飞机可靠性、燃油使用、可用性和正常运行时间的影响。

• 汽车：将组件坚固性和故障记录纳入即将到来的车辆制造计划中。研究驾驶员行为，以开发更好的驾驶员辅助技术，并最终开发自动驾驶汽车。

• 能源：预测长期价格和需求比率。确定天气事件、设备故障、法规和其他变量对服务成本的影响。

• 金融服务：开发信用风险模型。预测金融市场趋势。预测新政策、法律和法规对企业和市场的影响。实施自主欺诈检测。

• 制造业：预测机器故障的位置和速率。根据预测的未来需求优化原材料交付。使用供应链管理来优化物流和运营、生产计划、资源分配和工作负载调度。

• 执法：使用犯罪趋势数据来定义可能需要在一年中某些时间加强保护的社区。

• 零售：实时跟踪在线客户，以确定提供额外的产品信息或激励措施是否会增加完成交易的可能性。预测库存管理的销售和需求。分析客户行为数据以创建个性化推荐。

八、预测分析示例

各行各业的组织都利用预测分析来提高服务效率、优化维护、发现潜在威胁，甚至挽救生命。以下是三个示例：

• 劳斯莱斯优化维护计划并减少碳足迹

• 世界最大的飞机发动机制造商之一劳斯莱斯已部署预测分析，以帮助大幅减少其发动机产生的碳排放量，同时优化维护，以帮助客户保持飞机在空中飞行更长时间。

• DC Water降低水损失

• 哥伦比亚特区水务和污水处理局（DC Water）正在使用预测分析来降低其系统中的水损失。其旗舰工具Pipe Sleuth使用先进的深度学习神经网络模型对小直径污水管道进行图像分析、对其进行分类，然后创建状况评估报告。

• 百事可乐利用预测分析解决供应链问题

• 百事可乐正在通过预测分析转变其电子商务销售和现场销售团队，以帮助其了解零售商何时即将缺货。该公司创建了销售智能平台，该平台将零售商数据与百事可乐的供应链数据相结合，以预测缺货并提醒用户重新订购。

九、预测分析工具

预测分析工具为用户提供对几乎无穷无尽的业务活动的深入实时洞察。工具可用于预测各种类型的行为和模式，例如如何在特定时间分配资源、何时补充库存或找到发起营销活动的最佳时机，并基于对一段时间内收集的数据的分析进行预测。一些顶级预测分析软件平台和解决方案包括：

• Altair AI Studio

• Alteryx AI Enterprise Analytics平台

• Amazon SageMaker

• Dataiku

• Google Vertex AI平台

• H20 Driverless AI

• IBM Watson Studio

• KNIME

• Microsoft Azure Machine Learning

• SAP Analytics Cloud

• SAS（SAS for Machine Learning and Deep Learning、SAS Intelligent Decisioning、SAS Viya）

• TIBCO

十、预测分析模型

模型是预测分析的基础——这些模板允许用户将过去和当前的数据转化为可操作的洞察，从而产生积极的长期结果。一些典型的预测模型类型包括：

• 客户终身价值模型：准确找出最有可能在产品和服务上投入更多资金的客户。

• 客户细分模型：根据相似的特征和购买行为对客户进行分组。

• 预测性维护模型：预测重要设备发生故障的可能性。

• 质量保证模型：发现并预防缺陷，以避免在向客户提供产品或服务时出现失望和额外成本。

十一、预测建模技术

模型用户可以使用几乎无穷无尽的预测建模技术。许多方法都是特定于特定产品和服务的，但决策树、回归甚至神经网络等通用技术的核心现在已在各种预测分析平台中得到广泛支持。

决策树是最受欢迎的技术之一，它依赖于用于确定行动方案或显示统计概率的示意性树形图。分支方法还可以显示特定决策的每一种可能结果，以及一种选择如何导致下一种选择。 回归技术经常用于银行、投资和其他面向金融的模型。回归帮助用户预测资产价值并理解变量之间的关系，例如商品和股票价格。 预测分析技术的前沿是神经网络——通过模仿人类思维的运作方式来识别数据集中的潜在关系的算法。

十二、预测分析算法

预测分析采用者可以轻松访问各种统计、数据挖掘和机器学习算法，这些算法专为预测分析模型而设计。算法通常旨在解决特定的业务问题或一系列问题、增强现有算法或提供某种类型的独特功能。 例如，聚类算法非常适合客户细分、社区检测和其他社交相关任务。为了提高客户保留率或开发推荐系统，通常使用分类算法。通常选择回归算法来创建信用评分系统或预测许多时间驱动事件的结果。

十三、医疗保健领域的预测分析

医疗保健组织已成为最热情的预测分析采用者之一，原因很简单：该技术有助于他们节省资金。

医疗保健组织以多种方式使用预测分析，包括根据过去的趋势智能地分配设施资源、优化员工排班、识别有近期高成本再入院风险的患者，以及为药品和供应采购和管理添加智能。 医疗保健联盟凯撒永久医疗集团（Kaiser Permanente）使用预测分析创建了一种医院工作流程工具，用于识别可能在未来12小时内迅速恶化的非重症监护病房（ICU）患者。NorthShore University HealthSystem已在其患者的电子病历（EMR）中嵌入了一个预测分析工具，该工具可帮助其识别哪些胸痛患者应入院观察，哪些患者可以送回家。

十四、组织应如何开始使用预测分析？

虽然开始使用预测分析并非易事，但只要人们对该方法保持承诺并愿意投入必要的时间和资金来推动项目进展，几乎任何企业都可以处理这项任务。从关键业务领域的有限规模试点项目开始，是在最大限度地降低启动成本的同时，最大限度地缩短财务回报开始的时间的好方法。一旦模型投入使用，它通常只需要很少的维护，因为它会继续多年产生可操作的洞察。

十五、预测分析最佳实践

以下是开始使用预测分析和预测人工智能的一些最佳实践：

• 定义您的目标和目的：要正确构建和确定预测分析和预测人工智能工作的范围，您首先需要确定您希望解决或实现的目标，然后定义具体、可衡量的结果。使您的预测分析策略与您的业务目标保持一致。确定您的业务目标并定义实现该目标的具体预测目标。

• 组建合适的团队：在您考虑软件或供应商之前，您需要一个具备混合技能的团队来实现结果，包括数据科学家、数据工程师、业务分析师和IT专家。将预测分析作为一项企业工作进行管理。

• 识别、收集和准备数据：识别与您已确定的目标相关的数据。其中一些数据可能在您的组织内部，但您可能需要寻求外部来源。您必须通过数据清理来确保数据质量，使其适合建模。

• 选择工具、平台和建模技术：根据您团队的专业知识和目标的需求，选择适当的工具、平台和预测建模技术。

• 部署和维护：预测建模不是一劳永逸的。您需要使用新数据不断重新训练您的模型，并通过实验对其进行微调。您还需要建立一个关于实际性能的反馈机制。

十六、预测分析薪资

以下是一些与预测分析相关的最受欢迎的职位，以及根据PayScale的数据，每个职位的平均薪资。

• 分析经理：75,000美元至138,000美元

• 分析总监：90,000美元至189,000美元

• IT业务分析师：55,000美元至108,000美元

• 首席数据科学家：131,000美元至306,000美元

• 数据分析师：49,000美元至93,000美元

• 数据科学家：72,000美元至141,000美元

• 高级业务分析师：69,000美元至123,000美元

【睿观：预测分析最佳实践强调了预测分析和预测AI的落地需要定义目标，组建团队，正确的处理数据，选择平台，和持续的部署和维护。】