拋開你的疑慮並獲取這樣的能力——觀察未來的業務需求和機會並對此採取行動。
預測分析正在幫醫療、零售、酒店和保險等領域邁向未來，以優化庫存、管理人員配備、加強客戶互動，設定價格並實現很多其它的創收目標。
由於人工智能(AI)和機器學習(ML)的穩步發展，預測分析變得越來越精確，越來越富有洞察力。然而，很多企業仍然持懷疑的態度來看待預測性分析，它們認為該技術仍然過於複雜，過於混亂，並且過於昂貴而無法納入常規使用。
雖然懷疑者可以堅定自己的信念，但他們往往不能意識到的一件事是，預測分析從小規模開始應用效果最佳(至少一開始是這樣的)。Civis Analytics(這是一家由Dan Wagner於2013年創立，由Eric Schmidt提供贊助的數據科學軟件和諮詢公司，Dan Wagner為奧巴馬2012年連任活動的首席分析官)的應用數據科學主管Ellen Houston解釋道：“開始使用預測分析與學習游泳非常相似”。她打趣道：“如果你直接潛入深處，你可能不會有多大進展。”
預測分析平臺提供商Logi Analytics的預測性分析高級總監SriramParthasarathy表示，懷疑者可以通過這種方式來涉足預測分析——使用技術來尋找單個預測分析問題的答案，使用現有的歷史數據。他說：“一旦你開始展示能回答這個問題的投資回報率，你最終可以添加更多的數據來改進模型，並將新的洞察納入業務工作流程的其它部分。這些舉措的成功將為你的企業提供差異化十足的應用程序，並將帶來更多收入。”
以下是關於如何在你的組織從頭開始進行預測性分析的指南
組建你的預測性分析團隊
大多數嚴於使用預測性分析的企業都組建了一個跨職能的計劃團隊，以發現潛在的機會並制定有針對性的戰略。LexisNexis Risk Solutions的臨床分析與創新高級總監Anton Berisha表示，獲得領導層的支持是必不可少的。“然後組建一個小而強的預測建模團隊，並從那裡開始加強建設。”
團隊成員應該包括：
•預測建模專家
•內容專家，最好有一些分析經驗
•數據和數據庫分析師
成功的預測分析規劃團隊通常由定量從業人員和有關的利益相關者之間的合作伙伴組成，全國有名的律師事務所Jackson Lewis的負責人兼數據分析團隊主管Eric Felsberg這樣說道。“這使得具有學科知識的人員能夠與分析專業人員密切合作，開發在量化方面非常強大的工具，方法和解決方案，並且由具有相關經驗的人員告知，以解決相關業務挑戰。”
國際管理諮詢公司Katabat的首席技術官Ye Zhang認為，預測分析不僅僅是處理數據，明白這一點很重要。
他說：“相反，你的需求無非是將數據提煉成可產生增量收入的可操作策略。為此，整個組織的認知和參與始終是重中之重。”
定義業務問題並找到合適的工具
分析軟件提供商Teradata的數據科學家NachumShacham指出，團隊必須始終清楚地瞭解預測性分析所要解決的業務問題。
要考慮的關鍵問題包括：
•問題是否根據業務流程和目標進行了準確定義?
•預測性分析的影響是否可以量化，包括預期收益和成本?
•預測誤差有哪些風險(即誤報和漏報)?
•預測偏差可能引發的法律風險和責任是什麼?
隨著人們對各種預測分析應用程序和模型的觀察和審查，團隊成員應該記住，他們沒有必要重新發明輪子。Zhang認為：“你應該考慮從你的行業獲得現有的工具/模型/供應商，並儘快驗證你的投資回報率模型”。預測分析中的核心技術功能非常有價值，但獲取成本也非常高昂。他指出：“首先利用現有技術構建驗證投資回報率的概念驗證，然後確定你構建的預測分析棧是否值得保留在內部，這種做法沒什麼不妥。”
建立內部功能
雖然預測分析應用程序和模型供應商日益趨向利基市場，但如果內部連一個知道如何修改和調整應用程序和模型以滿足特定的業務預測需求的專業人員都沒有，那麼嚴肅的倡議仍然很難發起。
技術諮詢和管理公司Amalgam Insights的創始人兼首席執行官Hyoun Park指出，預測分析專業人士背景各異，包括計算生物學家和化學家、天體物理學家、數學家、計算機科學專業人士、量化社會科學家，當然還有受過學術訓練的統計學家。他說：“重點是尋找能解決問題並挖掘數據的分析師，而不是隻會搗騰數字的人。”
現有員工往往非常適合預測性分析方面的培訓，因為大多數員工已經熟悉企業目標和實踐。管理層可以採取多種培訓方式，包括內部課程、外部教育課程或在線課程。Shacham說：“預測分析培訓要考慮的一個特殊因素是驗證受訓人員在培訓後具備履行職責所需的工具和應用程序。”
與部門和最終用戶互動
很多企業都擁有一個獨立的數據科學業務部門，該部門負責收購、開發、定製和實施預測分析應用程序、模型和工具。Felsberg指出：“然而，數據科學團隊與IT部門緊密合作來實施所需的計算基礎設施，以便他們能夠向利益相關者提供分析和工具，這種做法並不罕見。”
在某些情況下，由利益相關部門管理的第三方供應商幾乎承擔了所有分析操作的責任。Felsberg說：“什麼部門應該對預測分析操作負責取決於操作的規模以及分析和預測方法如何影響業務的長期願景。”
儘管開發、配置和自定義預測分析工具可能非常難，但用起來並不難。Felsberg說：“針對商業利益相關者的預測工具實際上很容易使用”。困難在於如何確保對分析結果的準確解釋。他認為，提供給最終用戶的所有培訓都應著重幫助個人做出準確的解釋，從而使結果得到高效使用並且風險處在可控範圍內。
然而，培訓的必要性已經打折扣了。為遊戲、彩票和體育博彩業的客戶提供建議的軟件諮詢公司Intelligencia的總經理Andrew Pearson指出：“當今的很多預測分析工具和一個非常友好的GUI界面中的下拉式功能沒什麼兩樣，因此，通過這些工具對員工進行培訓變得越來越容易”。他表示：“我在缺乏基本員工教育的亞洲國家和行業中工作，但其中有些工具是那些沒有分析方面的學位和幾乎沒有受過高中教育的人也能接觸到的。”
避開陷阱
剛開始進行預測分析的企業往往會掉入同樣的陷阱。Parthasarathy指出，過時、不準確和格式不正確的數據是新用戶面臨的最常見的障礙。他解釋說：“如果你把髒數據(dirty data)放進應用程序，你就會得到不準確的洞察。數據準備度(data readiness)是準備預測分析的重要組成部分，同時，確保你收集的數據點最適合於解決你要回答的業務問題。”
如果啟動預測分析計劃只是為了證明企業是“先進的”或“超前的”，這往往會導致高昂的成本和低下的效率。Felsberg建議：“為了成功利用預測工具，人們首先應該有一個具體的業務難題，然後查看數據是否可用。”
組織面臨的另一個常見難題是設法與能用這些信息做出更好的業務決策的同事高效地分享預測性洞察。Parthasarathy警告說：“你可以通過預測分析收集所有這些深入的洞察，但是如果合適的人沒有以可操作的方式接收這些信息，你的努力將毫無結果。確保預測信息與合適的人員共享的最佳方法是將這些洞察結合到人們在工作流環境中每天都使用的應用程序中。”
很多組織也沒有意識到預測分析需要持續的再投資。應用程序和模型必須定期重新考察和更新，否則它們會過時。Zhang說：“你必須不斷調整預測模型，以適應當前的商業條件。這絕不是一次性投資。”
很多企業也不完全瞭解預測分析能為組織帶來的全局觀。Pearson說：“事實上，預測分析可以為整個客戶旅程注入新的活力，從客戶獲取到客戶智能，再到客戶體驗，以及潛在的客戶流失。客戶旅程信息饋送到勞動力管理，供應鏈管理以及其它各個部門。”
最終啟發
Pearson認為人工智能、機器學習和深度學習領域為預測分析創造了絕佳的機會。他解釋說：“Hadoop數據湖泊和很多開源工具讓公司能夠實施比短短几年前便宜得多的分析工具，現在是進入這個行業的絕佳時間”
閱讀更多 企業網D1Net 的文章
