你好，歡迎您來到福建信息主管(CIO)網(wǎng)! 設(shè)為首頁(yè)|加入收藏|會(huì)員中心
預(yù)測(cè)分析和預(yù)測(cè)人工智能可以幫助您的組織基于歷史數(shù)據(jù)和分析技術(shù)預(yù)測(cè)結(jié)果。
來源：Maxim Hopman / Unsplash
預(yù)測(cè)分析的定義
預(yù)測(cè)分析是一種高級(jí)數(shù)據(jù)分析類別，旨在基于歷史數(shù)據(jù)和分析技術(shù)（如統(tǒng)計(jì)建模、數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)（ML））對(duì)未來結(jié)果進(jìn)行預(yù)測(cè)。許多組織開始利用預(yù)測(cè)人工智能來加速和自動(dòng)化統(tǒng)計(jì)數(shù)據(jù)分析。預(yù)測(cè)分析的科學(xué)可以高精度地生成未來洞察。借助復(fù)雜的預(yù)測(cè)分析工具和模型，任何組織現(xiàn)在都可以使用過去和當(dāng)前的數(shù)據(jù)來可靠地預(yù)測(cè)未來毫秒、天或年的趨勢(shì)和行為。?預(yù)測(cè)分析已獲得廣泛組織的支持，根據(jù)《財(cái)富商業(yè)洞察》的數(shù)據(jù)，2024年全球市場(chǎng)規(guī)模超過180億美元。該報(bào)告預(yù)測(cè)，到2032年，市場(chǎng)將達(dá)到950億美元以上，從2024年到2032年的復(fù)合年增長(zhǎng)率（CAGR）約為23%。
一、預(yù)測(cè)分析與預(yù)測(cè)人工智能
組織越來越多地轉(zhuǎn)向預(yù)測(cè)人工智能而非預(yù)測(cè)分析，以預(yù)測(cè)未來結(jié)果、因果關(guān)系和風(fēng)險(xiǎn)敞口等。雖然預(yù)測(cè)分析經(jīng)常使用人工智能工具，但它是由人類驅(qū)動(dòng)的，他們查詢數(shù)據(jù)、識(shí)別趨勢(shì)和測(cè)試假設(shè)。預(yù)測(cè)人工智能是自主的，分析數(shù)千個(gè)因素和多年的數(shù)據(jù)，可用于預(yù)測(cè)客戶流失、供應(yīng)鏈中斷和機(jī)械故障等。機(jī)器學(xué)習(xí)使預(yù)測(cè)人工智能能夠隨著時(shí)間的推移提高其預(yù)測(cè)準(zhǔn)確性。
二、預(yù)測(cè)人工智能與生成式人工智能
預(yù)測(cè)人工智能預(yù)測(cè)未來的事件和結(jié)果，而生成式人工智能則創(chuàng)建新內(nèi)容。預(yù)測(cè)人工智能結(jié)合使用統(tǒng)計(jì)分析和機(jī)器學(xué)習(xí)算法來揭示歷史數(shù)據(jù)中的洞察，并預(yù)測(cè)即將發(fā)生的事件、結(jié)果或趨勢(shì)，并且通常使用比生成式人工智能更小、更具針對(duì)性的數(shù)據(jù)集。
另一方面，生成式人工智能通過基于從現(xiàn)有內(nèi)容中學(xué)習(xí)的模式創(chuàng)建內(nèi)容（音頻、圖像、軟件代碼、文本、視頻）來響應(yīng)提示或請(qǐng)求。生成式人工智能可用于進(jìn)行對(duì)話、回答問題、編寫故事、生成源代碼以及創(chuàng)建圖像和視頻。大多數(shù)生成式人工智能都從稱為基礎(chǔ)模型的深度學(xué)習(xí)模型開始——通常是大型語(yǔ)言模型（LLM）或小型語(yǔ)言模型（SLM），以學(xué)習(xí)如何生成統(tǒng)計(jì)上可能的輸出。?組織利用預(yù)測(cè)人工智能進(jìn)行財(cái)務(wù)預(yù)測(cè)、欺詐檢測(cè)和供應(yīng)鏈管理等。生成式人工智能用例包括用于客戶服務(wù)的聊天機(jī)器人和虛擬代理、為營(yíng)銷和廣告創(chuàng)建有針對(duì)性的廣告和銷售文案以及為軟件開發(fā)生成代碼。
三、商業(yè)中的預(yù)測(cè)分析
預(yù)測(cè)分析利用了許多方法和技術(shù)，包括大數(shù)據(jù)、數(shù)據(jù)挖掘、統(tǒng)計(jì)建模、機(jī)器學(xué)習(xí)和各種數(shù)學(xué)過程。組織使用預(yù)測(cè)分析來篩選當(dāng)前和歷史數(shù)據(jù)，以檢測(cè)趨勢(shì)，并預(yù)測(cè)應(yīng)在特定時(shí)間根據(jù)提供的參數(shù)發(fā)生的事件和條件。 通過預(yù)測(cè)分析，組織可以發(fā)現(xiàn)和利用數(shù)據(jù)中包含的模式，以便檢測(cè)風(fēng)險(xiǎn)和機(jī)遇。例如，可以設(shè)計(jì)模型來發(fā)現(xiàn)各種行為因素之間的關(guān)系。此類模型能夠評(píng)估特定條件集所帶來的希望或風(fēng)險(xiǎn)，從而指導(dǎo)供應(yīng)鏈和采購(gòu)事件各個(gè)類別中的明智決策。
四、預(yù)測(cè)分析的優(yōu)勢(shì)
預(yù)測(cè)分析使展望未來比以前的工具更加準(zhǔn)確和可靠。因此，它可以幫助采用者找到節(jié)省和賺錢的方法。零售商經(jīng)常使用預(yù)測(cè)模型來預(yù)測(cè)庫(kù)存需求、管理運(yùn)輸計(jì)劃和配置商店布局以最大化銷售額。航空公司經(jīng)常使用預(yù)測(cè)分析來設(shè)定反映過去旅行趨勢(shì)的機(jī)票價(jià)格。酒店、餐館和其他酒店業(yè)參與者可以使用該技術(shù)來預(yù)測(cè)任何給定夜晚的客人數(shù)量，以最大化入住率和收入。
通過使用預(yù)測(cè)分析優(yōu)化營(yíng)銷活動(dòng)，組織還可以產(chǎn)生新的客戶響應(yīng)或購(gòu)買，并促進(jìn)交叉銷售機(jī)會(huì)。預(yù)測(cè)模型可以幫助企業(yè)吸引、保留和培養(yǎng)最有價(jià)值的客戶。
預(yù)測(cè)分析還可用于檢測(cè)和阻止各種類型的犯罪行為，以防止造成任何嚴(yán)重?fù)p害。通過使用預(yù)測(cè)分析研究用戶行為和操作，組織可以檢測(cè)異常活動(dòng)，范圍從信用卡欺詐到企業(yè)間諜活動(dòng)再到網(wǎng)絡(luò)攻擊。
五、預(yù)測(cè)分析的挑戰(zhàn)
啟動(dòng)和維護(hù)預(yù)測(cè)分析實(shí)踐或預(yù)測(cè)人工智能并非易事。以下是組織必須考慮的一些挑戰(zhàn)，根據(jù)人工智能知識(shí)管理專家Shelf的說法：
數(shù)據(jù)質(zhì)量和數(shù)量：數(shù)據(jù)的質(zhì)量和數(shù)量是預(yù)測(cè)準(zhǔn)確性的關(guān)鍵。數(shù)據(jù)不足或質(zhì)量差會(huì)導(dǎo)致不良結(jié)果。
模型復(fù)雜性和可解釋性：許多人工智能模型復(fù)雜且不透明。除非它們?cè)跇?gòu)建時(shí)考慮了透明度，否則很難理解它們?nèi)绾蔚贸瞿承╊A(yù)測(cè)。
道德、隱私和監(jiān)管問題：預(yù)測(cè)模型可能存在道德影響，尤其是在隱私和偏見方面。它們還必須遵守所有相關(guān)法規(guī)。一個(gè)失誤可能導(dǎo)致信任喪失。
集成和實(shí)施：將預(yù)測(cè)分析集成到現(xiàn)有系統(tǒng)和工作流程中需要謹(jǐn)慎和思考，將預(yù)測(cè)人工智能與依賴于遺留系統(tǒng)的IT基礎(chǔ)設(shè)施集成可能很困難。
技能差距：具有預(yù)測(cè)分析和預(yù)測(cè)人工智能技能的專業(yè)人員需求量很大，但很難吸引和留住他們。
六、可解釋性和透明度的重要性
可解釋人工智能（XAI）是一組方法和技術(shù)，允許用戶了解人工智能模型如何以及為何做出特定決策，通常被認(rèn)為是預(yù)測(cè)人工智能的重要組成部分。人工智能算法的復(fù)雜性意味著，除非算法設(shè)計(jì)為可解釋性，否則可能很難甚至不可能確定算法如何或?yàn)楹蔚贸鼋Y(jié)論。可解釋人工智能（XAI）的優(yōu)勢(shì)包括：
透明度：用戶可以了解影響預(yù)測(cè)的因素。
信任：了解算法如何做出決策可以提高用戶和利益相關(guān)者的信任。
偏差緩解：了解模型中的潛在偏差意味著可以調(diào)整它們以考慮這些偏差。
監(jiān)管合規(guī)性：金融等高度監(jiān)管的行業(yè)要求自動(dòng)決策具有可解釋性和可審計(jì)性。
七、預(yù)測(cè)分析用例
當(dāng)今的組織以幾乎無窮無盡的方式使用預(yù)測(cè)分析和預(yù)測(cè)人工智能。該技術(shù)可以幫助航空航天、汽車、能源、金融服務(wù)、制造業(yè)、執(zhí)法、零售等各行各業(yè)的采用者。
以下是組織使用預(yù)測(cè)分析的幾種方式：
航空航天：預(yù)測(cè)特定維護(hù)操作對(duì)飛機(jī)可靠性、燃油使用、可用性和正常運(yùn)行時(shí)間的影響。
汽車：將組件堅(jiān)固性和故障記錄納入即將到來的車輛制造計(jì)劃中。研究駕駛員行為，以開發(fā)更好的駕駛員輔助技術(shù)，并最終開發(fā)自動(dòng)駕駛汽車。
能源：預(yù)測(cè)長(zhǎng)期價(jià)格和需求比率。確定天氣事件、設(shè)備故障、法規(guī)和其他變量對(duì)服務(wù)成本的影響。
金融服務(wù)：開發(fā)信用風(fēng)險(xiǎn)模型。預(yù)測(cè)金融市場(chǎng)趨勢(shì)。預(yù)測(cè)新政策、法律和法規(guī)對(duì)企業(yè)和市場(chǎng)的影響。實(shí)施自主欺詐檢測(cè)。
制造業(yè)：預(yù)測(cè)機(jī)器故障的位置和速率。根據(jù)預(yù)測(cè)的未來需求優(yōu)化原材料交付。使用供應(yīng)鏈管理來優(yōu)化物流和運(yùn)營(yíng)、生產(chǎn)計(jì)劃、資源分配和工作負(fù)載調(diào)度。
執(zhí)法：使用犯罪趨勢(shì)數(shù)據(jù)來定義可能需要在一年中某些時(shí)間加強(qiáng)保護(hù)的社區(qū)。
零售：實(shí)時(shí)跟蹤在線客戶，以確定提供額外的產(chǎn)品信息或激勵(lì)措施是否會(huì)增加完成交易的可能性。預(yù)測(cè)庫(kù)存管理的銷售和需求。分析客戶行為數(shù)據(jù)以創(chuàng)建個(gè)性化推薦。
八、預(yù)測(cè)分析示例
各行各業(yè)的組織都利用預(yù)測(cè)分析來提高服務(wù)效率、優(yōu)化維護(hù)、發(fā)現(xiàn)潛在威脅，甚至挽救生命。以下是三個(gè)示例：
勞斯萊斯優(yōu)化維護(hù)計(jì)劃并減少碳足跡
世界最大的飛機(jī)發(fā)動(dòng)機(jī)制造商之一勞斯萊斯已部署預(yù)測(cè)分析，以幫助大幅減少其發(fā)動(dòng)機(jī)產(chǎn)生的碳排放量，同時(shí)優(yōu)化維護(hù)，以幫助客戶保持飛機(jī)在空中飛行更長(zhǎng)時(shí)間。
DC Water降低水損失
哥倫比亞特區(qū)水務(wù)和污水處理局（DC Water）正在使用預(yù)測(cè)分析來降低其系統(tǒng)中的水損失。其旗艦工具Pipe Sleuth使用先進(jìn)的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型對(duì)小直徑污水管道進(jìn)行圖像分析、對(duì)其進(jìn)行分類，然后創(chuàng)建狀況評(píng)估報(bào)告。
百事可樂利用預(yù)測(cè)分析解決供應(yīng)鏈問題
百事可樂正在通過預(yù)測(cè)分析轉(zhuǎn)變其電子商務(wù)銷售和現(xiàn)場(chǎng)銷售團(tuán)隊(duì)，以幫助其了解零售商何時(shí)即將缺貨。該公司創(chuàng)建了銷售智能平臺(tái)，該平臺(tái)將零售商數(shù)據(jù)與百事可樂的供應(yīng)鏈數(shù)據(jù)相結(jié)合，以預(yù)測(cè)缺貨并提醒用戶重新訂購(gòu)。
九、預(yù)測(cè)分析工具
預(yù)測(cè)分析工具為用戶提供對(duì)幾乎無窮無盡的業(yè)務(wù)活動(dòng)的深入實(shí)時(shí)洞察。工具可用于預(yù)測(cè)各種類型的行為和模式，例如如何在特定時(shí)間分配資源、何時(shí)補(bǔ)充庫(kù)存或找到發(fā)起營(yíng)銷活動(dòng)的最佳時(shí)機(jī)，并基于對(duì)一段時(shí)間內(nèi)收集的數(shù)據(jù)的分析進(jìn)行預(yù)測(cè)。一些頂級(jí)預(yù)測(cè)分析軟件平臺(tái)和解決方案包括：
Altair AI Studio
Alteryx AI Enterprise Analytics平臺(tái)
Amazon SageMaker
Dataiku
Google Vertex AI平臺(tái)
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、預(yù)測(cè)分析模型
模型是預(yù)測(cè)分析的基礎(chǔ)——這些模板允許用戶將過去和當(dāng)前的數(shù)據(jù)轉(zhuǎn)化為可操作的洞察，從而產(chǎn)生積極的長(zhǎng)期結(jié)果。一些典型的預(yù)測(cè)模型類型包括：
客戶終身價(jià)值模型：準(zhǔn)確找出最有可能在產(chǎn)品和服務(wù)上投入更多資金的客戶。
客戶細(xì)分模型：根據(jù)相似的特征和購(gòu)買行為對(duì)客戶進(jìn)行分組。
預(yù)測(cè)性維護(hù)模型：預(yù)測(cè)重要設(shè)備發(fā)生故障的可能性。
質(zhì)量保證模型：發(fā)現(xiàn)并預(yù)防缺陷，以避免在向客戶提供產(chǎn)品或服務(wù)時(shí)出現(xiàn)失望和額外成本。
十一、預(yù)測(cè)建模技術(shù)
模型用戶可以使用幾乎無窮無盡的預(yù)測(cè)建模技術(shù)。許多方法都是特定于特定產(chǎn)品和服務(wù)的，但決策樹、回歸甚至神經(jīng)網(wǎng)絡(luò)等通用技術(shù)的核心現(xiàn)在已在各種預(yù)測(cè)分析平臺(tái)中得到廣泛支持。
決策樹是最受歡迎的技術(shù)之一，它依賴于用于確定行動(dòng)方案或顯示統(tǒng)計(jì)概率的示意性樹形圖。分支方法還可以顯示特定決策的每一種可能結(jié)果，以及一種選擇如何導(dǎo)致下一種選擇。 回歸技術(shù)經(jīng)常用于銀行、投資和其他面向金融的模型?；貧w幫助用戶預(yù)測(cè)資產(chǎn)價(jià)值并理解變量之間的關(guān)系，例如商品和股票價(jià)格。 預(yù)測(cè)分析技術(shù)的前沿是神經(jīng)網(wǎng)絡(luò)——通過模仿人類思維的運(yùn)作方式來識(shí)別數(shù)據(jù)集中的潛在關(guān)系的算法。
十二、預(yù)測(cè)分析算法
預(yù)測(cè)分析采用者可以輕松訪問各種統(tǒng)計(jì)、數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)算法，這些算法專為預(yù)測(cè)分析模型而設(shè)計(jì)。算法通常旨在解決特定的業(yè)務(wù)問題或一系列問題、增強(qiáng)現(xiàn)有算法或提供某種類型的獨(dú)特功能。 例如，聚類算法非常適合客戶細(xì)分、社區(qū)檢測(cè)和其他社交相關(guān)任務(wù)。為了提高客戶保留率或開發(fā)推薦系統(tǒng)，通常使用分類算法。通常選擇回歸算法來創(chuàng)建信用評(píng)分系統(tǒng)或預(yù)測(cè)許多時(shí)間驅(qū)動(dòng)事件的結(jié)果。
十三、醫(yī)療保健領(lǐng)域的預(yù)測(cè)分析
醫(yī)療保健組織已成為最熱情的預(yù)測(cè)分析采用者之一，原因很簡(jiǎn)單：該技術(shù)有助于他們節(jié)省資金。
醫(yī)療保健組織以多種方式使用預(yù)測(cè)分析，包括根據(jù)過去的趨勢(shì)智能地分配設(shè)施資源、優(yōu)化員工排班、識(shí)別有近期高成本再入院風(fēng)險(xiǎn)的患者，以及為藥品和供應(yīng)采購(gòu)和管理添加智能。 醫(yī)療保健聯(lián)盟凱撒永久醫(yī)療集團(tuán)（Kaiser Permanente）使用預(yù)測(cè)分析創(chuàng)建了一種醫(yī)院工作流程工具，用于識(shí)別可能在未來12小時(shí)內(nèi)迅速惡化的非重癥監(jiān)護(hù)病房（ICU）患者。NorthShore University HealthSystem已在其患者的電子病歷（EMR）中嵌入了一個(gè)預(yù)測(cè)分析工具，該工具可幫助其識(shí)別哪些胸痛患者應(yīng)入院觀察，哪些患者可以送回家。
十四、組織應(yīng)如何開始使用預(yù)測(cè)分析？
雖然開始使用預(yù)測(cè)分析并非易事，但只要人們對(duì)該方法保持承諾并愿意投入必要的時(shí)間和資金來推動(dòng)項(xiàng)目進(jìn)展，幾乎任何企業(yè)都可以處理這項(xiàng)任務(wù)。從關(guān)鍵業(yè)務(wù)領(lǐng)域的有限規(guī)模試點(diǎn)項(xiàng)目開始，是在最大限度地降低啟動(dòng)成本的同時(shí)，最大限度地縮短財(cái)務(wù)回報(bào)開始的時(shí)間的好方法。一旦模型投入使用，它通常只需要很少的維護(hù)，因?yàn)樗鼤?huì)繼續(xù)多年產(chǎn)生可操作的洞察。
十五、預(yù)測(cè)分析最佳實(shí)踐
以下是開始使用預(yù)測(cè)分析和預(yù)測(cè)人工智能的一些最佳實(shí)踐：
定義您的目標(biāo)和目的：要正確構(gòu)建和確定預(yù)測(cè)分析和預(yù)測(cè)人工智能工作的范圍，您首先需要確定您希望解決或?qū)崿F(xiàn)的目標(biāo)，然后定義具體、可衡量的結(jié)果。使您的預(yù)測(cè)分析策略與您的業(yè)務(wù)目標(biāo)保持一致。確定您的業(yè)務(wù)目標(biāo)并定義實(shí)現(xiàn)該目標(biāo)的具體預(yù)測(cè)目標(biāo)。
組建合適的團(tuán)隊(duì)：在您考慮軟件或供應(yīng)商之前，您需要一個(gè)具備混合技能的團(tuán)隊(duì)來實(shí)現(xiàn)結(jié)果，包括數(shù)據(jù)科學(xué)家、數(shù)據(jù)工程師、業(yè)務(wù)分析師和IT專家。將預(yù)測(cè)分析作為一項(xiàng)企業(yè)工作進(jìn)行管理。
識(shí)別、收集和準(zhǔn)備數(shù)據(jù)：識(shí)別與您已確定的目標(biāo)相關(guān)的數(shù)據(jù)。其中一些數(shù)據(jù)可能在您的組織內(nèi)部，但您可能需要尋求外部來源。您必須通過數(shù)據(jù)清理來確保數(shù)據(jù)質(zhì)量，使其適合建模。
選擇工具、平臺(tái)和建模技術(shù)：根據(jù)您團(tuán)隊(duì)的專業(yè)知識(shí)和目標(biāo)的需求，選擇適當(dāng)?shù)墓ぞ摺⑵脚_(tái)和預(yù)測(cè)建模技術(shù)。
部署和維護(hù)：預(yù)測(cè)建模不是一勞永逸的。您需要使用新數(shù)據(jù)不斷重新訓(xùn)練您的模型，并通過實(shí)驗(yàn)對(duì)其進(jìn)行微調(diào)。您還需要建立一個(gè)關(guān)于實(shí)際性能的反饋機(jī)制。
十六、預(yù)測(cè)分析薪資
以下是一些與預(yù)測(cè)分析相關(guān)的最受歡迎的職位，以及根據(jù)PayScale的數(shù)據(jù)，每個(gè)職位的平均薪資。
分析經(jīng)理：75,000美元至138,000美元
分析總監(jiān)：90,000美元至189,000美元
IT業(yè)務(wù)分析師：55,000美元至108,000美元
首席數(shù)據(jù)科學(xué)家：131,000美元至306,000美元
數(shù)據(jù)分析師：49,000美元至93,000美元
數(shù)據(jù)科學(xué)家：72,000美元至141,000美元
高級(jí)業(yè)務(wù)分析師：69,000美元至123,000美元
【睿觀：預(yù)測(cè)分析最佳實(shí)踐強(qiáng)調(diào)了預(yù)測(cè)分析和預(yù)測(cè)AI的落地需要定義目標(biāo)，組建團(tuán)隊(duì)，正確的處理數(shù)據(jù)，選擇平臺(tái)，和持續(xù)的部署和維護(hù)?！?/span>
