Waqar Hasan讨论了预测性分析工具是如何在商业场景中实施的。

预测分析工具是如何帮助企业的？

以统计工具及基于规则的系统（此前所谓的专家系统）为代表的传统预测性分析在1990年代陷入了困境。标准的预测性分析工具，如SAS（分析软件）和R程序语言已有数十年的历史。新的方式是基于“大数据”的机器学习及其颠覆性的改变。

首先，传统预测分析是基于关系数据仓库中的数据的，而关系数据库只对结构化数据进行批量处理。来自于诸如移动手机位置这样的实时数据的信号，或像客户服务的推特或短信这样的社交化数据却没有被考虑到，因此降低了精确度。此外，许多现有工具在规模上严重受限，只能处理内存中的数据，这使得分析只能进行采样处理，而不是全数据。样本捕捉了数据中最强烈的信号，但却忽略了更弱一点信号的长尾，精度也因而丧失掉了。

传统预测性分析模式中普遍存在人工处理

其次，传统预测性分析需要特征设计，后者是一个人工的过程，这个过程需要分析师设计特征，然后由特征通过假设和测试过程去驱动分析。比方说，要想预测零售销售情况，分析师可能会假设三个特征：过去客户的消费总量；客户去年购物的总次数；以及上次的购物时间。分析师然后测试这项特征当中哪个具有预测能力，然而用各种不同的预测算法进行试验。现在机器学习已经为我们提供另一条日益自动化的特征设计路径，这是一项根本性的进展。

第三，大多数传统预测性分析工具无法适应客户的行为变化。预测模型往往以内置应用代码的方式实现，这使得甚至连监控其性能都不可能，更不消说适应变化了。这个世界的变化越来越快，消费者的行为也随着他们在你的竞争对手那里看到的东西而变化。机器学习可提供从数据中学习及可自适应这项根本优势。

企业过去是如何分析的

在过去，一项预测性分析问题是通过企业、IT及分析团队一起努力来解决的，就其本身而言，在大企业里面这就是一项伟大的功绩。首要目标是帮助分析师理解业务问题。然后，分析师会调查并识别出若干特征属性。那些属性有可能是，比方说，消费者购买或呼入的次数。一旦拥有了这些属性，他们就会与IT一起对它进行编程，利用SAS之类的提供商的工具来创建出预测模型。

靠着这一预测性模型，分析工具就可以挖掘与选定属性相关的变量然后对其评级，并生成分数，这个分数基本上属于倾向分数。这一信息然后再交给IT，由后者硬编码进应用中。这就是传统的办法。

这种传统流程的主要问题是不够快速，且属性和信息收集不够详尽。

实时需求呼唤新的预测性分析办法

今天的预测性分析工具可提供实时分析和历史信息。成功预测销售趋势及消费者行为所需的工具包括API、机器学习和Hadoop。

Hadoop的作用是从所有的企业系统中收集数据，如果你愿意，它也能解放这一信息。Hadoop解决方案是典型数据仓库的补充，后者被用于更为结构化的目的。有了Hadoop，你可以利用所有的数据，无论它是否结构化。

企业需要自动化其业务分析有着重要的原因。今天，移动计算无疑推动了对实时响应的要求。当你使用自己手机的时候，你希望每一个信息以及每一次事务都可以马上利用起来。

竞争性是推动预测性分析进展及适应这些新技术需求的另一个因素。如果你的竞争对手具备实时响应能力，那么你也必须如此，因为否则的话你对最终客户的服务水准就没有别人的好。API就是实时模式的，可用于从实时流中挖掘数据。将API服务器和机器学习结合起来，就可以为企业实现实时预测性商业智能，然后企业就可快速将这种能力交给用户。还有，企业可以利用这一BI迅速解除客户，且更具针对性，更有意义。