跳转至内容
一位男士望向窗外

什么是预测分析?

预测分析可以帮助企业准确预测未来趋势,了解接下来可能发生的事情。预测分析能力一直以来都很重要,但现在更甚以往。如今,企业需要应对各种危机,比如严重的贸易和供应链中断、需求激增或猛降、从未遇到过的风险和挑战,以及从未涉足过的全新领域等。这些都让预测分析成为了全球企业必须优先构建的重要能力。

预测分析的定义

预测分析是高级分析的一个分支,用于预测未来可能出现的事件、行为和结果。这种方法利用统计学技术(包括机器学习算法和复杂的预测建模)分析当前数据和历史数据,评估某件事情发生的可能性,即使这件事情未在企业的关注范围内。

预测分析与大部分行业都息息相关,用途十分广泛,包括:

  • 降低员工和客户流失率
  • 识别最有可能拖欠付款的客户
  • 支持基于数据进行销售预测
  • 设定最优价格
  • 跟踪机器需要进行维护或更换的时间

准确且切实可行的预测信息对决策者至关重要,能够帮助他们把握瞬息万变的市场环境,应对市场波动。预测多种可能的场景并作出相应的计划和调整,这种能力在疫情爆发之前就十分重要,而在疫情爆发后,其重要性更甚以往。

此外,预测分析也是抗击新冠疫情的利器。医院和医疗系统可以利用预测模型来评估疫情风险、预测疾病的治疗结果,并管理医疗设备和个人防护用品的供应链。同时,研究人员可以利用模型来了解病毒的传播、预测病例数量,并追踪接触者,达到减少感染和死亡人数的目的。

如上图所示,预测分析可以帮助企业预测现金流。

预测分析的现状

市场调研机构 Allied Market Research 的一项研究显示,预计到 2027 年,全球预测分析的市场规模将达到 354.5 亿美元,年复合增长率 (CAGR) 达到 21.9%。随着当今世界的数据量日益增多,电脑的处理速度呈指数级提升,以及软件的交互性和易用性变得更强,预测分析技术越来越受重视。

 

如今,企业采集的数据不仅体量巨大,而且种类繁多,既有传统的结构化数据,也有物联网、文本、视频和暗数据等非结构化数据。而预测分析能够将不同来源的大数据整合在一起进行分析,生成更准确的预测结果,提供更有用的深层洞察。云计算技术是连接所有不同数据源的关键。此外,将数据存储在云端数据仓库和数据湖,比存储在本地的成本效益更高,扩展性也更强。

 

如今,预测分析更是因为结合了机器学习、深度学习和神经网络等人工智能技术而得到了增强。这类增强分析能够快速分析大量数据,提供人类可能无法捕捉的洞察,更细致、更准确地预测未来可能发生的事件。此外,增强分析还能自动执行预测分析流程中的复杂步骤,比如构建和测试预测模型。而且在自然语言处理 (NLP) 这种人工智能技术的支持下,用户能够用自然语言进行提问并获得回答,从而更轻松地解读和理解答案。

过去,执行预测分析所用的工具和技术无比复杂,因此,只有数据科学家和专业分析师才能有效利用这类工具和技术。而如今的增强分析技术则截然不同。业务用户只需接受少量培训,即可在没有 IT 部门帮助的情况下,使用增强分析生成准确的预测,制定明智的、有远见的决策。在竞争激烈的市场环境中,这是一项不容忽视的优势。

预测分析应用示例

从金融服务到航空航天,预测分析几乎可以应用于所有行业,创造宝贵的价值。预测模型可用于预测库存、管理资源、设定票价、管理设备维护、开发信用风险模型等。预测分析能够帮助企业降低风险、优化业务运营并增加收入。

 

预测分析在 HR 领域的应用

 

很显然,HR 部门需要跟踪大量人员数据。借助预测分析,HR 部门可以分析人员数据,确定有潜质的员工是否契合企业文化、哪些员工存在离职风险(如下图所示)、公司是需要提升现有员工技能还是通过招聘新人来填补技能缺口,以及员工能否积极帮助企业实现业务成果等。具备这些能力后,HR 部门就能推动企业实现总体业务成果,而不再只是一个孤立的部门。

HR 部门可以利用预测分析来预测员工流失率。

预测分析在医疗领域的应用

 

当前,医院和医疗机构面临着巨大的压力,他们需要充分提高资源利用率,而预测分析能够帮助他们实现这一点。借助预测分析,医疗机构的管理人员能够制定更明智的财务和运营决策,优化库存和人员配置水平,更高效地管理供应链,并预测医疗设备的维护需求。此外,预测分析还能帮助医院改善治疗效果,比如,检测患者病情恶化的早期迹象、识别存在再入院风险的患者、提高患者病情诊断和治疗的准确性。

 

预测分析在零售领域的应用

 

无论是在线上还是线下,零售商都会采集大量客户信息,例如,通过 Cookie 跟踪客户的线上活动,或监控客户逛商店的路线。此外,他们还会跟踪以下信息:客户在销售点留下的联系方式、客户在社交媒体上的活动、购买记录,以及客户购买特定商品或进店的频率。借助预测分析,零售商可以充分利用这些数据来优化库存、预测收入、分析行为、锁定目标顾客、检测欺诈行为等。

 

预测分析在市场营销领域的应用

 

如今,客户几乎可以随时随地在线订购想要的商品。在这种环境下,预测分析生成的模型极具价值,能够帮助营销人员开展更有针对性的营销活动,提高营销效果。预测分析可以帮助市场部门开展由数据驱动的客户和受众细分、获取更多新客户、对销售线索进行评分、提供内容和广告建议、执行高度个性化的营销活动等。营销人员可以利用客户数据,在恰当的时间为客户推送促销信息和营销广告,并推荐他们可能喜欢的其他产品,从而改善客户体验,提高客户保留率。

 

预测分析在供应链领域的应用

 

预测分析对于打造敏捷且具有韧性的供应链,避免供应链中断至关重要。借助预测分析,企业能够分析来自众多不同数据源的大量数据集,准确预测供需,确定最优库存水平,改进物流流程,提高按时交付率,预测设备维护问题,以及识别意外情况并作出相应调整等。

预测分析客户案例

AG Real Estate 集团:AG Real Estate 是比利时最大的房地产集团,他们利用预测分析来准确预测顾客行为。通过整合来自商场摄像头、天气预报及财务部门等的数据,该集团能够改进客户体验,确保其购物中心在电子商务时代仍然具有竞争力。

 

Rainforest Connection 组织:90% 的雨林采伐属于非法盗伐。Rainforest Connection 组织致力于阻止对雨林的非法盗伐。他们将旧手机放置在树林中,用于捕获音频数据,再通过分析动物发出的声音,准确预测非法采伐者何时开始砍伐树木。

预测分析流程的基本步骤

预测分析流程包括以下环节:设定目标、收集和清理大量数据,以及使用复杂的预测算法和技术构建预测模型。过去,这个流程相当复杂。但如今,由于采用了全新的人工智能技术,预测分析流程的自动化水平显著提高,普通业务用户也可以轻松使用。不过,在执行某些步骤或构建特定的模型时,企业仍然需要 IT 部门的帮助。

 

简单来说,预测分析流程的步骤包括:

预测分析流程的步骤

预测分析流程步骤图
  1. 设定项目目标。企业希望实现什么样的结果?想要解决哪些问题?在预测分析流程中,第一步是设定项目目标、交付成果、范围和所需数据。
  2. 收集数据。集中收集需要的所有数据,包括来自各种数据源(比如事务系统、传感器和呼叫中心日志)的不同类型的当前数据和历史数据,用于进行更深入的分析。
  3. 清理和准备数据。清理、准备并整合数据,为下一步的分析做好准备。清除异常值,确定缺少的信息,提升预测数据集的质量。
  4. 构建和测试模型。构建预测模型,用数据集训练模型并对模型进行测试,确保模型的准确性。可能需要执行多次迭代,才能构建出没有错误的模型。
  5. 部署模型。部署预测模型,开始处理新数据。获取预测结果和报告,并基于结果和报告自动制定决策。
  6. 监控和优化模型。定期监控模型,了解模型性能,确保达到预期的效果。根据需要优化模型。

预测分析 VS 规范性分析

在构建并利用预测模型及时进行准确的预测后,该做什么?许多企业认为,下一步自然是执行规范性分析。

 

预测分析能够帮助企业预测接下来可能发生的事情,而规范性分析则可以告诉企业该如何应对这些事情,或者采取哪种应对方案可以获得更好的结果。规范性分析是一种高级分析,基于预测分析结果,通过考虑各种不同的因素,推荐可能的最佳行动方案或决策。

 

规范性分析通常被认为是“商务分析的最后一个阶段”,也是最复杂、相对较新的一种分析技术,目前在 Gartner’s Hype Cycle for Analytics and Business Intelligence 2020(Gartner 2020 年分析与商业智能技术成熟度曲线)上位于最顶端。

一键预测结果

了解 SAP Analytics Cloud [分析云] — 一款位于云端的增强分析和预测分析解决方案。

SAP Insights 简报

立即订阅

订阅简报,获取关键洞察。

更多信息

返回顶部