预测分析

什么是预测性分析?

预测性分析将算法、统计数据和机器学习的强大功能相结合,通过优化的分析模型来洞悉未来的需求和业务成果,可帮助企业更好地利用资源和洞见。

预测性分析有哪些优势?

预测性分析包含大数据 和数据挖掘等主题,可让企业和其他组织更深入地了解未来动向并洞悉机遇。如何实现? 通过结合使用历史数据与各种其他方法(如深度学习、机器学习或数据建模),预测性分析模型和预测性分析技术具有无可估量的价值,可以帮助数据科学家发现相关性,进而制定更强大的内部流程、实现 IT 基础设施自动化并提升分析精度。

相关 HPE 解决方案、产品或服务

预测性分析用例

从娱乐和医疗保健到网络安全和气象预测,各行各业都在使用预测性分析算法。例如,在零售业,预测性分析可用于解读和预测消费者行为,从而帮助店铺更好地管理库存或提供个性化购买推荐。在制造等领域,公司可以主动监控设备和维护模式,从而最小化停机时间。即使在体育运动中,预测性分析模型也大有用武之地,可使用统计数据和其他数据更好地预测运动员的价值。

在几乎所有行业,预测性分析及其相关机器学习和其他数据输入在解决新问题和历史问题时都有巨大价值。借此,数据科学家及其所在的公司或组织可以了解人员、流程、损益以及未来趋势动向。

 

预测性分析的历史

预测性分析已有数十年的应用历史,但随着成本更低、速度更快、功能更强大的计算机出现,预测性分析的真正潜力才得以实现。

从 20 世纪 40 年代开始,现代计算的先驱以及线性编程和计算建模等其他成果就增强了政府对预测性分析潜力的关注。最著名的莫过于曼哈顿计划,该计划开发出了推动第二次世界大战终结的原子武器技术,期间使用了名为 Monte Carlo 模拟方法的手动分析来预测原子在核反应过程中的行为。

20 世纪 50 年代,随着非线性编程和基于计算机的启发式算法的发展以及硬盘驱动器 (HDD) 的问世,计算机技术不断进步,为软盘和数据库管理系统 (DBMS) 等其他创新奠定了基础。

20 世纪 70 年代到 80 年代间,预测性分析被用于预测股票价格,同时以 E.F. Codd 为代表的科学家也借此为关系数据库和关系数据库管理系统奠定了理论基础,包括应用编程接口 (API) 和结构化查询语言 (SQL)。

到 20 世纪 90 年代以及 21 世纪初,由于机器学习和云计算技术的兴起,信息数据库被广泛用于定制和优化数字及市场营销体验。

预测性分析有哪些类型? 它们如何运作?

预测性分析并不是一项单独的技术。它可以分为几个模型,每个模型都有各自的用途、功能和优势,可用于任意数量的用例。总体而言,发现的数据可用于加深对历史数据点的理解,识别多个数据集中的异常实例,并预测未来的趋势。

分类模型

此模型会获取和收集历史数据,并加以分类。众多行业的企业都使用这一模型来解决复杂的问题并洞悉新的机遇。得益于广泛的应用,这一模型现已成为制定申请审批决策、确定付款拖欠可能性以及识别欺诈交易等的通用模型。

 

异常值模型

顾名思义,异常值模型可识别一个或多个数据集内超出规范的数据,并有助于从这些异常数据点中得出结论。与其他模型一样,此模型也可考虑多种因素,例如价格、位置和付款历史记录等。由于这些原因,异常值模型在金融和制造业中尤为有用,可帮助识别潜在的欺诈活动或指示设备效率低下和故障情况。 

 

 

聚类模型

此预测性分析模型根据共享标准将数据分成特定的组。这些数据可分为硬聚类或软聚类。硬聚类是一种直接的分类,而软聚类则在聚类时以一定的概率分配数据。一般来说,聚类模型通常部署在市场营销环境中,可帮助营销人员针对特定受众制定策略。

 

 

时间序列模型

与其他模型不同,时间序列模型使用异常数据而非历史数据,并将时间用作洞见未来时间段的主要输入。此类模型最大的优势在于,其可以根据天气或既往销量等所选变量,来预测特定指标在特定时间段内的变化情况,通常还会与多种其他预测方法结合使用,以此帮助企业制定增长路线图或更好地规划未来的策略。

 

 

预测模型

预测模型基于历史数值数据来预测对象未来的可量化价值。预测建模之所以得到了广泛应用,一大主要原因在于它允许多个输入参数(例如天气和本地事件),因此在诸多行业中提供了更多样的功能。例如,零售商店可以根据过去的客流量推断在任何给定的一周内预计将有多少客户或销售额,并相应地规划服务人员的覆盖范围。

 

企业如何利用预测性分析?

现代的预测性分析已经超越了线性和逻辑回归,大、中、小型企业都在寻求基于数据的解决方案来斩获竞争优势。如今的预测性分析可帮助企业对海量数字数据进行分类,利用机器学习和深度学习,并获得新的洞见:分析客户行为并预测市场波动以及下一个重大突破领域。此外,借助预测性分析,各种数据科学家都能够以前所未有的方式进行实时协作,并使用新的工作流程应用和混合多云基础设施来促进数据分析。

虽然各个行业使用数据和智能基础设施的目的各有不同,但最终收益却基本相同。

在零售业,预测性分析可汇总客户数据来洞悉销售趋势并提供更加个性化的市场营销活动,例如体验更好的交叉销售、追加销售和再销售活动。此类数据甚至还可用于库存管理和未来的产品开发。

同样,除了管理和连接大型工厂系统及其他资产外,能源行业还使用数据来预测和规划因季节性或恶劣天气而导致的公用事业生产活动和需求,甚至在实际发生之前预测电力中断。

制造商也使用预测性分析来监控自己的资产。但是,在这些情况下,维护和性能监控更加重要。制造商可以发现任何效率下降问题或预测潜在故障的发生时间,进而减少代价高昂的停机或维修。

在保险业,预测性分析可以作为一种额外的安全手段,通过与历史数据进行比较来检测潜在的欺诈性索赔。人工智能还可用于评估每个申请人的相关风险并根据标准批准或拒绝申请,从而提供个性化的保险报价和保费。

政府机构甚至也可以利用数据的力量为新政策和公共举措的制定提供参考信息,从而让人们的日常生活变得更幸福。

HPE 和预测性分析

HPE 与多家组织、中小型企业和大型企业建立了合作关系,可以通过预测性分析解决方案提供满足需求所需的智能基础设施和专业知识。在 HPE InfoSight、HPE GreenLake、HPE Nimble Storage 以及 HPE Pointnext 等产品的支持下,HPE 与合作伙伴密切合作,帮助他们满足诸多行业的特有需求。

以挪威 IT 服务提供商 Basefarm 为例,HPE 帮助他们顺利应对了飞速增长的客户群存储需求并保持了业务连续性。通过添加定制的基础设施和功能集,Basefarm 以新存储速度解决了 80% 的虚拟机 (VM) 问题,并维持了每秒 22 TB 的平均带宽。

此外,HPE 还与普渡大学农学研究与教育中心 (ACRE) 合作,帮助他们振兴了数字农业项目。双方通力协作,通过实时现场数据自动化和 物联网 (IoT) 等技术来测量、分析和调整植物湿度水平,这为农业研究带来革新。

同样,普渡大学全球音景中心的研究人员还通过 HPE 提供的边缘计算和数据分析功能记录和分析生物数据,从而在全球范围内加速获得生态洞见。借此,研究人员深入了解了某些环境因素对野生动物群落的影响。