如今，預測分析已經不再僅僅局限于石油和天然氣勘探領域。預測分析的力量正被注入到所有行業的各種以收入為中心的各種計劃當中。
2018年，EIU的智能經濟研究中，三分之一的企業表示，預測分析已經是他們組織中使用最頻繁的人工智能技術了。在凱捷最新的《世界質量報告》中，近三分之二的首席信息官表示，他們將在2019年專注于預測分析，但是預測分析的不同之處是什么?在您的組織中，您又可以從哪些地方獲得價值?
預測分析與商業智能的主要區別在于你看問題的視角:無論你是在展望未來，還是在回顧數據。對于BI來說，其重點是報告和可視化--切割歷史數據以了解發生了什么。但是，Forrester的高級分析師KjellCarlsson表示，對于預測分析，“你不再談論描述性分析，你主要關注的是建立預測模型。”
而其中的許多算法也用于機器學習，Carlsson認為預測分析和機器學習技術是相輔相成的。但預測分析并不一定要非常復雜。Salesforce Einstein Discovery和微軟Power BI中的insights特性都使用了回歸分析，但是因為它們也可以處理大量數據集，所以它們可以用于找到一些業務用戶無法獨自發現的洞察。
“如果我有一個解決方案，可以引導銷售人員關注那些最有可能轉化為現金的賬戶，并向他們解釋為什么這個賬戶是一個很好的選擇，就像他們剛剛下載了一份白皮書一樣，那從商業角度來看，這就非常有價值，”Carlsson指出。
但他警告說，預測性分析很可能已經在你的組織中被使用了，不過它是由業務線不是IT部門所驅動的。“這里有大量的影子IT存在，”Carlsson表示。需要指出的是，不僅糟糕的數據治理會導致數據泄漏的問題，當成功的原型需要更廣泛的部署和更長期的維護時，也可能會出現問題。
此時，首席信息官和首席企業架構師就會被要求進行接管。為了保持領先地位，這里有七個關鍵項目已經為使用預測分析做好了準備。
1.預測性設備維護
了解工業或制造業設備何時可能會出現故障，可以幫助節省成本，提高客戶滿意度。電梯制造商、空調系統、國家鐵路和油井運營商已經在大量使用物聯網傳感器和數字化雙胞胎技術來提供預測性、前瞻性的維護了。
在這里，預測分析不僅可以幫助您避免停機和維修賬單。了解需要哪些備件、設備和受過培訓的人員意味著還可以幫助你更有效地規劃工作，減少前往現場的次數，并且不會因為需要等待合適的部件而造成延誤。另外，在零件發生故障之前進行修復將會更快，因為故障可能會造成損壞。能夠避免這種情況也可以延長機器的壽命。
此外，您收集的信息還可以用于下一版本的產品設計，或者幫助您開發更好的操作流程。
2.預測性IT
預測性維護對IT來說也是一個福音。數據中心管理工具，如Nlyte或Virtual Power Systems，可以提醒您及時更換UPS電池或對冷卻裝置進行維護。
Carlsson表示:“如果你從戴爾購買存儲設備，其ProSupport Plus服務會使用預測分析來預測硬盤何時會出現故障，他們會在硬盤出現故障之前(而不是之后)主動向你發送替換硬盤。”類似地，Veritas也為其存儲設備提供了可預測的洞察力，可以幫助提升系統的可靠性評分。當這些問題出現時，IT團隊可能會收到安裝補丁的通知--或者Veritas可能會在某個部件出現故障之前派一名技術人員來更換該部件。HPE的3PAR InfoSight管理和DataDirect的Tintri分析則使用預測分析來提高存儲性能和處理日常的存儲管理。
Carlsson指出，在這方面，使用第三方服務可能比自己構建更好，因為你可能沒有足夠的數據來預測問題。“外部供應商具有從不同客戶那里收集數據的優勢。如果你的特定硬件發生了更新，導致與你配置相同的其他公司出現了問題，而你卻還沒有應用那個補丁，你自然永遠也無法從你的內部數據那里知道可能會有異常行為的出現。”
預測性IT也不一定只能用于硬件。Windows Server 2019在Windows管理中心中內置了預測分析，可用于幫助您執行計算、網絡和存儲(包括集群)的容量規劃。System Insights可以使用本地數據，比如性能計數器和系統事件，您可以以此編寫自己的性能預測維護功能，然后使用Azure Monitor或System Center Operations Manager跨服務器組查看預測結果。
3.暖通空調系統的需求預測
將天氣預報與您的樓宇自動化系統告訴您的有關員工如何使用您的設施的信息，與您從暖通空調系統獲得的數據相結合，可幫助您降低供暖、通風和空調的成本。
當人們在工作的時候，要讓一棟建筑達到你想要的溫度是需要時間的(尤其是如果你需要在非工作時間內加熱或冷卻他們來節約能源的話)，而每個建筑的溫度都是不同的，具體取決于天氣。此外，并不是所有的建筑都全年有人居住。不需要每天都在同一時間為每棟大樓啟動空調系統，你可以通過預測正確的時間來提高暖通空調系統的效率，從而節約成本并使員工在工作中更加舒適。當微軟的房地產團隊將這一方法應用于三座建筑時，他們發現每年節省了15，000美元;一旦該系統在43棟大樓內投入使用，這一數字將超過50萬美元，員工出汗或發抖的時間也將減少60個小時。
4.客戶服務和支持
預測分析在Salesforce等銷售工具中很常見，但您也可以使用它來處理現有的客戶，無論是現場服務還是呼叫中心。Adobe Analytics使用預測分析來預測未來客戶的行為，分析你何時會遇到特殊的發貨請求。
生產草坪割草機和除雪機等戶外設備的公司MTD，通過將預測分析和實時信息技術添加到呼叫中心系統實現了更好的代理，該系統將電話放棄率降低了65%，平均處理電話的時間減少了40%--因為經理們提前知道了他們什么時候需要更多的代理。
5.零售
長期以來，電子商務網站的優勢在于能夠跟蹤客戶行為以幫助預測銷售數據。Jet.com甚至還模擬了供應商在其產品上市前擁有適當庫存的可能性。現在，零售商店開始求助于物聯網傳感器和預測分析技術來預測顧客將在何時何地購買什么商品，以實現更好的庫存管理。Polo和Urban Outfitters正在使用貨架計數相機和Trax的預測分析系統(運行在谷歌云上)來進行實時的庫存跟蹤和管理。
Martens博士將物聯網、預測分析、機器學習和Dynamics 365結合起來，以更多地了解瀏覽其店鋪的顧客人口統計特征和購買模式。然后，銷售人員可以使用這些信息提出建議，甚至可以據此使用商店的自定義圖表來重新排列產品的顯示位置。
6.質量保證
預測分析是QA的理想選擇，因為無論是測試物理產品還是DevOps，QA都是在通過風險管理來避免缺陷、問題和錯誤。您可以根據趨勢確定模式并預測潛在的風險，并使用預測分析來減少周期時間和成本，其方法是針對最有可能發生缺陷的地方來進行測試，Sogeti UK的副首席執行官兼首席運營官Darren Coupland表示。
“首席信息官應該使用預測分析，以及人工智能和認知解決方案，來真正了解他們整體運營的質量，并基于得到的洞察力來做出明智的決策。更進一步的，首席信息官們應該考慮結合其他數據源，如PPM項目組合管理工具，SCM源代碼管理工具和其他的操作工具，以預測項目的成功交付，并提供有關變更整體業務的風險信息，”Coupland說。
7.除了商業智能
如果你想讓業務團隊在使用更熟悉的可視化和分析工具的同時，還能自由地使用預測分析，并且仍然可以進行集中監督，那么微軟Power BI即將發布的新的無代碼人工智能工具可能就是您正在尋找的。
Power BI已經能夠進行簡單的預測分析，比如預測時間序列數據的未來模式，并可以使用滑塊來調節置信水平和預期季節性趨勢的強度。目前，您只需要在Azure Machine Learning Studio等工具中構建更復雜的模型，并使用R腳本從SQL Azure中提取數據并將其發送到機器學習模型當中，然后將分數提取到Power BI里面。通過新的無代碼連接，業務分析人員就能夠在Azure Machine Learning Studio中選擇和培訓一個模型，并將其應用于Power BI數據，而無需離開Power BI界面。您的數據科學團隊還可以使用Azure機器學習工具來創建和培訓模型，以便在業務用戶可以訪問它們時自動顯示在Power BI當中。
京公網安備 11010502049343號