將統計技術和預測分析應用于業務流程的先驅W. Edwards Deming有一句名言。“最大的問題，”他說，“就是人們一開始沒有意識到自己有一個問題。”

 

在預測分析方面，所謂的“大問題”往往在規劃和早期部署過程中并不明顯，只有在技術無法隨著時間推移而按期交付時才會引起關注。

 

邊緣設備分析軟件開發商SWIM.AI的首席技術官Simon Crosby承認，許多常見的預測分析挑戰都是由于糟糕的計劃和不切實際的期望而產生的。“預測分析不是一根魔棒，不是只要你揮舞它就可以自動地改進系統或組織中的問題，”他解釋道。“你需要好好了解你所追求的洞察力，并選擇一個工具集，讓你可以快速形成假設，動態地將分析注入數據流，以搜尋數據的相關性或異常，或者預測其未來的表現。”

 

以下是成功的預測分析采納者用來避免或解決常見項目挑戰的七個技巧。

 

 

像魔棒那樣“揮舞它”絕對不是最佳的預測分析方法，因為它可以說是目前在日常使用中的最先進、最復雜的企業技術。風險管理咨詢公司CBIZ Risk and Advisory Services的高級經理Scott Moody建議說:“建立預測分析策略的第一步是確定想要完成的目標。”例如，部署是旨在增加銷售么?它會發現欺詐還是能夠識別風險?他說:“在制定戰略時要牢記‘目標’，這將有助于讓你集中精力于戰略的具體目標。”

 

Climax Strategy Group的負責人karrie Sullivan建議進行初步的庫存清點，匯集來自各個業務部門的相關數據，以確定組織進行預測分析的初始概況。她說:“要注意庫存數量、歷史記錄、數據格式，以及相鄰系統/過程之間的重疊。”

 

最后，在關鍵業務領域部署預測分析之前，必須運行一些非正式的測試，以了解如何使用該技術預測現實世界的業務情況。可以優先在市場營銷或客戶服務等數據比較豐富的領域進行實驗。“這一步的目標就是讓每個人都能在預測分析的作用上達成一致，”Sullivan解釋道。

 

 

富有洞察力的預測分析需要可靠的數據。不準確的數據實際上必將帶來錯誤或誤導性的結果。“確保數據質量的第一步是在有效的自動輸入控制機制下將數據輸入系統，”Moody說。

 

每當數據質量超出組織的控制范圍時，例如從外部提供商處獲取數據時，審查數據質量應該是分析過程的第一步。 他警告說:“在驗證和糾正數據質量問題之前，必須進行深入分析，因為如果在后期才發現質量問題，可能會導致大量返工。”

 

不過，Crosby認為，如今的企業不必像過去那樣對數據質量過分挑剔。他說:“當下先進的技術已不再要求數據的完美無瑕或完全可理解了。”我們可以利用學習來自動推斷‘灰色數據'的模式。Crosby指出，真正重要的是能夠獲得盡可能多的原始數據。“所以，你只需要檢測你的系統并收集大量的數據，”他說。

 

 

雖然能夠訪問大量數據池通常是一件好事，但向預測分析工具提供大量多余的數據可能會減慢基本流程的速度，同時冒著將機密數據暴露給窺探者的風險。“有太多的數據反而會讓你無法知道什么是可以用來分析的正確數據，”Moody解釋說。“保持良好的數據清單將有助于確保在執行預測分析時使用正確的數據。”

 

Sullivan認為，高效管理數據的技巧在于準確的理解哪些數據集可能有用，哪些數據集可以安全地被忽視。一個熟練的數據科學家最有資格做出這樣的決定。(數據科學家)有時會發現……她指出，大多數人會把有用的數據當作“噪音”而丟棄。

 

 

面對越來越多的公眾和政府審查，企業現在需要比幾個月前更認真地對待保護數據隱私和所有權的挑戰。預測分析采用者也不例外。限制文件訪問并只使用分析所需的數據是推薦的做法。“掩蔽個人識別字段是保護數據隱私的有效方式，”Moody說。“還有許多工具可以去除可識別數據，減少對數據隱私的擔憂。”

 

避免隱私侵犯的最簡單的方法是只保留必要的最小時間段內的數據。“通過快速拋棄不必要的數據，動態獲得高價值的數據洞察，可以有效的避免原始數據的隱私問題，”Crosby解釋道。

 

 

當從一開始就設計合適的復雜模型以產生易于理解的結果時，可能使預測分析技術的效果最好。但事實并非如此。實際上，組織經常發現自己迷失在如此復雜和難以理解的結果中，只有數據科學家才能準確地解釋它們。另一個極端是，結果過于簡略和簡單化，以至于它們對利益相關者幾乎毫無價值。

 

為了獲得盡可能高的可用性，構建和部署考慮到最終用戶的用戶界面非常重要。“雖然基礎模型可能很復雜，但一個好的用戶界面可以讓結果變得非常簡單，”醫學預測分析和機器學習公司LeanTaaS的創始人兼首席執行官Mohan Giridharadas說。看看Google的web搜索或蘋果的iPad，可以從中獲得靈感。“這些產品的用戶體驗幾乎對所有人都是友好的，但其中隱藏了這些公司內置的難以置信的軟件和硬件復雜度，”Giridharadas評論道。

 

Adobe Analytics Cloud的產品經理Ben Gaines指出，預測分析是一門迭代科學。一旦模型啟動，這一事實就變得顯而易見了。“你最終將看到這個模型做得有多好，你可以調整和重新校準它以獲得更準確和可操作的見解，”Gaines解釋道。例如，預測模型可以幫助組織預測趨勢，如設備間的預期流量，使用戶能夠預測每頁的展示次數，或者根據預計的收入設置預算和目標。“一旦你獲取了真實的數據，并定下預算和目標，你就可以以此調整你的模型，”他建議道。“重要的是要了解你的預測分析程序不一定會完美地運行，錯誤是不可避免的，但它將幫助你更好地理解數據和模型。”

 

 

在線貸款公司Marlette Funding的首席決策科學官Arnold Pravinata指出，在大多數分析預算中，數據獲取和工資支出是兩個最大的項目。為了幫助控制數據成本，Pravinata建議定期檢查是否有資金被浪費在無用的或低效的數據上。“就人力資源成本而言，這是我們通常需要跟隨市場趨勢的地方，”他說。

 

隨著數據量的增加，存儲成本也可能迅速上升。Sullivan認為，控制成本的最佳總體方法是集中數據并應用可靠的治理策略。“我相信在未來的幾年里，我們會更廣泛地討論如何實現預測分析的維護自動化，但是現在我們仍然將受困于此，”她說。

 

 

預測分析市場正在迅速擴張，這意味著新的采用者將面對一系列的令人眼花繚亂的平臺和工具。很少有企業擁有能夠在這些領域做出明智選擇的內部人才。在內部建立這樣的技能需要時間和金錢投入。因此，大多數組織在開發預測分析計劃時都會尋求某種形式的外部幫助。在這樣做的同時，密切關注被推薦的產品和服務，并考慮如何將它們融入組織的長期計劃是很重要的。“優先選擇那些不會將您與特定分析算法或學習堆棧綁定在一起的解決方案，”Crosby建議道。“由于所有的這些都是開源的，所以這樣的流式分析平臺能夠隨著時間的推移動態升級到更先進的算法上來。”