什麼是預測分析？
預測分析的定義
預測分析是使用資料來預測未來結果的過程。這個程序會使用資料分析、機器學習、人工智慧和統計模型，找出可能預測未來行為的模式。機構可以使用歷來和目前的資料，以極高的精確度預測未來幾秒、幾天或幾年內的趨勢和行為。
預測分析如何運作？
數據資料學家會使用預測模型來找出所選資料集中的不同元素之間的關聯。資料收集完畢後，就會對統計模型進行公式化、訓練及修改等作業，以便產生預測結果。
建立預測分析架構的工作流程會遵循五個基本步驟：
- 定義問題：預測是從良好的命題和一組要求開始執行。舉例來說，預測分析模型可以偵測詐欺行為嗎？可以決定節慶購物季的最佳廣告空間層級嗎？可以找出惡劣天候的可能洪水等級嗎？找出要解決的清楚問題有助於您判斷應使用的預測分析方法。
- 取得並整理資料：機構可能要會從數十年的資料，或持續增加的客戶互動資料中提取。建立預測分析模型之前，您必須先識別資料流，然後整理存放區 (例如 BigQuery 等資料倉儲) 中的資料集。
- 預先處理資料：原始資料本身只有表面上實用。如要準備預測分析模型的資料，請先進行清理，以便移除異常狀況、缺少資料點或極端離群值，這些結果都可能是輸入或測量錯誤造成。
- 開發預測模型：數據資料學家擁有多種工具和技巧，可根據要解決的問題和資料集的性質來開發預測模型。機器學習、迴歸模型和決策樹狀圖是最常見的預測模型類型。
- 驗證及部署結果：檢查模型的準確率並據以調整。達到可接受的結果後，您可以透過應用程式、網站或資料資訊主頁向相關人員提供這些結果。
什麼是預測分析技巧？
一般來說，預測分析模型有兩種：分類和迴歸模型。分類模型會嘗試將資料物件 (例如客戶或潛在成果) 放入某個類別或另一個類別。舉例來說，如果零售商擁有大量不同類型的客戶資料，可能會嘗試預測哪些類型的客戶可接受市場電子郵件。迴歸模型會嘗試預測連續資料，例如客戶與公司建立關係期間產生的收益。
預測分析通常會以三種主要技巧來進行：
迴歸分析
迴歸是一種統計分析技巧，可用來估算變數之間的關聯。迴歸功能有助於辨識大型資料集中的模式，以判斷輸入之間的關聯性。建議用於追蹤已知分佈的連續資料。「迴歸」通常用於判斷一或多個獨立變數對其他變數的影響，例如價格增加對產品銷售的影響。
決策樹狀圖
決策樹狀圖是一種分類模型，可根據不同的變數將資料放入不同的類別。此方式最適合用於嘗試瞭解個人的決定。這個模型看起來是樹狀結構，每個分支都代表一個可能的選擇，分支的葉子則代表決策的結果。決策樹狀圖通常很容易理解，且在資料集包含多個遺失變數時也能正常運作。
類神經網路
類神經網路是一種機器學習方法，可在模擬極複雜的關係時建立預測分析。基本上，它們是強大的模式識別引擎。類神經網路最適合用於判斷資料集的非線性關係，尤其是在分析資料沒有已知數學公式時。類神經網路可用於驗證決策樹狀圖和迴歸模型的結果。
預測分析的用途和範例
詐欺偵測
預測分析會即時檢查公司網路上的所有動作，找出可能代表有詐欺行為和其他安全漏洞的異常之處。
轉換和購買預測
如果預測資料顯示出在特定情境下或特定族群的轉換機率或購買意願較高，公司便可據以採取行動，像是將舊訪客指定為線上廣告的目標對象。
風險降低
信用評分、保險理賠和債務催收皆使用預測分析來評估及判斷未來違約的發生機率。
營運改善
公司使用預測分析模型來進行庫存預測、管理資源，並提高營運效率。
客戶區隔
藉由將客戶群劃分成特定群組，行銷人員就能利用預測分析，做出具前瞻性的決策，以針對不同的目標對象提供量身打造的內容。
維護預測
機構可使用資料來預測日常設備何時會需要維護，以便在問題發生之前或故障之前安排進行維護。
