目前商界最热门的两个术语是"预测分析"和"数据科学"——我们都知道它们是做出更好决策和最终提高业务绩效的关键，但它们实际上是如何做到的呢？如果它们如此重要，为什么每个人都不执行它们呢？

大多数组织已经走上了分析战略的道路，但主要关注描述性分析或我们通常称之为商业智能（BI）。描述性分析和预测性分析之间的真正区别仅仅在于它们如何实现"浮出水面的洞察力"的目标。BI工具大量使用可视化技术，并依赖于人机交互来进行钻孔、切片、骰子，绘制数据，电梯物联网，而预测工具利用由人类引导的数学算法，以人类无法达到的方式和速度查看数据。

预测分析的障碍

阻止许多企业将预测分析添加到其现有分析领域的真正障碍是认为这将需要金钱的堆积如山，知识的宝库，零售大数据解决方案，以及众所周知的神秘的数据科学家都是稀缺的。我们受过训练，要把一切都当作成本来考虑，要降低项目的风险，使它们不再具有创新性，还要在你开始之前证明它的切实价值。现在是开始忘记这些坏习惯的好时机！

预测分析不是总拥有成本（TCO）讨论，而是投资回报率（ROI）讨论。如何进行？想想看，如果你不得不做一个非常重要的商业决定，一个神奇的精灵从一盏灯里蹦出来，可以非常肯定地告诉你哪个选项能让你赚更多的钱，你是想知道你能赚多少钱，还是会先问这盏灯值多少钱？

也就是说，预测分析不是灯里的精灵，高防云服务器，也不是数据科学家。即使您的企业雇用了数据科学家，他们也可能不具备您试图解决的业务问题的领域知识。通过将描述性分析（BI）和预测性分析（数据科学）视为独立的，很难有一个协调一致的分析战略，充分利用这两个领域的优势。

将预测性添加到分析战略中

幸运的是，将预测性集成到现有计划中并不困难，而且是最好的总之，它并不总是需要一个数据科学家（尽管如果你有他们的话，他们可能会很有用）。决定从哪里开始的关键是关注一个确定的业务问题，这个问题很小，但很重要。这可能是一个你不知道如何解决的问题，好评返现文案，或者您目前正在使用BI解决方案来解决的问题。

例如，问题"为什么我的客户取消了与我的服务？"BI方法是对那些已经取消的客户可能共享的特征进行切片、切块、钻取和绘图，以便我们可以筛选剩余的客户，并在他们打电话给我们取消之前联系他们。我们依靠分析员对市场、客户群、数据集和个人经验的了解来选择如何连续缩小数据集。

预测分析方法是"训练"一个预测模型，通过将数据输入已取消的客户和未取消的客户，使模型了解数据集的每个特征然后，我们可以使用预测模型对每位客户的离职倾向进行"评分"，甚至了解影响其潜在决策的关键因素。然后，BI分析员可以根据评分进行筛选，这是一个加权变量，包含了客户的所有信息考虑到特性，大数据的未来，与BI报告中的级联过滤器相比，预测结果要精确得多。

实现预测

您可能想知道如何在没有数据科学家的情况下"训练"和"评分"以及如何完成所有预测工作。自动化预测算法已经取得了长足的进步，SAP已经率先推出了许多技术，对实现预测的许多步骤进行编码目前，数据科学家通过手工或脚本来完成这项工作。可以将其视为"盒子里的数据科学家"。解决方案的核心是自动预测算法，这些算法在数学实验室和现实世界中都经过了18年的数据科学完善，在现实世界中，数以百计的客户依赖它完成关键任务每天做决定。

虽然听起来自动化预测分析只是针对非数据科学家，但事实恰恰相反。自动化预测技术可以快速解决枯燥乏味的问题，以及构成"数据科学"的容易出错的任务。一个熟练的数据科学家可以调整和优化自动化算法，使其变得更好，而且只需一小部分时间，他们甚至可以手工做一个基本的预测模型。这就释放了数据科学家的宝贵时间，这样他们就可以从事更多的项目，并为客户提供价值业务的更多部分。

无论您在分析过程中处于何处，无论您的员工中是否有数据科学家，或者仅仅是非常聪明的商业智能专家，预测技术都有100%的可能消除一些分析障碍，或者至少使它们更容易克服。

请加入我们SAP BusinessObjects Analytics博客每周四发布有关所有预测性内容的新帖子（并阅读以前的系列帖子）。请通过Twitter@AshishMorzaria与我联系