什么是预测性分析？
预测性分析是利用历史数据和当前数据进行未来预测的研究。它结合使用了高级数学、统计学和机器学习技术来分析数据，以确定和推断暗含的趋势。
许多企业和组织使用预测性分析来指导未来的决策。例如，营销分析师使用预测性分析来确定其产品的未来销售量，气象站使用此分析来预测天气，股票经纪人使用它来最大化交易回报。
预测性分析和分析层次结构
分析师使用四种类型的数据分析：描述性、诊断性、预测性和规范性分析。分析层次结构如下。
- 描述性分析通过历史分析识别过去发生的事情
- 诊断性分析使用历史数据来解释过去发生某事的原因
- 预测性分析根据历史和当前数据中的模式来预测未来趋势
- 规范性分析规定未来的行动和决策，使企业能够优化决策
为什么预测性分析很重要？
预测未来方面的能力至关重要。长期以来，工程师、科学家、企业和经济学家一直使用预测性分析来指导他们的活动。其中包括今天仍在使用的技术，例如回归分析和决策树。
机器学习技术的发展已使数据科学能够将预测建模扩展到以前难以处理或过于复杂而无法处理的领域。可扩展计算、数据挖掘和深度学习技术使企业能够深入挖掘其数据湖并提取信息和趋势。预测性分析已经嵌入到业务流程中，为处于最前沿的组织带来了显著的竞争优势。
预测性分析如何工作？
如今的预测性分析主要基于先进的机器学习技术。数据科学家使用深度学习和复杂算法来分析多个变量，以创建能够从大数据中预测可能行为的预测模型。
与许多机器学习应用程序一样，预测性分析是一种不断使用新数据来更新预测的动态活动。这意味着该技术使用数据清洗、模型训练、部署、反馈、再训练和重新部署的经典机器工具管道，并且能够近乎实时地摄取数据。相关技术包括决策树、回归分析、时间序列分析和深度学习神经网络。
指导未来业务决策的预测性分析模型往往很复杂，需要考虑诸多因素。这些模型的开发和验证通常需要一定时间，并且需要不断返回以适应商业和经济环境的变化。
预测性分析有哪些使用案例？
许多组织积极使用预测性分析来指导实时和未来的决策。
金融
金融部门使用预测性分析来指导决策。示例包括预测性市场交易、信用风险评估和贷款审批。保险公司使用预测性分析来预测极端天气事件，以减轻保险索赔并检测欺诈性保险索赔。
零售
零售公司使用预测性分析来预测区域和本地客户需求，并将库存预先交付到区域和本地配送站，以缩短交货时间。其他公司使用潜在客户评分模型来提高潜在客户转化率，并使用预测性建议来增加基于客户资料的追加销售和交叉销售机会。公司还使用预测性分析来预测未来的需求和销售。
制造业
制造商使用预测性分析来监控生产线设备，以优化吞吐量、检测异常情况并突出设备缺陷。制造公司使用预测性分析来监控机器、识别机器状况并预测维护要求。
医疗保健
医疗保健公司对患者监测设备使用预测性分析，以检测患者状况的实时变化，同时在很大程度上消除导致患者监测设备无效的虚假警报。其他用例包括执行医疗诊断以及根据过去的数据和患者的健康状况来预测疾病的进程。
预测性分析有何优点？
预测性分析有四个主要好处：
- 预测性分析可以帮助客户做出明智的决策。
- 预测性分析可以提供实时答案。经过训练的预测性分析模型可以实时提取数据并提供即时答案。
- 预测性分析可以帮助客户理解复杂的问题。它有助于更快、更准确地揭示数据中的模式。
- 预测性分析可以帮助企业获得竞争优势。使用预测性分析的公司比不使用预测性分析的公司更具竞争优势，因为它们能够更准确地预测未来事件。
AWS 如何帮助进行预测性分析？
要开始使用预测性分析，可以探索 Amazon SageMaker Canvas，该工具通过为业务分析师提供可视化的点击式界面来扩展机器学习 (ML) 的访问权限。此工具可让分析师自行生成准确的 ML 预测，而不需要任何机器学习经验，也无需编写任何代码。您可以将 SageMaker Canvas 用于一系列场景，包括预测客户流失、预测准时交货和库存计划。
您还可以探索 Amazon SageMaker，通过完全托管的基础设施、工具和工作流为任何使用场景构建、训练和部署 ML 模型。
要开始使用，请浏览 SageMaker Canvas 教程。
