什麼是預測性分析？
預測性分析透過對目前資料與歷史資料的研究，來預測未來的結果。組織希望瞭解目前的決策對未來成長和財務的影響。預測性分析可協助組織根據現有資料中的模式和關係來猜測未來趨勢。其旨在最大程度地減少風險、提高生產力並引導策略決策。
分析師會運用數學建模、機器學習及其他先進資料科學技術，來解答企業的假設性問題。例如，市場行銷分析師會使用預測性分析來確定其未來的產品銷售量，氣象站會使用預測性分析來預測天氣，股票經紀人會使用預測性分析來最大化交易報酬。
預測性分析與其他類型的分析有何差異？
分析師使用四種類型的資料分析：描述性、診斷性、預測性和規範性分析。
- 描述性分析透過歷史資料分析，來識別過去發生的事件。
- 診斷性分析使用歷史資料，來解釋過去發生某事件的原因。
- 預測性分析根據歷史資料和目前資料模式，來預測未來趨勢。
- 規範性分析規範未來的行動和決策，讓企業能夠最佳化決策。
預測性分析與描述性分析
描述性分析是一種資料科學，讓資料工程師能夠了解過去發生的事件。該分析探索過往資料，並將其呈現在資料表與圖表等易於理解的統計模型中。舉例來說，多年來，公司一直藉助描述性分析來研究季節性銷售趨勢。
描述性分析以透過資料探勘技術發現的實際事件與模式為依據。不過，像預測性分析一樣，描述性分析不會預測未來事件。
預測性分析與規範性分析
預測性分析依據過往事件來預測可能會發生的情況，而規範性分析則進一步建議可影響結果的決策。舉例來說，預測性模型表明，配送團隊可能無法應對即將到來的節日旺季。之後，工廠管理者則藉助規範性分析來確定最佳配送方案、物流服務，以及人員輪班安排。
為什麼預測性分析很重要？
預測未來各方面的能力至關重要。工程師、科學家、企業和經濟學家長期以來一直使用預測性分析來指導其活動。得益於機器學習技術的發展，資料科學能夠將預測性建模擴展至之前難以處理或過於複雜的領域。憑藉可擴展運算、資料挖掘和深度學習技術，企業能夠深入挖掘其資料湖並擷取資訊和獲得趨勢。預測性分析已經內嵌至企業程序中，為處於最前沿的組織提供顯著的競爭優勢。優點包括
降低決策風險
管理層與員工每天都做出許多影響公司績效的決策。藉助預測性分析工具，利害關係人可運用資料驅動型指標來為其決策提供支援。舉例來說，資料分析師可預測未來的需求，以便在新市場區隔推出產品的過程中提供支援。
個人化客戶體驗
憑藉預測性分析應用程式，公司能夠藉由分析市場趨勢與客戶資料，更高效地與客戶互動。舉例來說，市場行銷團隊依據過去的購買行為來推薦產品，藉此打造更具針對性的行銷活動，進而帶來更多銷量。
提高生產效率
在協助公司最佳化與擴展營運方面，預測性分析至關重要。若人力、銷量與材料成本等變數出現波動，企業管理者可藉助預測性資料分析來確定工作流程瓶頸。該分析技術可模擬各種不同的情境，以預測可能的問題。
預測性分析的使用案例有哪些？
眾多組織紛紛採用預測性分析，來引導即時與未來成果。下面舉例說明了部分預測性分析運用。
金融
銀行業與基金經理需要做出重大決策，這可能會影響金融機構的盈利能力。預測性分析能夠依據過往交易資料提供商業智慧，從而讓他們能夠充滿信心地做出決策。例如，
- 貸款經理藉助進階分析軟體來預測信用風險，再核准申請人的貸款。
- 銀行業務安全團隊利用預測性分析軟體，來確定提示詐騙活動的異常交易資料。
- 保險公司能夠藉助預測性建模，來確定虛假的保險理賠。
零售
零售公司使用預測性分析來預測區域和本地客戶需求，並將庫存預先交付到區域和本地配送站，以縮短交付時間。其他公司使用潛在客戶評分模型來提高潛在客戶轉化率，並根據客戶檔案使用預測性建議來增加向上和交叉銷售機會。預測性分析在此確定更高效的市場行銷策略。公司還使用預測性分析來預測未來的需求和銷售額。
生產製造
製造商藉助預測性分析來改善整個供應鏈的生產效率、成本效益與品質。舉例來說，採購經理藉助預測性分析來預測物料價格，以及盡可能低的費率來提供保障。與此同時，物流部門執行預測性分析，來規劃最佳配送線路及降低運費。
此外，生產製造業藉助預測性機器學習來確定可能的設備故障。技術人員能夠定期進行維修，從而最大限度地降低對生產時間安排的影響。製造商使用預測性資料分析來監控生產線設備，以最佳化產量、偵測異常情況並突顯設備缺陷。製造公司使用預測性分析來監控機器、確定狀況並預測維護需求。
醫療保健
醫療保健產業受益於宏觀及微觀層面的預測性分析。舉例來說，醫學專家藉助預測性模型，依據疫苗開發及可用性等日益變化的變數，來繪製全球疾病的路徑。此外，醫生還藉助醫療保健領域的預測性分析來檢測患者症狀，以及預測未來可能出現的併發症。醫療保健公司對患者監測設備使用預測性分析，以偵測患者狀況的即時變化，同時消除導致患者監測設備無效的虛假警示。
預測性分析如何運作？
如今，很大程度上依據進階的機器學習技術來進行預測性分析。資料科學家使用深度學習和複雜演算法來分析多個變數，以建立能夠從巨量資料中預測可能行為的預測模型。
預測性分析模型
預測性分析模型由各種技術、方程式及數學原理組成，讓電腦能夠依據特定假設，來計算事件發生的概率。這些模型設法解答可能性問題，例如：
- 特定客戶違約貸款的機率？
- 具體的市場行銷與財務決策將如何影響未來股價？
- 機器執行多長時間後需要維修？
指導未來業務決策的預測性分析模型往往很複雜，且需要考慮許多因素。這些通常需要時間來開發和驗證，並且需要不斷最佳化，以適應商業和經濟環境的變化。
預測性分析模型可能包括分類模型
建置模型
組織藉助預測性模型，來分析歷史資料與交易資料的可能結果。依照以下步驟建置預測性模型：
定義目標
團隊討論其想要預測的問題，以了解商業目標。藉由正確界定預測性分析案例的商業目標範圍，您可開始確定模型的輸入、輸出及相關資料集。
收集必要資料
下一步是整合不同來源的資料到資料倉儲。資料收集來源包括電子郵箱、ERP 系統、試算表，以及其他企業應用程式。若您對統計模型提供較大資料集，而非幾個資料點，則預測性建模通常會變得更加準確。
訓練與部署模型
現在可藉助統計技術與預測性技術來分析範例資料。預測性建模技術產生一致且準確的結果後，您即可整合模型與企業應用程式。這樣一來，每個業務部門都具有存取權，以便做出準確的預測。
常見的預測性分析技術有哪些？
與許多機器學習應用程式一樣，預測性分析是一種不斷使用新資料來更新預測的動態活動。這表示該技術藉助資料淨化、模型訓練、部署、意見回饋、再訓練及重新部署等管道，還能近乎即時地擷取資料。資料科學家運用以下預測性分析技術。
決策樹
決策樹是一種機器學習模型，可讓軟體透過答覆一系列是否問題來做出預測。正如其名，這種技術模擬樹的結構，由節點與分支組成。每個節點包含與問題相關的特定特徵，必須先處理才能繼續到下一個節點。每個節點會分叉為兩個子節點，這些子節點又會連接至下一個節點。
決策樹可預測定性資料與定量資料。舉例來說，您可使用決策樹預測模型來預測房產價格，或者依據明顯的症狀來預測患者的健康狀況。決策樹很容易理解，但在分析各種新資料時靈活性較低。
迴歸分析
迴歸分析是一種統計方法，資料科學家藉助該方法對新資料進行分類，或者與已知資料集進行關聯，藉此做出預測。線性迴歸模型透過二維圖表，展示自變數與因變數之間的關係。舉例來說，人力資源經理藉助線性迴歸模型，依據應徵者的工作經驗來預測其薪資水準。
而邏輯迴歸模型則依據概率，將變數分類為兩類或多類。舉例來說，IT 團隊藉助邏輯迴歸模型，來偵測及預測電子郵件是否為垃圾郵件。若模型發現電子郵件中包含超出預設閾值的過多不安全特徵，則會將其標記為可疑電子郵件。
時間序列分析
時間序列分析是一項預測性分析技術，用於分析一段時間內收集或記錄的資料點，從而確定時間順序的重要性。在預測股價變動、能源消耗，或供應鏈管理中的需求規劃時，這項分析技術尤其有用。
在時間序列分析中，採用的一項主要方法是自動迴歸整合移動平均模型 (ARIMA)，該模型考慮歷史值與誤差值來模擬時間序列中的相關性，從而預測未來的趨勢。長短期記憶網路 (LSTM) 等更進階的方法能保持延長時間範圍的記憶，善用深度學習技術來擷取時間序列資料中的長期相依項。
深度學習神經網路
深度學習可讓模型處理複雜且高維度的資料，以及探索傳統技術可能會忽略的複雜關係，藉此徹底革新預測性分析技術。在利用影像、影片及語音等複雜資料做出預測時，神經網路尤其有效。深度學習模型能夠提升醫療保健與網路安全等複雜產業的預測能力。
AWS 如何協助進行預測性分析？
Analytics on AWS 針對每個分析工作負載提供全面的功能集。
從 Amazon SageMaker 開始，在 AWS 上建置您自己的預測性分析模型與工作流程。Amazon SageMaker 可統一存取所有資料，帶來了分析、人工智慧與機器學習的整合式體驗。
使用熟悉的 AWS 工具 SageMaker AI、生成式 AI、資料處理和 SQL 分析方面的模型開發，從統一的工作室加快協作和建置，這些工具由 Amazon Q Developer 加速，這是對於軟體開發最有能力的生成式 AI 助理。無論是儲存在資料湖、資料倉儲或第三方或聯合資料來源中，都可以存取所有資料，內建的治理功能可滿足企業安全需求。
您還可使用無程式碼服務 Amazon SageMaker Canvas，該服務提供數十種內建預測性模型與功能，從資料準備到模型建立與訓練、生成預測，以及部署模型至生產，支援整個預測性分析工作流程。還為業務分析師帶來了視覺化點按式介面，無須機器學習經驗或編寫程式碼，就能獨立生成準確的預測。
立即建立免費的 AWS 帳戶，開始使用 AWS 上的預測性分析。