我們都知道，預(yù)測分析一直是“象牙塔里”統(tǒng)計(jì)學(xué)家和數(shù)據(jù)科學(xué)家的“特權(quán)”，他們遠(yuǎn)離日常業(yè)務(wù)決策者。大數(shù)據(jù)將改變這種狀況。

　　隨著越來越多的數(shù)據(jù)流被放到網(wǎng)上，并整合到現(xiàn)有的BI、CRM、ERP和其他關(guān)鍵業(yè)務(wù)系統(tǒng)，預(yù)測分析最終將成為關(guān)注的焦點(diǎn)。雖然大多數(shù)客戶服務(wù)代表和現(xiàn)場銷售代表還沒有感受到這種影響，IBM和MicroStrategy等公司已經(jīng)開始行動。

　　大數(shù)據(jù)：預(yù)測分析不再是統(tǒng)計(jì)學(xué)家的特權(quán)

　　想象一下這樣的世界，客戶服務(wù)代表可以獨(dú)立決定一個(gè)問題客戶是否值得保留或者升級，又或者，銷售人員可以基于人們對零售商在Facebook或Twitter上的評價(jià)來調(diào)整零售商的產(chǎn)品量。

　　大數(shù)據(jù)將組群分析和回歸分析等較常用的工具交到日常管理人員手中，然后他們可以使用非交易數(shù)據(jù)來做出戰(zhàn)略性的長期的業(yè)務(wù)決定。

　　然后，大數(shù)據(jù)并不是要取代傳統(tǒng)BI工具，Gartner研究公司的BI分析師Rita Sallam表示，大數(shù)據(jù)將讓BI更有價(jià)值和更有利于業(yè)務(wù)發(fā)展，“我們總是會需要看看過去的數(shù)據(jù)，當(dāng)你擁有大數(shù)據(jù)時(shí)，你更應(yīng)該這樣做。BI并不會消失，它通過大數(shù)據(jù)被加強(qiáng)了。”

　　你如何知道在發(fā)現(xiàn)初始階段看到的預(yù)測會隨著時(shí)間的推移而得到證明呢，例如，在中西部地區(qū)，紅色錢包真的賣得比藍(lán)色錢包好嗎?初步數(shù)據(jù)分析可能會這樣建議，因?yàn)樯弦患径?甚至更早期)紅色錢包賣得更多，所以紅色錢包賣得更好。

　　但是這具有相關(guān)性，并不存在因果關(guān)系。如果你更加仔細(xì)地查看---使用從BI工具收集到的歷史交易數(shù)據(jù)，你會發(fā)現(xiàn)，實(shí)際上是因?yàn)樽钚律碳叶ㄎ换顒釉斐闪诉@樣的結(jié)果，因?yàn)樯碳覍⒛抗舛挤旁诩t色錢包上。

　　這也是為什么IBM公司的新興技術(shù)主管David Barnes更傾向于參考來自大數(shù)據(jù)技術(shù)(例如Hadoop、map/reduce等)的結(jié)果。例如，你不會想基于對Twitter流的情感分析來作出關(guān)鍵業(yè)務(wù)決策。

　　分析社交媒體中的非結(jié)構(gòu)數(shù)據(jù)能夠獲得直接回報(bào)

　　社交媒體存在很大的商機(jī)。例如，作為零售商，你發(fā)現(xiàn)Justin Bieber的分析非常喜歡他在昨晚演唱會穿的外套，并且有人在Twitter上表示他從你的商店買到了一件，然后你可以快速決定增加那件外套的存貨量，因?yàn)槟阒肋@件衣服將非常熱門，但只是在非常有限的時(shí)間內(nèi)。

　　如果沒有預(yù)測分析(PA)，你很可能錯(cuò)過這個(gè)機(jī)會。

　　“在過去，我們會根據(jù)歷史數(shù)據(jù)來做決定，但現(xiàn)在時(shí)代不同了，”Barnes表示，“現(xiàn)在我們需要預(yù)測分析。”

　　我們需要結(jié)合開源技術(shù)(大多數(shù)大數(shù)據(jù)平臺都源自開源)、摩爾定律、商品硬件、云計(jì)算以及捕捉和存儲大量非交易數(shù)據(jù)的能力來實(shí)現(xiàn)預(yù)測目的。

　　通常被認(rèn)為是大數(shù)據(jù)背后的驅(qū)動力的非結(jié)構(gòu)化數(shù)據(jù)(例如視頻和電子郵件)幾乎沒有參與這一過程。你可以刷博客和用戶論壇，然后將這些信息與地理數(shù)據(jù)相關(guān)聯(lián)，并結(jié)合現(xiàn)有結(jié)構(gòu)化客戶數(shù)據(jù)，和來自Micro Strategy Wisdom引擎(追蹤1400萬Facebook用戶對你的品牌的評價(jià))等新來源的信息，這樣你就獲得了強(qiáng)大的預(yù)測能力。

　　BI供應(yīng)商MicroStrategy公司的行業(yè)營銷主管P.K.Paleru表示，大數(shù)據(jù)已經(jīng)發(fā)生了兩件事情，“你可能給結(jié)合不同來源的各種類型的數(shù)據(jù)，你還可以對所有這些數(shù)據(jù)進(jìn)行微優(yōu)化。”

　　縮短大數(shù)據(jù)分析時(shí)間

　　信息管理和分析咨詢公司New Vantage Partners公司的創(chuàng)始人兼管理合伙人Paul Barth表示，這種分析的一個(gè)很大優(yōu)勢在于縮短“回答時(shí)間”(TTA)，數(shù)據(jù)科學(xué)家曾經(jīng)需要花幾個(gè)月時(shí)間來建立查詢或者模型以回答關(guān)于供應(yīng)鏈或生產(chǎn)計(jì)劃的前瞻性業(yè)務(wù)問題，現(xiàn)在只需要幾個(gè)小時(shí)就可以完成。

　　這是因?yàn)榇髷?shù)據(jù)技術(shù)允許信息在被優(yōu)化或者關(guān)系化之前進(jìn)行分析。再加上高級分析技術(shù)，讓業(yè)務(wù)經(jīng)理在非常短的時(shí)間內(nèi)詢問和回答問題，不過，現(xiàn)在仍然需要IT員工和數(shù)據(jù)建模人員伸出援助之手。

　　“這些人正在使用大數(shù)據(jù)來自動化機(jī)器學(xué)習(xí)等過程，”Barth表示，這樣做可以為每個(gè)產(chǎn)品線、每個(gè)市場產(chǎn)生20000個(gè)數(shù)據(jù)模型，讓用戶可以預(yù)測未來18個(gè)月。“這是一個(gè)很大的變化，他們之所以能這樣做是因?yàn)榇髷?shù)據(jù)技術(shù)可以自動化很多建模步驟，并可以在無人職守的情況下執(zhí)行。”

　　在不久前，這幾乎是不可能的，統(tǒng)計(jì)分析師需要數(shù)周甚至數(shù)月來建立單個(gè)模型。如果你銷售100個(gè)產(chǎn)品，你的整個(gè)產(chǎn)品線不可能超過1000個(gè)模型，這意味著這些模型返回的信息并不是很準(zhǔn)確。

　　大數(shù)據(jù)分析的黃金時(shí)期還未到來

　　雖然這一切讓業(yè)務(wù)用戶感到激動，但是大范圍普及大數(shù)據(jù)分析技術(shù)并不會那么快發(fā)生。Hadoop雖然很強(qiáng)大，仍然只是用于處理海量數(shù)據(jù)集的“原始”工具。

　　仔細(xì)考慮一下這些預(yù)測分析結(jié)果的實(shí)用性，1億個(gè)人的意見真正超過10萬人的意見嗎?

　　“存在大量的重復(fù)的數(shù)據(jù)，”Barth表示，如果你想要正確地進(jìn)行分析，“你仍然需要聰明的分析師”，幸運(yùn)的是，大數(shù)據(jù)為他們提供了非常強(qiáng)大的工具。