大数据预测分析在企业规划中的价值

　　大数据分析被认为将推动下一次工业革命。企业有机会利用可支配的数据，无论是交易型企业数据还是电子邮件，Web日志，物联网(IoT)数据流或点击流等形式的非结构化数据。数据不仅代表了解当前用户偏好，行业和业务环境的方式，而且还可以预测未来的变化。
 

　　传统上，这将通过分析历史数据来完成。例如，通过分析在线销售，零售商可以根据哪些用户更有可能购买特定产品来更好地确定促销目标。工厂经理可以通过检测机器和传感器日志中的模式来预测何时工业设备将发生故障。使用历史数据预测未来事件的高级分析分支称为预测分析。
 

　　如今，随着技术的进步，预测分析利用了结构化的企业数据和非结构化数据，然后使用统计建模，机器学习和人工智能等技术进行预测。当今的预测分析在大数据上蓬勃发展。结构化和非结构化数据集的丰富性允许创建强大的预测模型。
 

　　无论您的公司是刚开始使用预测分析还是要在预测分析计划中启动最新项目，在进入之前都应做以下几件事：
 

　　1、不用说，第一个任务是清楚地标识您要解决的一个或多个业务问题。例如，在性能不佳的既定SaaS产品上增加经常性收入。
 

　　2、显然，一旦业务问题被确定为有问题或需要改进，就需要定义可衡量的成功标准。例如，减少客户流失并提高客户获取率。
 

一、规划项目成功
 

　　一旦确定了业务需求并建立了行政赞助，项目负责人应召集职能部门/部门的利益相关者团队来计划项目，包括：
 

　　1、业务或产品线的决策者，负责评估成本和业务收益以验证项目的业务需求。
 

　　2、数据团队负责人应帮助量化项目从沙盒到生产的可扩展性的工作量和可行性。
 

　　3、数据科学负责人应该参与其中，以帮助识别数据以及资源缺口。
 

　　4、IT是重要的合作伙伴，IT和基础架构负责人需要参与计划生产部署。
 

　　5、当预测模型需要集成到产品(内部或外部)中时，需要让产品管理负责人参与。
 

　　6、鉴于法规不断变化，安全和治理专家应成为团队的一部分。
 

　　一旦成立，规划团队将成为指导委员会，并通过确定项目目标，设定期望，确定差距和开放沟通渠道

 

二、定义成功
 

　　明确定义业务问题，识别和定义成功指标。指导委员会还应负责区分次要指标和依存关系。例如，您可以制定一个目标，将经常性收入提高5%，这可能会受到不受预测分析影响的外部因素的影响。分解每个操作的贡献，例如与经常性收入相关的客户获取率和流失率，以帮助确定进度是否与您的目标相符。虽然建立业务成功标准很重要，但在每个计划的生命周期中根据资源的使用情况设置基础结构治理策略也很重要。
 

三、制定人员配备计划
 

　　如果这是该公司的一项新计划，则必须制定一个短期和长期计划以建立所需的技能。预测分析需要结合统计建模和计算机编程技能以及良好的业务领域专业知识。这些都是稀缺的技能，公司应该制定一个计划来聘用和保留人才。
 

四、设定正确的期望
 

　　每个预测分析模型都有一定的误差范围，并且指导委员会将需要识别和量化执行不正确的预测所涉及的风险。一些业务流程对风险的容忍度非常低，并且指导委员会必须决定如何使用预测分析来推动业务决策。
 

五、找出数据和技术差距
 

　　必须清楚地识别内部和外部数据源，以及量化从这些源中提取数据所涉及的工作量也是必不可少的。同时，指导委员会还应评估现有技术解决方案，找出差距，并提出建造或购买的建议。
 

六、建立报告和沟通渠道
 

　　每一项新举措都需要持续的高管人员赞助，并且指导委员会还必须明确定义一种方法和节奏，以便与利益相关者和高管人员交流进度。
 

　　定义业务需求和目标后，典型的最佳实践是组建一个灵活的创新团队，该团队由数据科学家，数据工程师，产品经理，应用程序开发人员和其他领域专家组成，其任务是确定项目，进行原型设计，和测试解决方案。
 

七、缩小技能差距
 

　　大数据科学家，大数据工程师和领域专家等具有预测分析所需技能的人员短缺，这已不是什么秘密。企业的预测分析计划的成功取决于获得专门知识来构建，部署和维护此类项目。从短期来看，雇用承包商和顾问来启动项目并将其付诸实践是一个可行的选择。但是，为了使预测分析项目具有长期可行性，有必要通过以下方式建立有效的招聘和培训计划：
 

　　1、在存在数据科学人才的地理区域中建立创新中心，以构建初始原型并培训现有员工。
 

　　2、识别高潜力员工，对他们进行工作激励和培训。
 

　　3、与教育机构合作，为入门级候选人建立支线课程。
 

　　预测分析应成为长期企业战略的一部分。在短期内，顾问和承包商可以填补短期人才缺口，同时内部技能正在建立。
 

八、管理变更
 

　　预测分析项目的实施可能会导致当前员工的工作方式发生重大变化。变更管理和培训应该成为任何项目的一部分，这不仅是项目成功的原因，而且还应确保员工不会受到威胁，并能够针对各种业务场景解释结果。
 

　　在此程度上，企业应确保员工熟悉如何收集，存储和处理数据。数据用户必须从高层次上了解模型如何产生前瞻性指标，误差幅度以及如何解释结果并将其纳入业务决策。企业不仅应考虑通过预测分析来增强现有业务流程，而且还应寻找机会通过预测分析来完全改造业务流程，并适当地对员工进行培训。
 

九、长期投资
 

　　预测分析在当今的业务环境中具有强大的应用程序。但是，寻求超越实验并真正由数据驱动的企业将需要培训员工并提供对相关数据的受控自助访问。仅当员工知道如何检验假设并提出可改善业务成果的解决方案时，这种自助服务策略才有效。在生产中，需要制定治理策略以确保模型的持续准确性。随着生产部署规模的扩大，应持续监控和优化成本。