预测分析不是一种全新的技术，但它是近年来刚刚开始发展的技术。由于现在可以收集和处理大数据的进展，探索数据和使用预测分析正在比以往更多的组织范围内。但这对于使用它的组织来说意味着什么呢?我们采访了Dell Statistica的全球分析产品经理David Sweenor，这是一种预测分析软件，旨在使数据分析更快，更易于访问，更适用于企业。
Techopedia：您能解释一下预测分析可以为企业做些什么，以及如何超越分析数据和预测未来结果以实际将这些信息转化为行动?
David Sweenor：作为一个部署在所有行业的预测分析平台，Statistica已经存在了30多年。我将举几个例子说明它可以为企业做些什么。我们在墨西哥的一位客户提供小额贷款。如果用户想申请信用，他们会去网站，输入他们的信息和预测模型提供实时分数，确定是否应该给予贷款。这很重要，因为在世界许多地方，像FICO，Experian和Equifax这样的传统信用局要么不存在，要么不可靠。此外，银行法也有所不同，因此公司可以使用社交媒体数据补充一些更传统的数据，并可以创建一个预测模型，为申请人提供更好的风险状况。通过这样做，该公司能够将违约率降低80%以上。这对于贷方来说是改变游戏规则的，如果你没有连接并分析所有可用的数据，这是不可能的。这只是我们银行界众多案例中的一个。
免费网络研讨会!
随处嵌入分析：启用公民数据科学家在此
注册
让我们看一下医疗保健公司的另一个例子，该公司使用预测分析从根本上改变他们开展业务的方式并与客户进行互动 - 在这种情况下，就是患者。在医疗保健领域，败血症和手术部位感染确实是一个大问题。这是当今医院中头号可预防的问题。在爱荷华大学医院和诊所，他们正在使用Statistica的预测分析来解决问题。Statistica将历史患者数据与手术期间获得的实时数据相结合，并在手术正在进行时实时地为外科医生提供预测分数，以确定该患者是否可能发生手术部位感染。
如果该分数高于某个阈值，则外科医生可以在手术结束之前在手术室内采取预防措施。结果令人咋舌 - 在2015年12月结束的三年期间，结肠手术患者的SSI发生率降低了74%。
这些只是预测分析如何使用的几个例子，但它是所有行业的公司可以利用的东西。例如，我们在制造业中占有很大的份额。无论您在哪个行业，预测分析都可以让您做出基于事实的决策，以改善运营，提高安全性，改善健康状况并降低风险。
Techopedia：预测分析软件旨在解决的一些关键大数据问题是什么?
David Sweenor：我认为关键问题之一是我们收集数据的能力总是超过我们分析数据的能力。因此，由于这一点，行业内正在发生一些事情。分析数据的历史方法是从不同系统收集数据，并将这个庞大的卷恢复到中央服务器或某种数据仓库。然后，你会有一些专家 -数据科学家，统计学家，数学家 - 他们会在地下室分析这些数据。他们最终会出现一些答案来帮助企业向前发展。
这是有问题的，因为我们不再有九个月等待数据分析。我们需要实时洞察和解答 - 以业务的速度。
我们需要做的是给组织内的某些人提供某种自助服务能力。而这正是我们对Statsitica的关注。我们的平台内有技术，允许组织内的数据科学家创建分析工作流程。他们可以将该工作流存储在中央存储库中，然后其他一些不熟练的人可以使用该工作流并重用它。它是一个节点，它是一个图标 - 它们将它拖到画布上并在自己的工作流程中使用它，就像它们自己构建它一样。现在，也许可重复使用的工作流模板非常复杂并且做了一些他们并不完全理解的高级建模，但现在有人建立了一个高级分析工作流，可以用来理解他们理解的内容 - 他们的数据和业务。
所以，我们真正想要做的就是帮助人们不停地重新发明轮子并一遍又一遍地做事。这是人们的一面。在技术方面，我们关注的重点在于，不是将所有这些数据转移到中央服务器进行数据分析，而是将数据分析。
最后，如果分析可以存在于数据所在的任何地方 - 它可以存在于数据库中，它可以位于Hadoop中，可以位于设备上，也可以位于冰箱内的传感器或灯泡中，也可以位于您可以收集的任何地方数据 - 然后我们可以节省我们今天在数据中来回移动的时间，金钱和能源，并在此过程中使我们的分析更好，更快，更安全，更可靠。
Techopedia：预测分析软件的部分作用是帮助我们称之为公民数据科学家。为什么今天这个行业如此重要?
David Sweenor：我认为这归结为技能短缺。当谈到公民数据科学家时，他们中的许多人都在使用Excel来操纵数据。这很好，但你只能用Excel做到这一点 - 他们还需要别的东西。他们需要能够从不同的多个系统(组织内部和外部)获取数据，并将它们组合在一起。他们需要自动化的方法来清理和准备这些数据。他们可能知道他们需要做什么样的分析，或者他们试图解决什么问题，但他们可能不熟悉神经网络如何实际工作的复杂性，因此这就是数据科学家创建可重用工作流程的地方使用神经网络或决策树或其他算法的模板。
我，作为公民数据科学家，我不必知道算法如何工作的细节，但我知道我正在尝试解决的问题，并且我有能力访问我的势力范围内的数据。Statistica通过简化流程和抽象复杂性帮助我做到这一点，因此我可以专注于解决业务挑战。
Techopedia：目前正在使用预测分析的最常见业务领域是什么，以及它正在扩展到哪些领域?
David Sweenor：我想说分析遍及所有行业的生活的方方面面。我们已经谈到了医疗保健和金融公司通过预测性见解为客户提供服务的重大进步。我们现在也看到客户使用分析来推动产品创新，并提高产品的效率，以满足客户的需求。
例如，我们与一家大型组织合作，该组织正在尝试为公司提供的不同产品提供新的优惠和全新的营业方式。
在使用我们的技术之前，他们需要大约9个月的时间来进行价值证明，或者在新的业务方式方面进行概念验证。在他们实施Statistica之后，这个价值证明从九个月到一天。这对他们来说是一个惊人的结果。
Techopedia：公司应如何定义业务分析模型的目标?
David Sweenor：我首先要明确定义您要回答的业务问题。你需要了解要拉动的杠杆。我认为，这项技术将永远存在。最好从一个问题开始。
所以，从这个问题或一组问题开始。您可以在您的业务中发挥什么影响?然后向后工作并模拟该决定。我们不希望仅为此做预测分析，我们希望能够改变行为。
Techopedia：戴尔的Statistica被誉为高级分析平台领域的领导者之一。它是如何从包中分离出来的，并解决了从数据中创建可操作的见解的问题?
David Sweenor：我认为这是我们不断推动的创新。我们在开发软件时始终倾听客户的意见。公司意识到公民数据科学家和业务线用户是分析的未来。他们想要使用所有这些人以及他们组织内的所有技能。我们让那些不是数学专家的人能够更容易地使用数学来得出答案。我们的环境是开放的。这对他们意味着他们的数据科学家可以用适合他们想要实现的任何语言编写代码。它可能是 Python，也可能是 R.，它可能是任何东西，真的。但它易于部署，对于那些不知道如何编码的人，像我一样，他们可以拖放图标来构建工作流程并做出决定。
我们还使组织能够重复使用他们拥有的技术投资。也许他们投资了数据库或Hadoop，或其他类似的东西; 我们使用这些系统。我们可以直接在这些源系统中进行分析。
能够采用分析工作流程并将其应用于不同的目标环境非常具有创新性。我不再被我工厂内的四面墙，或我的医院，或传统上包围我业务的任何边界所束缚。我们拥有允许我们跨网站和跨地域执行此操作的技术。这是创新的组成部分，使我们能够在这一领域加强并引领市场。