预测分析应用调查

TDWI出来一份分析报告，讲述2006年预测分析市场的故事。通过750份调查问卷得到这份报告。参见：
http://groups.google.com/group/ttnn/web/PA_Report_Q107_F.pdf

何谓"预测分析"？总觉得预测分析是个不太恰当的名字，听起来似乎是指用"预测"的分析方法，其实，这里只是指通过数据分析帮助客户进行下一步决策行动而已。作出一些统计报表，从中看出一些规律，这算不算预测分析？用excel里面的回归函数计算出下个季度的销售额，算不算？这份研究将BI分析应用分成4个层次，报表、OLAP/数据可视化、监控到预测。按照个理解，所谓的"预测分析"是指使用了特定技术的一种应用，还不如"数据挖掘"更通俗一点呢。我们现在做的，帮助客户做数据分析，支持营销活动，就是预测分析。ttnn里面也有很多在谈这个话题。

难保不同的被调查者对此理解有不同。问他们是否上了"预测分析"系统，有近一半的人表示纸币观望，其他还有无计划、正在干、部分实施、完全实施了的。猜想一下，这无计划的恐怕是因为他们尚在数据整合阶段，或者是竞争压力不大，或者是自己已经有这种预测分析应用而不知道吧。那些号称完全实施了的，恐怕是吹牛不上税的，喜欢"完全"这个字眼而已。

构建这种预测型分析应用，该是个什么样的过程呢？其实大抵还是跟数据挖掘方法论提到的类似。业务定义、数据探索、数据准备、建模、模型部署，老掉牙的东西。关键还是在实施时候的细节上面啊。比如说抽样，即便方法里面强调抽样，可为了省事不抽样，模型照样也能建的起来啊。看来，在TDWI的原始调查表里面，并没有将抽样作为一个环节让被调查者考虑。其实让我来说，这个环境倒真的如SEMMA方法论里面单独拎出来，以表重视才行。倒不是为了模型的精度，而是为了让建模的整个过程缩短，迭代多几次。

方法论这个东西，是概括的，它不是规定你必须得这么做。其实每个人做事都有一套方法，也许道理跟那些有名字的方法论是相通的。有些人很蔑视这种东西，有些人则拼着命往它们身上套。但追求本质，它还是为了提高人们干活的效率嘛。方法论告诉你只有在开始将目标定义地越明确，后面的工作才不会白作。这个道理大家都明白的很呐，可如何将目标定义清楚可是个大问题。却也不能因为说不清楚就不进行后面的工作了？即便后面的数据探索、建模其实是白费功夫，但至少有进展啊，至少做了一轮以后，会对那个目标定义地更清楚一点啊。

所以说，方法论表达的是一种成熟的干活模型，但在大家不成熟的时候，也每必要装，就循序渐进地干吧。在不成熟阶段，多谈那种高高在上的方法论，不如谈谈具体的细节。

比如报告中有个环节比较有意思，是选择变量的数目。从很早以前，我就非常郁闷为什么大家建模要考虑几百上千个变量，甚至以为是越多越好。最近半年才有些感触，别用太多的变量。从报告反映的结果来看，模型初始版本在40个变量以下，最终版本在20个以下的占了一半。虽然这不能说明我的观点是对的，但也算安慰以下——自己不是少数派，至少跟实际情况相符。不过世事难预料，谁知道真理是不是掌握在少数人手里呢？唉，就是这般怀疑主义。

谈了预测分析的定义，还有建模的过程，当然还有未来的预测。不过这部分是无趣的，只要注意到这份报告的赞助人，是SAS、SPSS之辈，难保在最后的趋势里面加上工具的一些看似客观，其实具备引诱性的趋势建议。当然，即便可以鄙视，也只能屈服于这些趋势，胳膊拧不过大腿。

要注意这份报告反映的主要是欧美的情况，被调查者中，欧美占了80％，亚洲只有7％。

总体看来，欧美的预测分析应用也没见多牛逼，也是起步不久嘛。不过从行业分布，从效益评估方面却能看出国内这方面应用的差距。比如在这些调查者中，除了咨询服务行业占的最多（因为他们更关注这种事情），其他诸如政府、电信、制造业、医疗卫生、零售、保险几乎都是差不多份额，发展比较均衡。这种应用的成功与否，我看还真的不在于采用何种高深的分析方法，而是看你分析结论能不能形成知识、规则，去指导行动。

经常听到国外的一些BI案例，如何在管理、经营、客户服务中嵌入分析功能，多牛逼啊。如果想想实现的方法，到也不是难事啊。如果决策要精细化，需要精细的分析结论来支撑，有需才有应。而如果是一个极具扩张的环境，是无需也有应。前者强调投入回报，后者不惜成本。所以，这个差距还不光是在建模水平上，还跟大环境有关系的。

相信在国内很多企业都有这样的预测分析需求，每个月出一次报表是满足不了他们的胃口了。只是听起来搞这种预测分析成本有点高。硬件、软件是个问题，数据是个问题，人员也是个问题。

但其实可以针对这种需求作个小项目，不需要数据仓库，不需要昂贵的硬件、软件，只需要购买数据分析服务就可以了。帮助清晰勾勒出业务问题，使用最便宜最通用的分析工具，基于数据回答那个问题。

微信扫一扫实时了解行业动态

微信扫一扫分享本文给好友