我們都知道，預測分析一直是“象牙塔里”統(tǒng)計學家和數(shù)據(jù)科學家的“特權”，他們遠離日常業(yè)務決策者。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和其他關鍵業(yè)務系統(tǒng)，預測分析最終將成為關注的焦點。雖然大多數(shù)客戶服務代表和現(xiàn)場銷售代表還沒有感受到這種影響，IBM和MicroStrategy等公司已經開始行動。

　　大數(shù)據(jù)：預測分析不再是統(tǒng)計學家的特權

　　想象一下這樣的世界，客戶服務代表可以獨立決定一個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上的評價來調整零售商的產品量。

　　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更有價值和更有利于業(yè)務發(fā)展，“我們總是會需要看看過去的數(shù)據(jù)，當你擁有大數(shù)據(jù)時，你更應該這樣做。BI并不會消失，它通過大數(shù)據(jù)被加強了。”

　　你如何知道在發(fā)現(xiàn)初始階段看到的預測會隨著時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色錢包好嗎?初步數(shù)據(jù)分析可能會這樣建議，因為上一季度(甚至更早期)紅色錢包賣得更多，所以紅色錢包賣得更好。

　　但是這具有相關性，并不存在因果關系。如果你更加仔細地查看---使用從BI工具收集到的歷史交易數(shù)據(jù)，你會發(fā)現(xiàn)，實際上是因為最新商家定位活動造成了這樣的結果，因為商家將目光都放在紅色錢包上。

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

　　分析社交媒體中的非結構數(shù)據(jù)能夠獲得直接回報

　　社交媒體存在很大的商機。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，因為你知道這件衣服將非常熱門，但只是在非常有限的時間內。

　　如果沒有預測分析(PA)，你很可能錯過這個機會。

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

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

　　通常被認為是大數(shù)據(jù)背后的驅動力的非結構化數(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)相關聯(lián)，并結合現(xiàn)有結構化客戶數(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)等新來源的信息，這樣你就獲得了強大的預測能力。

　　BI供應商MicroStrategy公司的行業(yè)營銷主管P.K.Paleru表示，大數(shù)據(jù)已經發(fā)生了兩件事情，“你可能給結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)進行微優(yōu)化。”

　　縮短大數(shù)據(jù)分析時間

　　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，這種分析的一個很大優(yōu)勢在于縮短“回答時間”(TTA)，數(shù)據(jù)科學家曾經需要花幾個月時間來建立查詢或者模型以回答關于供應鏈或生產計劃的前瞻性業(yè)務問題，現(xiàn)在只需要幾個小時就可以完成。

　　這是因為大數(shù)據(jù)技術允許信息在被優(yōu)化或者關系化之前進行分析。再加上高級分析技術，讓業(yè)務經理在非常短的時間內詢問和回答問題，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)來自動化機器學習等過程，”Barth表示，這樣做可以為每個產品線、每個市場產生20000個數(shù)據(jù)模型，讓用戶可以預測未來18個月。“這是一個很大的變化，他們之所以能這樣做是因為大數(shù)據(jù)技術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)計分析師需要數(shù)周甚至數(shù)月來建立單個模型。如果你銷售100個產品，你的整個產品線不可能超過1000個模型，這意味著這些模型返回的信息并不是很準確。

　　大數(shù)據(jù)分析的黃金時期還未到來

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

　　仔細考慮一下這些預測分析結果的實用性，1億個人的意見真正超過10萬人的意見嗎?

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