跳至內容
看著窗外的人

何謂預測分析?

預測分析能協助企業以更精確地角度展望未來、放眼天下。這種能力一向很重要,但從未像現在如此重要。企業不得不因應重大貿易和供應鏈中斷、需求突然飆升或暴跌、全新風險和挑戰,以及整體未知的水域。這就是為什麼預測分析已成為全球組織優先考慮的首要事項。

預測分析定義

預測分析是進階分析的分支,可預測未來事件、行為和結果。其使用統計技術,包括機器學習演算法和精細複雜的預測模型,來分析目前和歷史資料,並評估某事發生的可能性,即使這些事項不在企業的關注範圍裡。

預測分析與大多數產業相關,並且具有許多用途,包括:

  • 減少員工和客戶流失
  • 識別最有可能拖欠付款的客戶
  • 支援以資料為基礎的銷售預測
  • 設定最佳定價
  • 追蹤機器何時需要維護或更換時

在協助決策者因應瞬息萬變且市場波動為常態的世界時,可行且準確的預測至關重要。雖然在新冠肺炎疫情發生前確實如此,但在疫情期間,有能力針對多種可能情境進行調整、預測和規劃,比以往任何時候都更加重要。

預測分析也用於對抗新冠肺炎疫情。醫療院所和醫療體系使用預測模型來評估風險、預測疾病結果,並管理醫療設備和 PPE 的供應鏈。其次,研究人員使用模型來繪製病毒傳播圖、預測病例數和管理接觸者追蹤,這些作為都是為了減少感染和死亡人數。

如上文所示,預測分析可協助企業預測現金流量。

預測分析與指示分析

建立並部署可產生準確、及時預測的預測模型後,下一步該怎麼辦?許多企業認為建立指示分析是下一個最合乎邏輯的步驟。

 

預測分析可協助您判斷接下來可能發生的狀況,而指示分析則可以告訴您面對狀況該怎麼做,或者如果您採取 X、Y 或 Z 行動,將如何達到更好的結果。此類型的進階分析建立在預測分析上,並考量許多不同因素,以指示最佳的行動或決策過程。

 

指示分析普遍被認為是「企業分析的最後一個階段」。此分析也是最複雜而且相對較新的分析,目前在 Gartner 的《2020 年分析和商業智慧炒作週期》(Hype Cycle for Analytics and Business Intelligence 2020)中仍維持在高峰。

預測分析的現況

根據 Allied Market Research 的調查研究,全球預測分析市場預計到 2027 年將達到 354.5 億美元,複合年成長率(CAGR)成長 21.9%。預測分析在當今世界確實發揮了自己的作用,鑒於全球不斷產生大量資料,電腦處理能力呈現指數級的加速成長,軟體也變得互動性更高且易於使用。

 

企業不僅收集大量資料,還收集許多不同類型的資料,從傳統的結構化資料到非結構化資料,例如物聯網(IoT)、文字、影片和暗資料。預測分析結合並分析不同來源之大數據的能力,可以產生更準確的預測,並且顯露更深入、更強大的洞察。雲端是連接各種不同資料來源的關鍵,此外,將資料儲存在以雲端為基礎的資料湖倉一體(Data Warehouse),比儲存在就地部署更符合成本效益,也更具擴充性。

 

當今的預測分析也運用機器學習、深度學習和神經網路等人工智慧(AI)技術來「強化」。這些強化預測分析可以快速分析大量資料,揭示人類可能遺漏的洞察,並讓預測未來事件的可能性變得更加細緻和準確。它們還將預測分析程序中的複雜步驟自動化,例如建立和測試預測模型。而自然語言處理(NLP)這種類型的 AI,可讓使用者以對話式語言提出問題並獲得答案,讓解釋和理解這些答案變得前所未有的容易。

從過去看來,預測分析背後的工具和技術非常精細和複雜,只有資料科學家和專業分析師能夠有效運用。不過借助強化預測分析,現在就算是只受過一點訓練的企業使用者,在沒有 IT 人員協助的情況下,也能夠產生準確的預測結果並制訂明智的前瞻性決策,這在激烈競爭的市場中是令人無法忽略的優勢。

預測分析的範例

從金融服務到航太,預測分析幾乎適用於所有產業,且對所有產業都具有高度價值。預測模型可用於預測存貨、管理資源、設定票價、管理設備維護、開發信用風險模型等等,能夠協助企業降低風險、優化營運並增加收入。

 

人力資源中的預測分析

 

人力資源是一個自然追蹤大量人員資料的領域。透過預測性分析,可以分析這些資料來判斷潛在員工是否能適應企業文化、哪些員工有離開組織的風險(如下所示)、公司是否需要提升員工技能或僱用新員工以填補技能差距,以及員工是否能夠有效地為業務成果貢獻一己之力。這些能力代表人力資源對於促進整體業務成果能做出很大的貢獻,而不是只能作為獨立的職能。

人力資源中的預測分析可用於預測員工流失。

醫療保健中的預測分析

 

在當今世界,醫療院所和醫療保健組織面臨著將資源利用程度提高到最高的巨大壓力,而預測分析讓這個目標得以實現。透過預測分析,醫療保健體系的公務員可以改善財務和營運決策、優化存貨和人員配置水準、更有效地管理其供應鏈,並預測醫療設備的維護需求。預測分析還能夠透過檢測患者惡化的早期徵兆,找出有復診風險的患者,提高患者診斷和治療的準確性,從而提高臨床結果。

 

零售中的預測分析

 

零售商會在網路上收集大量客戶資訊,例如透過 Cookie 追蹤線上活動,也會在現實世界中收集大量客戶資訊,例如監控顧客在實體店面中瀏覽商品的途徑。其他追蹤的資訊包括銷售點的顧客聯絡細節、顧客的社群媒體活動、購買的商品,以及購買特定品項或造訪商店的頻率。透過預測分析,零售商可以多方運用這些資料,從庫存最佳化和收入預測,到行為分析、購物者目標鎖定和詐欺偵測。

 

行銷中的預測分析

 

預測分析所產生的模型對行銷人員而言非常有價值,可以讓他們在展開行銷活動時鎖定特定目標並提高效益,讓顧客可以隨時隨地從網路訂購所想所要的商品。預測行銷分析能夠推動資料導向的顧客和受眾族群、招攬新顧客、潛在商機評分、內容和廣告建議,以及高度個人化。行銷人員可以使用顧客資料適時提供促銷、廣告行銷活動和推薦他們可能喜歡的其他產品,進而改善顧客體驗和留存率。

 

供應鏈中的預測分析

 

預測分析對於執行靈活、有彈性的供應鏈和避免業務中斷至關重要。它會分析來自許多不同來源的大量資料集,以產生準確的供需預測、決定最佳存貨量、改善物流和準時交貨、預測設備維護問題、偵測並適應意外情況等等。

預測分析程序中的基本步驟

預測分析程序包含定義目標、收集和清除大量資料,以及使用精細複雜的預測演算法和技術建立預測模型。得益於新的 AI 技術,這個傳統上複雜的程序變得更加自動化,讓一般企業使用者更容易存取資料,不過企業可能仍需要 IT 來協助完成特定步驟或建立特定模型。

 

簡單來說,預測分析程序的步驟如下:

預測分析程序中的步驟。

說明預測分析程序中步驟的圖表
  1. 定義專案目標。預期結果為何?您想解決什麼問題?第一步是定義您的專案目標、可交付的成果、範圍以及所需資料。
  2. 收集資料。集中收集您需要的所有資料。包括來自各種來源(從交易系統和感應器到客服中心日誌)不同類型的目前和歷史資料,以取得更深入的結果。
  3. 清除和準備資料。清除、準備和整合資料以供分析。移除異常值並識別缺少的資訊,以改善預測資料集的品質。
  4. 建立和測試模型。建立您的預測模型,在您的資料集上訓練模型,然後進行測試,以確保其準確性。可能需要經過多次測試和修改之後才能產生無錯誤的模型。
  5. 部署模型。部署您的預測模型並用於處理新資料。取得結果和報告,並根據輸出自動制定決策。
  6. 監控並改善模型。定期監控模型檢查效能,並確保提供預期結果。視需要改善並優化您的模型。

按下按鈕即可預測結果

探索 SAP Analytics Cloud:雲端中的增強和預測分析。

SAP Insights 電子報

立即訂閱

訂閱我們的電子報以掌握關鍵洞察資訊。

深入閱讀

返回頂部