大数据可以预测未来?

<h1>什么是预测分析? 将数据转换为未来的见解</h1>
<blockquote>预测分析已获得广泛的组织的支持，全球市场规模为12美元.根据Insight Partners于2022年8月发表的一项研究，2022年490亿. 该报告预测，到2028年，市场将达到380亿美元，以复合年增长率（CAGR）约为20.从2022年到2028年4％.</blockquote>
<h2>预测分析</h2>
<p>预测分析使用历史数据来预测未来事件. 通常，历史数据用于构建一种数学模型，以捕获重要趋势. 然后将该预测模型用于当前数据上，以预测接下来会发生什么，或建议采取最佳结果的措施.</p>
<p>由于支持技术的进步，近年来预测分析已受到了很多关注，尤其是在大数据和机器学习领域.</p>
<h4> 为什么重要</h4>
<h4>怎么运行的</h4>
<h4>MATLAB的预测分析</h4>
<h2>为什么预测分析很重要</h2>
<h3>大数据的兴起</h3>
<p>预测分析通常是在大数据，工程数据的背景下讨论的，例如，传感器，工具和连接的系统在世界范围内。. 公司的业务系统数据可能包括交易数据，销售结果，客户投诉和营销信息. 企业越来越基于这些宝贵的信息做出数据驱动的决策.</p>
<h3>竞争不断增加</h3>
<p>随着竞争的增加，企业在将产品和服务带到拥挤的市场上寻求优势. 数据驱动的预测模型可以帮助公司以新的方式解决长期存在的问题.</p>
<p>例如，设备制造商可能很难单独在硬件中进行创新. 产品开发人员可以为现有解决方案添加预测能力，以增加客户的价值. 使用预测分析进行设备维护或预测性维护，可以预测设备故障，预测能源需求并降低运营成本. 例如，测量汽车零件振动的传感器可以在车辆故障之前表示需要维护的传感器.</p>
<p>公司还使用预测分析来创建更准确的预测，例如预测电网上电力的需求. 这些预测可以更有效地进行资源计划（例如，各种发电厂的计划）.</p>
<h3>大数据和机器学习的尖端技术</h3>
<p>从中提取价值 <b>大数据</b>, 企业使用Hadoop和Spark等工具将算法应用于大型数据集. 数据源可能包括交易数据库，设备日志文件，图像，视频，音频，传感器或其他类型的数据. 创新通常来自结合来自多个来源的数据.</p>
<p>使用所有这些数据，需要工具来提取见解和趋势. 机器学习技术用于查找数据中的模式并构建预测未来结果的模型. 提供各种机器学习算法，包括线性和非线性回归，神经网络，支持向量机，决策树和其他算法.</p>
<h3>预测分析示例</h3>
<p>预测分析可以帮助金融，医疗保健，制药，汽车，航空和制造等各种行业的团队.</p>
<ul>
<li><b>汽车</b> – 用自动驾驶汽车打破新的地面 <br />开发驾驶员援助技术和新自动驾驶汽车的公司使用预测分析来分析连接车辆的传感器数据并构建驾驶员帮助算法.</li>
<li><b>航天</b> – 监视飞机发动机健康 <br />为了提高飞机的正常时间并降低维护成本，发动机制造商创建了实时分析应用程序，以预测石油，燃料，升降，机械健康和控制的子系统绩效.</li>
<li><b>能源生产</b> – 预测电价和需求 <br />复杂的预测应用程序使用模型来监视植物可用性，历史趋势，季节性和天气.</li>
<li><b>金融服务</b> – 开发信用风险模型 <br />金融机构使用机器学习技术和定量工具来预测信用风险.</li>
<li><b>工业自动化和机械</b> – 预测机器故障 <br />塑料和薄膜生产商每月使用健康监控和预测性维护应用节省50,000欧元，从而减少停机时间并最大程度地减少浪费.</li>
<li><b>医疗设备</b> – 使用图案检测算法发现哮喘和COPD <br />哮喘管理设备记录并分析患者的呼吸声，并通过智能手机应用提供即时反馈，以帮助患者管理哮喘和COPD.</li>
</ul>
<h2>什么是预测分析? 将数据转换为未来的见解</h2>
<p>预测分析可以根据历史数据和分析技术（例如机器学习）帮助您的组织预测未来结果.</p>
<p><img src=”https://www.cio.com/wp-content/uploads/2023/03/maxim-hopman-fiXLQXAhCfk-unsplash.jpg?quality=50&strip=all” alt=”数据分析” width=”1024″ height=”576″ /></p>
学分：Maxim Hopman / Unsplash
<h2>预测分析定义</h2>
<p>预测分析是一种数据分析类别，旨在根据历史数据和分析技术（例如统计建模和机器学习）对未来结果进行预测. 预测分析的科学可以产生未来的见解. 在复杂的预测分析工具和模型的帮助下，任何组织现在都可以使用过去和当前的数据可靠地预测趋势和行为毫秒，几天或未来几年.</p>
<p>预测分析已获得广泛的组织的支持，全球市场规模为12美元.根据Insight Partners于2022年8月发表的一项研究，2022年490亿. 该报告预测，到2028年，市场将达到380亿美元，以复合年增长率（CAGR）约为20.从2022年到2028年4％.</p>
<h2>业务预测分析</h2>
<p>预测分析从广泛的方法和技术中汲取了能力，包括大数据，数据挖掘，统计建模，机器学习和各种数学过程. 组织使用预测分析来筛选当前和历史数据，以根据所提供的参数来检测应在特定时间发生的趋势和预测事件和条件.</p>
<p>通过预测分析，组织可以找到并利用数据中包含的模式，以检测风险和机会. 例如，可以设计模型以发现各种行为因素之间的关系. 这样的模型可以评估一套特定条件的承诺或风险，并指导各种供应链和采购事件的明智的决策.</p>
<p>有关如何有效利用预测分析的力量的提示，请参见“预测分析成功的7个秘密.透明</p>
<h2>预测分析的好处</h2>
<p>预测分析使人们比以前的工具更准确和可靠地研究未来. 因此，它可以帮助采用者找到节省和赚钱的方法. 零售商经常使用预测模型来预测库存需求，管理运输计划和配置商店布局以最大化销售. 航空公司经常使用预测分析来设定票价，以反映过去的旅行趋势. 酒店，餐馆和其他酒店业参与者可以使用该技术在任何夜晚预测客人的数量，以最大程度地提高入住和收入.</p>
<p>通过通过预测分析优化营销活动，组织还可以产生新的客户响应或购买，并促进交叉销售机会. 预测模型可以帮助企业吸引，保留和培养其最有价值的客户.</p>
<p>预测分析也可以用于检测和停止各种类型的犯罪行为，然后再受到严重损害. 通过使用预测分析来研究用户行为和行动，组织可以检测到与众不同的活动，从信用卡欺诈到公司间谍到网络攻击.</p>
<h2>预测分析用例</h2>
<p>今天的组织以几乎无限的方式使用预测分析. 该技术帮助采用金融，医疗保健，零售，酒店，制药，汽车，航空和制造等领域的采用者.</p>
<p>这是组织利用预测分析的几种方式：</p>
<ul>
<li><strong>航天：</strong> 预测特定维护操作对飞机可靠性，燃料使用，可用性和正常运行时间的影响.</li>
<li><strong>汽车：</strong> 将组件坚固和失败的记录纳入即将到来的车辆制造计划. 研究驾驶员行为以开发更好的驾驶员援助技术，最终是自动驾驶汽车.</li>
<li><strong>活力：</strong> 预测长期价格和需求比率. 确定天气事件，设备故障，法规和其他变量对服务成本的影响.</li>
<li><strong>金融服务：</strong> 开发信用风险模型. 预测金融市场趋势. 预测新政策，法律和法规对企业和市场的影响.</li>
<li><strong>制造业：</strong> 预测机器故障的位置和速率. 根据预计的未来需求优化原材料交付.</li>
<li><strong>执法：</strong> 使用犯罪趋势数据来定义一年中可能需要额外保护的社区.</li>
<li><strong>零售：</strong> 实时关注在线客户，以确定提供其他产品信息或激励措施是否会增加完成交易的可能性.</li>
</ul>
<h2>预测分析示例</h2>
<p>所有行业的组织都利用预测分析来提高其服务效率，优化维护，寻找潜在威胁，甚至挽救生命. 这里有三个例子：</p>
<h3>劳斯莱斯优化维护时间表并减少碳足迹</h3>
<p>劳斯莱斯（Rolls-Royce）是世界上最大的飞机发动机制造商之一，它已经部署了预测性分析，以帮助大大减少其发动机产品的碳量.</p>
<h3>直流水驱动水分流失</h3>
<p>哥伦比亚特区水和下水道管理局（DC Water）正在使用预测分析来减少其系统的水分流失. 它的旗舰工具Pipe Sleuth使用先进的深度学习神经网络模型来对小直径下水道管道进行图像分析，对其进行分类，然后创建条件评估报告.</p>
<h3>百事可乐解决供应链的预测分析</h3>
<p>百事可乐正在通过预测分析来改变其电子商务销售和现场销售团队，以帮助它知道零售商何时将缺货. 该公司创建了销售情报平台，该平台将零售商数据与百事可乐的供应链数据结合在一起，以预测库存外，并提醒用户重新排序.</p>
<h2>预测分析工具</h2>
<p>预测分析工具可为用户提供深入的实时见解，以了解几乎无尽的商业活动. 工具可用于预测各种类型的行为和模式，例如如何在特定时间分配资源，何时补充库存或启动营销活动的最佳时刻，基于对一段时间内收集的数据的分析进行预测.</p>
<p>一些顶级预测分析软件平台和解决方案包括：</p>
<ul>
<li>Alteryx Analytics自动化平台</li>
<li>亚马逊射手制造商</li>
<li>H20 AI云</li>
<li>IBM SPSS</li>
<li>Rapidminer</li>
<li>SAP分析云</li>
<li>Sas Viya</li>
<li>蒂布科</li>
</ul>
<p>有关推动预测分析的工具的更多信息，请参见“前8个预测分析工具.透明</p>
<h2>预测分析模型</h2>
<p>模型是预测分析的基础 – 允许用户将过去和当前数据转化为可操作的见解的模板，从而创造积极的长期结果. 一些典型类型的预测模型包括：</p>
<ul>
<li><strong>客户寿命价值模型：</strong> 查明客户最有可能在产品和服务上投资更多的客户.</li>
<li><strong>客户细分模型：</strong> 基于类似特征和购买行为的小组客户.</li>
<li><strong>预测维护模型：</strong> 预测基本设备分解的机会.</li>
<li><strong>质量保证模型：</strong> 在向客户提供产品或服务时，发现并防止缺陷以避免失望和额外费用.</li>
</ul>
<h2>预测建模技术</h2>
<p>模型用户可以访问几乎无尽的预测建模技术. 许多方法是特定产品和服务所独有的，但是现在在广泛的预测分析平台上得到了广泛支持的通用技术，例如决策树，回归，甚至是神经网络 – .</p>
<p>决策树是最受欢迎的技术之一，它依赖于用于确定行动方案或显示统计概率的示意图，树状图. 分支方法还可以显示特定决策的所有可能结果，以及一个选择如何导致下一个选择.</p>
<p>回归技术通常用于银行，投资和其他面向财务的模型. 回归可帮助用户预测资产价值并理解变量之间的关系，例如商品和股票价格.</p>
<p>在预测分析技术的最前沿是神经网络 – 算法旨在通过模仿人类思想的功能来识别数据集中的基本关系.</p>
<h2>预测分析算法</h2>
<p>预测分析采用者可以轻松访问旨在用于预测分析模型中的广泛统计，数据挖掘和机器学习算法. 通常旨在解决特定业务问题或一系列问题，增强现有算法或提供某种独特功能.</p>
<p>例如，聚类算法非常适合客户细分，社区检测和其他与社会有关的任务. 为了改善客户保留率或开发推荐系统，通常使用分类算法. 通常选择回归算法来创建信用评分系统或预测许多时间驱动事件的结果.</p>
<h2>医疗保健的预测分析</h2>
<p>医疗保健组织已成为一些最热情的预测分析，原因很简单：该技术正在帮助他们节省资金.</p>
<p>医疗保健组织以多种方式使用预测分析，包括根据过去趋势智能分配设施资源，优化员工时间表，确定有昂贵的近期再入院风险的患者，并将智能添加到药品和供应和供应和供应和管理中.</p>
<p>Healthcare Consortium Kaiser Permanente已使用预测分析来创建医院工作流程工具，用于识别可能在接下来的12小时内迅速恶化的非密集型护理单位（ICU）患者. 北岸大学健康系统已将一种预测分析工具嵌入了患者的电子病历（EMRS）中.</p>
<h2>组织应该如何从预测分析开始?</h2>
<p>虽然开始进行预测分析并不是一个快点，但只要任何业务仍然致力于该方法，并且愿意投入时间和资金来使项目移动，这几乎是任何企业都可以处理的任务。. 从关键业务领域的有限规模的试点项目开始，这是限制启动成本的绝佳方式，同时最大程度地减少财务奖励开始滚动之前的时间. 一旦模型付诸实践，通常需要几乎不需要维护，因为它继续磨碎了可行的见解多年.</p>
<h2>预测分析工资</h2>
<p>根据Payscale的数据.</p>
<ul>
<li>分析经理：$ 72K- $ 134K</li>
<li>分析总监：$ 84K- $ 179K</li>
<li>业务分析师：$ 49K- $ 87K</li>
<li>首席数据科学家：$ 133K- $ 290K</li>
<li>数据分析师：$ 46K- $ 89K</li>
<li>数据科学家：$ 70K- $ 137K</li>
</ul>
<p><strong>有关预测分析的更多信息：</strong></p>
<ul>
<li>7个用于预测分析的项目</li>
<li>预测分析可以改善客户体验的7种方法</li>
<li>比较前8个预测分析工具</li>
<li>确定具有预测分析的高危患者</li>
<li>预测分析：4个成功案例</li>
</ul>
<h2>用于预测未来的大数据</h2>
<p><img src=”https://scx1.b-cdn.net/csz/news/800a/2018/2-bigdata.jpg” alt=”大数据” width=”800″ height=”530″ /></p>
<p>技术正在以巨大的飞跃和界限进行，随之而来的是社会每天运作的信息. 然而，需要组织，分析和关联数据量以预测某些模式. 这是所谓的大数据的主要功能之一.</p>
<p>科尔多瓦大学计算机科学与数值分析系的儿童研究小组的研究人员能够改进模型，这些模型基于相同的输入变量同时预测几个变量，从而减少了准确预测所需的数据大小. 一个例子是一种基于种植的农作物，耕作和使用农药的一组变量，可以预测与土壤质量相关的几个参数.</p>
<p>“当您处理大量数据时，有两种解决方案. 您要么提高计算机性能，这很昂贵，要么减少正确完成该过程所需的信息数量。”.</p>
<p>构建预测模型时，可靠的结果取决于两个问题：变量的数量以及输入的示例数量. 有了更少的想法，该研究能够通过消除多余或“嘈杂”的示例数量，因此并不能为创建更好的预测模型提供任何有用的信息.</p>
<p>正如研究的主要作者奥斯卡·雷耶斯（Oscar Reyes）指出的那样，“我们已经开发了一种技术，可以告诉您您需要哪种示例，以便预测不仅可靠，甚至可以更好.“在分析的18个数据库中，它们能够将信息量减少80％而不会影响预测性能，这意味着使用了少于原始数据的一半. 雷耶斯说：“所有这些都意味着在建造模型中节省能源和金钱，因为需要较少的计算能力.“此外，这也意味着节省时间，这对于实时工作的应用程序很有趣，因为“如果您需要每五分钟的预测，则模型需要半个小时运行是没有意义的.“</p>
<p>同时预测几个相关变量的系统（称为多输出回归模型）由于可以在这种自动学习范式下进行分析的广泛应用，例如与医疗保健，水质，冷却相关的系统，因此变得更加重要。建筑物和环境研究的系统.</p>
<p><strong>更多信息：</strong> 奥斯卡·雷耶斯（Oscar Reyes）等人，一种基于合奏的方法，用于选择多目标回归问题中的实例, <i>集成的计算机辅助工程</i> （2018）. doi：10.3233/ICA-180581 </p>
<p>由科尔多巴大学提供</p>
<p><strong>引用</strong>：用于预测未来的大数据（2018年11月12日）2023年5月12日从https：// phys检索.org/news/2018-11-big-future.html</p>
<p>本文件受版权保护. 除了为私人研究或研究目的的任何公平交易外，未经书面许可，任何部分都无法复制. 内容仅供参考.</p>
<h2>什么大数据可以和不能做</h2>
<p><img src=”https://tdan.com/wp-content/uploads/2020/03/BLG01x-edited-feature-image-1-1024×1024.jpg” /></p>
<p>大数据一直是过去几年中讨论最多的主题之一. 但是，这个术语已经存在了一段时间. 由于1940年代引入了“大数据”一词，因此技术已经发展，现在我们生活在一个取决于数据的世界中. 我们一直在生产数据，生活的所有领域都取决于处理数据的应用程序和设备. 全球数据市场已经达到260亿美元，公司每年在大数据上花费更多的钱.</p>
<p>多亏了机器学习和人工智能，公司可以使用任何卷的数据. 从移动设备，传感器和GPS收集的所有数据不再只是信息. 这是对人们的行为和偏好的无价见解的来源. 这样，数据可以帮助企业针对合适的受众，向合适的人提供合适的产品. 但是，当许多人意识到有多少大数据无法做到的事情时，他们会感到惊讶. 即使大数据有许多可能的应用程序，也不是组织面临的所有问题的通用解决方案.</p>
<p>我们决定帮助您了解什么是大数据，并且没有能力. 让我们看一下大数据可以做的五件事，以及它不能做的事情，以便您可以管理自己的期望.</p>
<h3><strong>大数据可以做的事情</strong></h3>
<ol>
<li><strong><em>预测分析</em></strong><br />这是最常见的任务之一. 机器学习创造了许多预测分析的机会. 机器可以分析历史数据，检测模式并预测将来发生某些事件的可能性. 例如，如果您在世界各地拥有一系列餐厅，则可以预测哪些餐厅的客户可能会比预期更少. 因此，您可以专注于这些餐厅，并在此问题发生之前预防此餐厅.</li>
<li><em><strong>诊断分析</strong></em><br />每当发生一些问题时，公司都需要知道其原因是什么. 这是机器真的很擅长. 数据中的模式分析有助于确定不同事件之间的相关性，以便您将来避免使用类似的情况.</li>
<li><em><strong>寻找未知元素之间的关系</strong></em><br />大数据还使组织能够在几乎任何事件或元素之间找到关系，即使它们似乎彼此无关. 怎么有用? 例如，您可以发现您的销售与销售人员数量的变化无关. 在这种情况下，如果员工不影响其他业务领域，您可能需要减少员工人数.</li>
<li><em><strong>监视事件</strong></em><br />实时监视事件也是一项任务，需要计算机处理大量数据. 他们还需要快速做. 多亏了大数据，我们可以监视任何事件. 例如，营销人员可以看到听众的不同部分对运动的反应.</li>
<li><em><strong>规定分析</strong></em><br />这是一个非常有前途的分析领域，很快就会发展. 规定分析基于预测分析. 但是，这种方法使组织不仅可以预测某些事件，还可以为每种可能的情况找到最有效的解决方案. 例如，在不同领域使用预测分析，这种方法可用于抵抗恐怖主义.</li>
</ol>
<h3><strong>大数据无法做的事情</strong></h3>
<ol>
<li><em><strong>新数据来源的插补</strong></em><br />数据源的评估和用替换值替换丢失的数据都需要大量时间，无论您需要执行哪种分析. 即使机器现在可以处理数据并从中提供见解，但人们仍然必须处理与数据分析相关的最无聊的任务之一，因为它需要业务理解和创造力.</li>
<li><em><strong>预测确定的未来</strong></em><br />最复杂的机器学习算法可以高精度制定预测. 但是，它们离达到100％的准确性还很远. 无论您的工具有多准确，它们都无法为您提供可以通过针对某些受众群体来帮助您实现100％响应率的解决方案.</li>
<li><em><strong>处理创意任务</strong></em><br />尽管机器每天变得更聪明，但他们仍然无法从事创意任务. 例如，聊天机器人可以以对话方式回答问题，但他们不了解对话的上下文，他们也不能理解讽刺或笑话. 因此，如果您需要良好的网站内容，则不能简单地使用AI来编写它. 企业仍然必须寻找才华横溢的作家来创建其副本和其他类型的内容.</li>
<li><em><strong>数据管理</strong></em><br />我们拥有的数据越多，管理它就越困难. 我们有不同类型的数据和不同类型的数据结构. 如果您需要简化新数据源的数据，则计算机将无法处理此任务. 例如，如果您有图形数据，则可能对广告系列数据毫无用处，但对于网络分析非常有用. 机器将无法分析此类数据，因此您必须手动管理和处理它，然后将其更改，以便机器可以使用它.</li>
<li><em><strong>解决未定义的问题</strong></em><br />分析的主要问题之一是将业务问题变成分析问题. 机器只能处理定义明确的任务，因为它们缺乏对业务流程的了解. 计算机可以分析数据并检测其中的模式，但他们并不真正了解此数据代表的内容. 因此，企业仍然必须依靠可以为计算机制定任务的人类雇员. 例如，如果要管理损耗，则必须定义时间窗口，响应者等., 因为否则，预测算法将无法帮助您.</li>
</ol>
<h3><strong>结论</strong></h3>
<p>我们生活在大数据时代. 我们生活的所有领域都取决于数据，我们一直在生产大量数据. 多亏了人工智能和机器学习等技术，计算机可以分析所有数据，从而为我们提供可行的见解. 但是，机器仍然有一定的局限性，因此每个人都应该了解机器可以和不能做什么机器. 例如，机器仍然缺乏创造力，他们不了解正在使用的数据的含义. 因此，即使是最复杂的算法仍然需要人类的帮助.</p>