什麼是預測？

預測方法可分為定性與定量：

定性方法

定性預測依靠行銷專家做出短期預測。如果在歷史資料不足的情況下，可以使用定性方法。舉例來說，以下是兩個使用案例：

• 市場研究技術 (例如民意測驗與調查) 可找出消費者需求。
• 在該領域收集消費者意見並且預測趨勢的 Delphi 建模技術民調專家。

定量方法

定量預測模型會使用有意義的統計學和歷史資料來預測長期的未來趨勢。以下我們給出標準定量方法的例子：

• 計量經濟模式可分析財務資料集 (例如貸款和投資資料)，以預測重大經濟變化及其對公司的影響。
• 指標方法會將資料點進行比較以找出看似無關資料之間的關聯。舉例來說，您可以利用 GDP 的變化來預測失業率。
• 在此情境中，GDP 資料被稱為先行指標，而失業率則是滯後指標。
• 時間序列預測會分析在不同時間間隔內收集的資料以預測未來趨勢。 

時間序列預測是資料科學技術的一種，它會利用機器學習以及其他電腦技術來研究過去的觀察並且預測時間序列資料的未來值。讓我們來看看時間序列預測的一些例子：

• 天文資料包括幾個世紀以來行星的重複運動。您可以使用該資料準確地預測天文活動，例如日蝕和彗星。
• 天氣預報使用風和溫度模式來預測天氣變化。
• 科學家可以利用出生率和遷移資料來預測人口成長。

時間序列分析與時間序列預測的對照

時間序列分析會探究任何時間序列資料中的根本原因。此研究領域尋求瞭解在時間序列資料集背後的「原因」。分析師必須經常做出假設並分解或拆分資料，藉此擷取有意義的統計學以及其他特性。

時間序列分析與瞭解資料集有關，而預測則是與對資料集進行預報有關。以下是預測模型的三個步驟：

• 提問問題並收集在過去時間間隔回答問題的時間序列資料的範例集。
• 使用過去值訓練電腦軟體或是預測演算法。
• 使用預測演算法進行未來的觀察。

預測可提供關於現今與未來的業務相關與可靠資訊。茲將預測技術的一些範例使用案例描述於下：

營運 – More Retail Limited 如何利用自動化預測產品銷售？

More Retail Ltd.(MRL) 是印度四大雜貨零售商之一，收入高達數十億美元。他們擁有廣大的商店網路和複雜的經銷商供應鏈。他們依賴店經理的人工判斷來預估與訂購庫存，但是這樣會對於客戶體驗造成影響，特別在生鮮食品方面。MRL 利用 AWS 提供的預測服務建置自動化訂購系統，可減少 30% 生鮮食品的浪費。

製造業 – 富士康如何利用預測來管理製造需求？

鴻海科技集團 (富士康) 是全球最大的電子製造商和解決方案供應商。在新型冠狀病毒肺炎疫情期間，富士康面臨著客戶需求、供應和產能方面前所未有的動盪。公司與 Amazon Machine Learning Solutions Lab 合作，為其在墨西哥的工廠進行準確的淨訂單預測。這些預測進而使得每年節省的金額超過 50 萬美元。

客戶支援 – Affordable Tours 如何利用銷售預測改善客戶體驗？

Affordable Tours.com 是美國地區在跟團旅遊、遊輪、內河遊船以及活躍假期方面最大的旅遊業者之一。在處理客戶來電量時，他們需要費力地分配客服資源。有時我們的客服人員太多，有時客服人員的數目又太少，這會造成不一致的客戶體驗，增加未接來電率。他們使用 Amazon Forecast 更準確地預測客戶的來電量，並且改善了 20% 的未接來電率。