什麼是預測分析？
預測分析是指研究歷史資料和目前資料，以做出未來預測。其使用進階的數學、統計和機器學習技術來分析資料，以確定和推斷隱藏的趨勢。
許多企業和組織使用預測分析來指導未來的決策。例如，市場行銷分析師使用預測分析來確定其產品的未來銷售量，氣象站使用預測分析來預測天氣，股票經紀人使用預測分析來最大化交易報酬。
預測分析和分析階層
分析師使用四種類型的資料分析：描述性、診斷性、預測性和規範性分析。分析階層如下。
- 描述性分析透過歷史分析來識別過去發生的事件
- 診斷性分析使用歷史資料來解釋過去發生某事件的原因
- 預測性分析根據歷史資料和目前資料中的模式預測未來趨勢
- 規範性分析規範未來的行動和決策，讓企業能夠最佳化決策
為什麼預測分析很重要？
預測未來各方面的能力至關重要。工程師、科學家、企業和經濟學家長期以來一直使用預測分析來指導其活動。其中包括今天仍在使用的技術，例如迴歸分析和決策樹。
得益於機器學習技術的發展，資料科學能夠將預測建模擴展至之前難以處理或過於複雜而無法處理的領域。憑藉可擴展運算、資料挖掘和深度學習技術，企業能夠深入挖掘其資料湖並擷取資訊和獲得趨勢。預測分析已經內嵌至企業程序中，為處於最前沿的組織提供顯著的競爭優勢。
預測分析如何運作？
如今，很大程度上依據進階的機器學習技術來進行預測分析。資料科學家使用深度學習和複雜演算法來分析多個變數，以建立能夠從大數據中預測可能行為的預測模型。
與許多機器學習應用程式一樣，預測分析是一種不斷使用新資料來更新預測的動態活動。這意味著該技術使用資料清除、模型訓練、部署、意見回饋、再訓練和重新部署的傳統機器工具管道，並與近乎即時地擷取資料的能力相結合。技術包括決策樹、迴歸分析、時間序列分析和深度學習神經網路。
指導未來業務決策的預測分析模型往往很複雜，需要考慮許多因素。這些通常需要時間來開發和驗證，並且需要不斷返回，以適應商業和經濟環境的變化。
預測分析的使用案例有哪些？
許多組織積極使用預測分析，來指導即時和未來決策。
金融
金融部門使用預測分析來指導決策。範例包括預測性市場交易、信用風險評定和貸款審核。保險公司使用預測分析來預測極端天氣事件，以減輕保險索賠，並偵測詐騙性保險索賠。
零售
零售公司使用預測分析來預測區域和本地客戶需求，並將庫存預先交付到區域和本地配送站，以縮短交付時間。其他公司使用潛在客戶評分模型來提高潛在客戶轉化率，並根據客戶檔案使用預測性建議來增加向上和交叉銷售機會。公司還使用預測分析來預測未來的需求和銷售額。
生產製造
製造商使用預測分析來監控生產線設備，以優化產量、偵測異常情況並突顯設備缺陷。製造公司使用預測分析來監控機器、識別機器狀況並預測維護需求。
醫療保健
醫療保健公司對患者監測設備使用預測分析，以偵測患者狀況的即時變化，同時在較大程度上消除導致患者監測設備無效的虛假警示。其他使用案例包括醫療診斷，以及根據過去的資料和患者的健康狀況來預測疾病的進程。
預測分析的優勢有哪些？
預測分析有四個主要優勢︰
- 預測分析可協助客戶做出明智的決策。
- 預測分析可提供即時答案。經過訓練的預測分析模型可即時擷取資料，並立即提供答案。
- 預測分析可協助客戶了解複雜的問題。此外還有助於更快、更準確地顯示資料中的模式。
- 預測分析可協助企業獲得競爭優勢。相較於不使用預測分析的公司，使用預測分析的公司更具競爭優勢，因為這些公司能夠更準確地預測未來事件。
AWS 如何協助進行預測分析？
若要開始使用預測分析，您可以探索 Amazon SageMaker Canvas，該服務透過為業務分析師提供視覺化點擊式介面，來擴充對機器學習 (ML) 的存取。這讓分析師能夠自行產生準確的 ML 預測，而無須任何機器學習經驗或編寫程式碼。您可以將 SageMaker Canvas 用於一系列使用案例，包括預測客戶流失、預測準時交付和庫存規劃。
您還可以探索 Amazon SageMaker，透過全受管基礎設施、工具和工作流程，為任何使用案例建置、訓練和部署 ML 模型。
若要開始使用，請瀏覽 SageMaker Canvas 教學。
