我们在现实世界中如何将预测分析付诸实践？
来源：CPDA数据分析师网 / 作者：数据君 / 时间：2020-10-27
预测分析的神秘面纱非技术团队如何实施预测分析
顾名思义，预测分析是一种基于历史数据预测未来结果的方法。与问题相关的数据被用作新知识的输入或来源，例如人力资源经理可能会对将预测分析应用于员工流失感兴趣，因为人才是任何公司中有价值的资产，如果您要猜测某个员工是否会离开公司，那么您可能会查看员工的工作满意度，绩效报告，他们离职多少天，甚至离办公室有多远。
预测分析模型将使用数学函数来做相同的事情，而不是直觉
预测建模中使用了许多类型的算法，但是用于此类任务的常见算法是决策树，即使您还没有意识到，也已经在自己的生活中使用了决策树，决策树只是一组顺序的，层次化的决策，它们会导致某些终结果，例如您可能正在决定是去公园还是去电影院，这可能取决于天气是否晴朗，是否可以与您的朋友见面，是否要与朋友见面，正在播放什么电影等等。
预测分析使用历史数据进行预测
为了建立决策树模型，数据科学家会输入历史“培训数据”，这仅仅是与当前问题相关的数据（例如员工的工作满意度），该数据集包含“标签”-您感兴趣的KPI（对于员工流失，是否每个员工都辞职），当培训数据被各种因素划分时（例如，可能在高工作满意度和低工作满意度之间划分员工，然后按通勤时间划分每个组），将创建决策树，从这些因素的顺序及其与标签的关系（例如，与其他可能的因素组合相比，低满意度/长期上下班的雇员退出的百分比）创建树形。
相同的原则也适用于其他预测分析用例
例如分析客户流失以增加客户生命周期价值，例如一家有兴趣减少客户流失的电信公司可能会使用决策树，该决策树依赖于诸如客户的任期，是否有多条电话线，他们的年龄以及他们的合同类型之类的数据。
使用预测模型
数据科学家通常使用诸如Python或R之类的编程语言创建预测模型后，他们便将其部署以便用户可以进行预测，只需说一说，一旦拥有了已部署的模型，就可以输入数据并获得预测作为回报，假设您有一个预测性的员工流失模型，经理可以输入当前员工的工作满意度，绩效报告数据，他们离职的天数等，然后模型将计算该员工辞职的概率，经理还可以进行汇总预测，并使用所有员工的数据来估算下一年的招聘成本，同样相同的原则适用于任何用例，再举一个例子：一家想预测客户流失的电信公司会输入当前客户的数据，例如他们的任期，年龄和合同类型，电信也可以使用来自所有客户的数据进行总体预测，以估算总体客户流失和利润。
预测分析不足之处
尽管很明显，预测未来的能力对任何行业都是有用的，但有时候预测分析能力不足，因为预测分析依赖于过去的数据，所以当数据不准确，有偏差或质量通常较低时，我们会遇到麻烦，如果一家初创企业希望预测员工的流失情况，但没有进行过许多绩效报告或调查，那么就没有太多过去的数据可以作为预测的基础，那么就很难建立一个准确的模型。
顾名思义，预测分析是一种基于历史数据预测未来结果的方法。与问题相关的数据被用作新知识的输入或来源，例如人力资源经理可能会对将预测分析应用于员工流失感兴趣，因为人才是任何公司中有价值的资产，如果您要猜测某个员工是否会离开公司，那么您可能会查看员工的工作满意度，绩效报告，他们离职多少天，甚至离办公室有多远。
预测分析模型将使用数学函数来做相同的事情，而不是直觉
预测建模中使用了许多类型的算法，但是用于此类任务的常见算法是决策树，即使您还没有意识到，也已经在自己的生活中使用了决策树，决策树只是一组顺序的，层次化的决策，它们会导致某些终结果，例如您可能正在决定是去公园还是去电影院，这可能取决于天气是否晴朗，是否可以与您的朋友见面，是否要与朋友见面，正在播放什么电影等等。
预测分析使用历史数据进行预测
为了建立决策树模型，数据科学家会输入历史“培训数据”，这仅仅是与当前问题相关的数据（例如员工的工作满意度），该数据集包含“标签”-您感兴趣的KPI（对于员工流失，是否每个员工都辞职），当培训数据被各种因素划分时（例如，可能在高工作满意度和低工作满意度之间划分员工，然后按通勤时间划分每个组），将创建决策树，从这些因素的顺序及其与标签的关系（例如，与其他可能的因素组合相比，低满意度/长期上下班的雇员退出的百分比）创建树形。
相同的原则也适用于其他预测分析用例
例如分析客户流失以增加客户生命周期价值，例如一家有兴趣减少客户流失的电信公司可能会使用决策树，该决策树依赖于诸如客户的任期，是否有多条电话线，他们的年龄以及他们的合同类型之类的数据。
使用预测模型
数据科学家通常使用诸如Python或R之类的编程语言创建预测模型后，他们便将其部署以便用户可以进行预测，只需说一说，一旦拥有了已部署的模型，就可以输入数据并获得预测作为回报，假设您有一个预测性的员工流失模型，经理可以输入当前员工的工作满意度，绩效报告数据，他们离职的天数等，然后模型将计算该员工辞职的概率，经理还可以进行汇总预测，并使用所有员工的数据来估算下一年的招聘成本，同样相同的原则适用于任何用例，再举一个例子：一家想预测客户流失的电信公司会输入当前客户的数据，例如他们的任期，年龄和合同类型，电信也可以使用来自所有客户的数据进行总体预测，以估算总体客户流失和利润。
预测分析不足之处
尽管很明显，预测未来的能力对任何行业都是有用的，但有时候预测分析能力不足，因为预测分析依赖于过去的数据，所以当数据不准确，有偏差或质量通常较低时，我们会遇到麻烦，如果一家初创企业希望预测员工的流失情况，但没有进行过许多绩效报告或调查，那么就没有太多过去的数据可以作为预测的基础，那么就很难建立一个准确的模型。
京公网安备 11010502034401号
课程体系 
试听申请 
复听申请 
在线报名 
考试大纲 
考试报名 
准考证打印 
