什么是预测分析？
预测分析描述了使用统计数据和建模来基于当前和历史数据确定未来绩效的情况。 预测分析会查看数据中的模式，以确定这些模式是否有可能再次出现，这使企业和投资者可以调整其使用资源的位置，以利用可能的未来事件。
重要要点
- 预测分析是使用统计和建模技术来确定未来绩效的工具，它被用作保险和营销等各种行业和学科的决策工具，预测分析和机器学习通常彼此混淆，但是他们是不同的学科。
了解预测分析
有几种类型的预测分析方法可用。 例如，数据挖掘涉及分析大量数据以从中检测模式。 文本分析的功能相同，但大块的文本除外。
预测模型着眼于过去的数据来确定某些未来结果的可能性，而描述性模型着眼于过去的数据来确定一组人如何响应一组变量。
预测分析是各种行业的决策工具。 例如，保险公司检查保单申请人，以根据类似保单持有人的当前风险池以及导致支付的过去事件来确定为将来的索赔支付的可能性。 营销人员可以在计划新广告系列时了解消费者对整体经济的反应，并可以使用人口统计变化来确定当前的产品组合是否会吸引消费者进行购买。
活跃的交易者在决定购买或出售证券时会根据过去的事件查看各种指标。 移动平均线，区间和突破点均基于历史数据，并用于预测未来价格走势。
预测分析的常见误解
一个常见的误解是，预测分析和机器学习是一回事。 预测分析的核心包括一系列统计技术（包括机器学习，预测建模和数据挖掘），并使用统计数据（历史数据和当前数据）来估计或预测未来的结果。 预测分析可以帮助我们通过分析过去来了解未来可能发生的事情。 另一方面，机器学习是计算机科学的一个子领域，按照1959年亚瑟·萨缪尔（Arthur Samuel）的定义，他是计算机游戏和人工智能领域的美国先驱，它为“计算机提供了无需明确编程即可学习的能力。”
最常见的预测模型包括决策树，回归（线性和逻辑）和神经网络-这是深度学习方法和技术的新兴领域。
预测分析示例
预测是制造业中的一项基本任务，因为它可以确保供应链中资源的最佳利用。 无论是库存管理还是车间，供应链轮的重要辐条都需要准确的运行预测。 预测建模通常用于清理和优化用于此类预测的数据质量。 建模可确保系统可以吸收更多数据，包括从面向客户的操作中吸收数据，以确保更准确的预测。
