但这里有一个陷阱

虽然许多公司看到预测的分析工具是一个不可或缺的竞争武器根据TDWI的2018年第2季度“最佳实践报告：实际预测分析”，“采用仍然难以难以难以实现”大约有一半的组织制定了初步计划的组织。该报告基于数据科学家，分析师，工程师，企业IT和商业领袖的响应，表示，如果用户履行了他们实施预测分析工具的计划，那么75％到80％的组织将使用它们。然而，实际上，只需35％到40％的计划就完成了他们的计划。

规划和实施预测分析之间的这种差距主要是由于数据科学技能短缺需要构建模型并将其放入行动。添加到数据基础设施问题，缺乏资金和不切实际的执行期望。任务有时可以来自顶部来实施预测分析没有解决和定义需要解决的实际业务问题。

“这是技能缺乏的结果;缺乏使用工具的技能，包括数据相关工具;TDWI分析师Fern Halper说。当然，建立一个可能提供一些可行见解的模型是一回事——比如做X, Y或Z的客户可能面临高风险的流失。而将这些模型投入生产以推动行动则完全是另一回事。”

模型复杂、灵敏，需要TLC

涉及建设，精炼，调整和重写预测模型的迭代，更不用说管理不断增加的数量非结构化和实时数据流动进入企业电库，都被视为对建模过程的障碍，并将见解进入行动。

“更多组织需要通过将模型纳入行动的生产方式来思考，”Halper承认。“有些组织将模型放入生产并忘记它们。在我们的会议之一，一家公司提到，他们未看出他们没有看到生产模型七年。......运作模型是什么提供最有价值。”

这就是自动预测分析工具可以发挥多方面角色的地方。大多数受访者到TDWI调查相信自动预测分析工具的最大好处是，更多人现在可以建立模型并更快地构建它们 - a任何公司的基本必需品在其业务的各个方面，继续努力甚至超越竞争。

“现在，我们看到只有16％的受访者对我们的调查使用易于使用的工具 - 自动化机器学习，例如 - 建立模型，”Halper报道。“这个数字可能会增加 - 另外40％的人声称他们将在未来几年内[使用这些工具] - 但谁知道？”

自动化并不意味着自动

即使使用自动预测分析工具，也可以通过简化建模，将不熟练的建模人员转变为熟练的建模人员建模的复杂性这就是Halper所说的“缺失的部分”:管理和监控这些模型。

Halper建议:“随着工具变得更容易使用，将控制或QA过程落实到位，以确保‘好的’模型投入生产是很重要的。”“例如，如果有人建立了一个模型，但不知道如何解释输出，如果这个模型要投入生产，这就是一个问题。他们需要注册模型并包含关于这些模型的元数据，这样他们就可以更多地了解生产中的模型。一旦模型投入生产，他们就需要对其进行监控，以检查其退化情况。”

为了解决建设和监控预测模型的技能差距，霍尔斯表示，公司“正在采取多荣的方法。他们正在雇用一些数据科学家 - 通常是那些经验的人 - 以及他们正在寻找的组织中的其他人对Upskill以及潜在的数据科学家们提供出大学。“

他们需要继续接受教育。“如果你要使用某些算法，”Halper猜测，“即使[自动化工具]很容易使用，你仍然需要一些算法方面的培训，因为你将不得不解释输出，捍卫模型，也许是监控过程的一部分。”

尽管在缩小采用预测分析的愿望和实际实现之间的差距方面取得了一些进展，但所有人都在猜测，大多数公司还需要多久才能充分利用这些复杂的工具。想做个预测吗?