将历史业务数据用于机器学习

机器学习最近受到了很多媒体的关注，因为科技界的知名人士推出了引人注目的项目。有 IBM 的超级计算机 Watson、用于管理 LinkedIn 查询和连接的 Kafka Apache，甚至还有有趣的系统，如 Quick、Draw from Google，这是一种使用重复来识别用户绘图的机器学习系统。

乍一看，这些系统似乎千差万别，但它们都通过实时监控和庞大的数据处理能力连接在一起。而且，最重要的是，这些系统变得越先进，它们就越能预测接下来会发生什么，而不仅仅是分析现在正在发生的事情，使用称为预测分析的系统。

了解预测分析

区分机器学习和预测分析的主要特征是计算机是否可以使用过去的数据来预测未来的活动。大多数机器学习系统只是高级分析系统；他们看到的数据越多，就越能更好地解读它。然而，与预测分析不同的是，机器学习系统无法响应变量。

与基本的机器学习系统不同，预测分析程序旨在应对系统可变性，并预测供应线环境发生变化时会发生什么。这些系统使用历史数据来确定材料短缺、消费者需求增加或价格波动的根本原因。通过比较过去的模式和识别市场趋势，企业可以在制造或分销过程生效之前避开潜在的漏洞。

评估准确性

计算机可以获得深刻的洞察力并从数据中提取大量统计数据和模式，但预测分析系统的准确性如何？简而言之，这些系统并不完美，但功能强大。正如美国生产力与质量中心 (APQC) 的 Carla O'Dell 所解释的那样，“预测未来并不是一门精确的科学，因为……你没有完整的数据集，任何可能曾经拥有的完整数据集将来发生或可能发生。”同样，全人群对同一变量的反应会随着时间的推移而变化，而过去的数据无法解释这种信息差距。

尽管系统可能不完美，但预测分析已经在众多行业中发挥了重要作用。除了使用预测分析来稳定供应链和评估消费者需求的制造业之外，该技术也受到医疗保健提供商的欢迎。研究人员采用预测分析来分析健康的社会决定因素，而设施则采用该工具来确保设施配备适当的人员并确保适当的收入水平。

另一个使用预测分析的团体是政府，政府几年前开始使用这种软件来识别税务欺诈案件.这些程序不仅可以潜在地识别个别欺诈案件，还可以评估税法本身的漏洞，个人可以利用这些漏洞来避免缴纳全部税款。当乔治·桑塔亚纳说“那些不从过去吸取教训的人是注定要重蹈覆辙，”他对预测分析技术一无所知——但这句话完美地概括了该软件如何改变我们的日常生活。我们从过去的数据中学到的越多，我们就越能控制未来的结果。然而，只有引入强大的计算技术，我们才能深入挖掘并找出让我们从过去看到未来的微小变化。