预测分析项目涉及艺术和科学，但起步并不只有高辊。以下是如何确保成功的结果。
奥兰多魔术队的分析团队花了近两年的磨炼业务方面的技能。
“十八至20个月前，我们知道预测分析几乎为零，”安东尼·佩雷斯，为国家篮球协会特许经营战略的主任。虽然他的团队成员实际上是对之前清楚，预测分析工作，佩雷斯补充说，他们的工具也没有足够强大的给予他们所需要的见解，及本集团不得不扩大其努力。因此，佩雷斯在新的，更强大的软件带来了从SAS，开始攀登学习曲线。
今天，建立分析的做法是有助于优化门票销售，并提供一系列工具，帮助预测每场比赛的最佳阵容，并确定球员提供了最物有所值的教练组。
佩雷斯的团队开始通过分析模型来预测哪些游戏会吹嘘和这将抛售。票房然后利用这些信息来调整价格，以最大限度地提高出勤率 - 和利润。“这[过去]赛季我们有最大的门票收入在我们的特许经营历史，我们只打了34场比赛的45场比赛的赛季由于停摆，”他说。
现在这些型号每天都在运行，价格每天都在调整。然而，当被问及如何使用这些模型来预测最佳球员的对位和比赛策略时，佩雷斯就不那么坦率了。“这就是没人谈论的黑盒子，”他说。
虽然它仍然相当早去，其他组织都开始拥抱预测分析，前瞻性的数据挖掘学科相结合的算法模型与历史数据来回答的问题，如给定的客户将如何可能续订季票。该模型的概率分配给每个人。与该数据武装，业务可以准备采取行动。然后将另外的分析可以用于预测如何成功的行动不同的课程会。
使用预测分析的是行业，如电信，金融服务和零售共同Gartner的分析师加雷思·赫歇尔说。“但总体而言，它仍然是的使用它的企业比例相对较小 - 也许5％。”
尽管如此，人们对那些仍专注于历史“描述性分析”的组织和那些将预测分析实践的重点扩展到传统利基(如营销和风险管理)以外的企业还是很感兴趣。分析模型被用来预测网站点击率，并帮助人力资源预测哪些员工可能会离开公司。它们还用于优化帮助台呼叫路由，通过确定哪个代理最有可能最好地回答给定的用户问题。
“有更多的兴趣，因为有更多的数据，”迪安雅培，雅培咨询分析的总裁。“嗡嗡声是约势头。人们都在说，‘这是我需要做的。’“
但是，你必须走，你可以运行之前，和其数据很高的要求，预测分析是不是轻率地或随意占用。我们问企业，是新的游戏，以及经验丰富的老兵，分享他们的经验。
商业案例
宝洁公司(Procter & Gamble)的全球商业服务组织(Global business Services organization)的商业智能总监盖伊•佩里(Guy Peri)说，宝洁公司广泛使用分析来预测未来趋势，但情况并非总是如此。他表示:“这曾是一家从后视镜中看到的公司。”“现在我们使用高级分析来提高前瞻性，并对异常进行管理。”Than means separating out the anomalies to identify and project genuine trends.
宝洁公司还使用预测分析，一切从市场和市场份额的增长投射到预测何时制造设备将失败，并使用可视化，以帮助管理人员了解哪些事件是正常的业务变化和需要干预。
开始的地方是与业务命题清醒的认识，这是一个合作的过程。“做什么的问题是，应该采取什么样的行动清楚”的时候，结果回来，围说。
同样重要的是保持专注的范围。使命偏离可以摧毁匆忙你的信誉，仙子说。在早期，宝洁开发了一个模型来预测未来的市场份额为区域商业领袖在业务线，他拒绝透露。这是成功的，直到该公司试图使用相同的模型，以帮助其他的商业领袖。
其他的领导者需要更细致的细节，但是Peri的团队试图使用相同的模型。“模型变得不可靠，这破坏了最初分析的可信度，”他说，原来的分析是准确的。
新用户需要采取几个步骤，开始使用预测分析仙子说。他们应该聘请训练有素的分析师谁知道如何建立一个模型，并将其应用到业务问题，找到正确的数据养活车型，同时赢得企业决策者和业务执行发起人谁承诺的支持要倡导的努力 - 以及对结果采取行动。
“注意，我没有提到工具，”Peri说。要抵制诱惑，不要购买价值百万美元的软件来解决你所有的问题。没有。”And, he adds, you don't need to make that kind of investment for your first couple of projects. Instead, train staffers in advanced spreadsheet modeling.
“所有这些都可以用Excel完成，”Peri说。他说，只有当你准备扩大规模时，你才需要更大的平台级工具。
提升用户关闭
布赖恩·琼斯开始在有限的经费 - 但这不是为什么他在预测分析的第一次努力失败了。琼斯在监察长在美国邮政服务局的对策和绩效评估的主任，希望能帮助研究人员确定哪个医疗赔付最有可能是欺诈。
后八个月，他有一个工作模型，但该项目的工作独立分析组不完全会使用工具部门参与。其结果是，原始电子表格输出在很大程度上是由研究者忽略。
最佳实践
预测分析成功的9个步骤
遵循这些最佳实践，以确保成功进军预测分析。
1.定义业务主张。您试图解决的业务问题是什么?
2.在业务方面招募盟友。关键的执行人员和业务涉众的支持是至关重要的。
3.以快速取胜作为开始。找到一个定义良好的业务问题，其中分析可以交付可度量的结果。
4。了解你所拥有的数据。您是否有足够的数据(具有足够的历史记录和足够的粒度)来支持您的模型?
5。获得专业人士的帮助。建立预测模型是从传统的描述性分析不同，它是作为一门艺术，因为它是一门科学。
6。确保决策者准备好采取行动。仅仅有一个行动计划是不够的，必须有人去执行它。
7。不要提前自己。保持规定的项目范围之内，即使成功品种的压力，扩大利用当前的模型。
8。在通信业务语言的结果。谈论之类的业务目标收入的影响和成就。
9.测试、修改、重复。进行A/B测试以证明其价值。展示结果，获得支持，然后向外扩展。
来源:仙女,宝洁;乔治•Roumeliotis直觉;Dean Abbott, Abbott Analytics;埃里克·西格尔，《预测的影响》;Jon Elder, Elder Research;安妮·罗宾逊，运筹学和管理科学研究所。
幸运的是，琼斯的组有检察长的支持。“如果你没有从顶部支持你在水里死了，”他说。
第二次左右，琼斯聘请了一位顾问来帮助建模和数据准备，这将是使用效果组内嵌入的分析师。
他们让这些结果对用户来说更“真实”。例如，在对合同欺诈的调查中，他的团队将结果放在一个基于web的交互式热点图中，该热点图将每个合同显示为一个圆圈，较大的圆圈表示最大的成本，红色的圆圈表示欺诈的最高风险(见图左)。
调查人员可以点击这些圆圈，查看这些合同的细节，以及存在风险的相关合同。琼斯说:“从那时起，人们开始注意到我们确实有一些东西可以帮助他们。”
琼斯的建议是：亲近你的客户，得到专业人士的帮助构建第一个模型，并在一个引人注目的呈现结果，易于理解的方式。“我们没有合适的人或专业知识的开始。我们不知道我们不知道，”他说，于是，他转身到外部数据挖掘专家与模型的帮助。“这种合作关系有助于我们理解为什么我们失败了，使我们再次犯同样的错误，”琼斯说。
克服业务怀疑论
虽然聘请顾问可以与一些技术细节帮助，这是挑战中的一部分说，约翰长老，主要在长辈的研究，与琼斯和他的团队工作的顾问。“超过16年来，我们已经解决了技术难题，我们一直在问到有帮助，但只有65％的解决方案都去上实现90％。”
这个问题，通常是该模型旨在帮助的人不使用它。“我们的技术人员必须做得更好庄家对模型中的业务情况，并展示了回报，”长老说。
安妮·罗宾逊当选总统说，要说服决策者使用其结果可能是一样困难让他们在首位的项目一起去，因为预测可能是什么他们的商业直觉告诉他们完全相反的在运筹和管理科学（告知），专业学会的业务分析。“当你获得更多的参与与分析，它成为常理。但它是那些偏离你在做什么带来的回报，因为当结果是直观的，你会发现大多数人都已经做了他们。”
几年前，思科系统创建“购买倾向”旨在帮助计算客户会买这个季度，下一季度或从未概率的模型。该机型涵盖每一个销售区域每一个产品。销售人员认为他们已经知道了一些由模型确定的人打算买的，所以思科计算其努力回报时排除这些销售。“我们做了它的第一年，我们生成了$ 1十亿在销售隆起，”特里萨库什纳，思科的客户和影响者智力的高级主管说。“我们有一个经验，排队反对什么他们认为他们相信了。”
分析培训公司、会议组织者、预测影响(Prediction Impact)总裁埃里克•西格尔(Eric Siegel)表示，最终，预测分析将迫使人们在数据驱动的决策和基于直觉的决策之间摊牌。“这是一场重大的意识形态之战。这是一场宗教辩论。”
数据:足够好
在技术方面，双方建立模型和准备数据可以是绊脚石。预测分析是一门艺术，也是一门科学，它需要时间和精力来构建第一个模型，并得到正确的数据雅培说。“但是，一旦你建立了第一个，下一个就是很大的模型更便宜” - 假设你使用相同的数据。分析师建设有新的数据完全不同的模式可能会发现第二个项目耗时为第一。尽管如此，他说，“更多的经验一个收获，更快的过程变得”。
Siegel说，数据准备问题会很快使项目偏离轨道。“软件供应商跳过了这一点，”他说，并指出“演示中的所有数据都已经被转换成正确的格式。”他们不会参与其中，因为这是项目执行的技术方面的最大障碍——而且它不能被自动化。这是一份编程工作。”
2010年，当佩雷斯启动奥兰多魔术队(Orlando Magic)的预测分析计划时，他错误地计算了准备数据所需的时间。他表示:“我们所有人都认为，事情会比以前容易。”从Ticketmaster、特许供应商和其他业务合作伙伴提取数据到数据仓库的时间比预期长得多。“我们几乎整个赛季都没有一个功能齐全的数据仓库。我们学到的最重要的一点是，这真的需要耐心。
“每个人都感到尴尬的数据的质量，说：”长老，但等到所有的数据都被清理也是一大错误。通常情况下，他说，真正重要的数据是非常良好的状态。
迭代首先，规模后来