大数据真的可以预测未来吗？_数据(真的(可以(预测(预测未来(未来
预测未来一直是个冒险的想法。所幸的是，预测分析技术的出现，让用户能够依据历史数据和分析技术（如统计建模和机器学习）预测未来结果，这使得预测结果和预期趋势比以前更加可靠了。
尽管如此，与任何新兴技术一样，预测分析可能很难充分发挥其潜力。让这一挑战更加复杂的是，因为策略不完善或者预测分析工具的滥用所致使的不准确或误导性结果，可能在几周、几个月甚至几年内都不会很明显。
预测分析有潜力彻底改变各种行业和各种运营方式，包括零售、制造、供应链、网络guanyuan、金融服务和医疗保健。人工智能网络技术公司Mist Systems首席技术官、联合创始人Bob Friday预示：“深度学习和预测性人工智能分析将改变我们社会的各个阶段，可以与互联网和移动蜂窝技术带来的变革相提并论。”
以下这七个技巧可以帮助你的企业组织充分利用预测分析计划。
一、能够得到高质量、易于理解的数据
预测分析应用需要大量数据，并且依赖于通过反馈循环提供的信息来不断进行完善。“数据和预测分析相辅相成，”全球IT解决方案和服务提供商L＆T Infotech首席数据和分析官Soumendra Mohanty这样预示。
了解输入预测分析模型的数据的那种是非常重要的。Eric Feigl-Ding是一位流行病学家、营养学家和健康经济学家，现任哈佛大学公共卫生学院访问学者。他说：“数据是哪种类型的？是每一天收集的实时数据，例如Facebook和谷歌，还是难以访问的医疗记录数据？”为了准确预测，模型需要设计支持接收到的特定类型的数据。
只是简单地在计算资源上投入大量数据的预测性建模工作，是通常注定要失败的。“因为存在大量数据，其中多数数据可能与特定问题是无关的，但在给定样本中似乎可能是相关的，”金融数据和软件公司FactSet投资组合guanyuan和交易解决方案副总裁、研究主管Henri Waelbroeck这样解释说。“假如不了解产生数据的过程，那么基于偏见数据进行训练的模型可能从刚开始就错了。”
2、注意和提防模式
SAP高级分析产品经理Richard Mooney预示，每个人都对算法很着迷，但提供给算法的数据和算法本身一样都是很好的。“假如没有模式可寻，那么他们就不可能找到这样一种模式。大部分数据集都有隐藏的模式。”
模式通常以两种隐藏的方式：
- 模式存在于两列之间的关系中。例如，可以通过把即将发生的交易结束日期信息与关联的电子邮件打开率数据进行对比来发现模式。“假如交易即将结束，电子邮件的打开率应该会大幅增添，因为买方会有很多人阅读合同并审查合同，”Mooney说。
- 变量随时间变化的方式会显示出一定的模式。“在上面的示例中，即便你知道客户打开了200次电子邮件，还不如知道上周他们打开了一七5次邮件那么有用处。”
三、专注于可能带来积极投资回报率的、可guanyuan的任务
纽约理工学院（NYIT）分析与商业智能主管Michael Urmeneta预示：“现在有一种诱惑，就是将机器学习算法使用于大量数据，以期获得洞察力。”他说，这种方法的问题在于，这就好像试图同时治愈所有类型的癌症一样。“问题太大，数据太乱，没有足够的资金，没有足够的支持，赢得胜利是不可能的，” Urmeneta解释说
当任务集中时，成功的可能性要大得多。“假如出现了问题，我们可以找到解决这一错综复杂问题的专家。我们可能会有更清晰、更好理解的数据。”
四、用正确的方法完成工作
好消息是，你几乎有无数方式和方法来生成准确的预测分析。然而，这也恰恰是个坏消息。“每一天都有一种新的、热门的分析方法，人们很容易对使用新方法感到兴奋，”芝加哥大学National Opinion Research Center（NORC）行为、经济分析和决策实践主管Angela Fontes预示。“但是，依据我的经验，最成功的项目多数是那些真正深入思考分析所需结果、引导他们所选方法论的项目——即便最合拍的方法不是最性感、最新的方法。”
“用户必须谨慎选择适合他们需求的方法，”罗切斯特理工学院副教授兼计算机工程系主任Shanchieh Jay Yang建议道。“有一种有效且可解释的技术，利用顺序、时间数据的统计特性，在未来进行可能的推广。”
5、构建具有精确定义目标的模型
这一点似乎是显而易见的，但许多预测分析项目的目标是建立一个宏伟的模型，而没有明确的计划，明确最终的用途。“有许多宏伟的......模型从未在任何地方使用过，因为没有人知道如何使用这些信息来实现或提供价值，”汽车、保险和碰撞修理行业的SaaS提供商CCC Information Service产品guanyuan高级副总裁Jason Verlen这样说。
Fontes预示认同。“使用恰当的工具肯定能确保我们从分析中获得理想的结果......因为这迫使我们要非常清楚我们的目标是什么。假如我们不清楚分析的目标是什么，那么我们不可能真正得到我们想要的东西。”
六、IT和相关业务部门之间建立密切的合作关系
业务和技术部门建立牢固的合作伙伴关系，这一点至关重要。“这样你就可以了解新技术如何应对业务挑战，或者改善现有业务环境，”客户体验技术提供商Genesys的人工智能产品guanyuan副总裁Paul Lasserre说。然后，一旦设置了目标，就在有限范围的应用中测试模型，以确定该解决方案是否实际提供了价值。
七、不要被设计不良的模型所误导
模型是由人设计的，因此通常会存在潜伏的瑕疵。错误的模型、使用不当数据构建的模型很容易产生误导，或者在极端情况下，会产生完全错误的预测。
例如，选择偏差（没有实现适当的随机化）可能混淆预测结果。例如，在假设的减肥研究中，可能有50％的参与者选择放弃随访体重测量。然而，放弃的人的体重轨迹与坚持的人不同。这使得分析变得很复杂，因为在这样的研究中，坚持该计划中的人通常是那些实际在减肥的人。另一方面，戒烟者通常是体重减轻很少或者没有的个体。因此，虽然体重减轻可能是公认的具有因果关系和预测性的，但在有限数据库中，退出率为50％，实际的最终结果可能是隐藏起来的，Feigl-Ding报告这样预示。
要点
商业智能和分析软件开发商GoodData数据科学高级主管Arvin Hsu预示：“企业正在面对越来越大的痛苦，学习预测分析也许不是你能驾驭的问题。然而，强大的预测分析对业务效率、收入和产品性能的影响与作用与影响是值得我们花时间、精力和资源去做这件事情的。”
来自科技行者团队木杉
从认知方法论的角度上，说说我个人的观点。
预测未来的方法论
苏格拉底曾说，我比别人知道得多的，不过是我知道自己无知。未来对所有人来说都是无知。预测未来就是通过已知探索无知的过程。预测未来的方法通常有两个层次，一是直观经验法，假定事物在不断重复某些直观的经验，打比方说，使用统计学预测股市行情。另一个是逻辑分析法，通过建立逻辑体系找出变化规律，打比方说，门捷列夫发现了元素周期，从而引导人们找到了许多未知元素。直观经验法用得最为普遍，但并不解决问题，还容易致使谬误，八卦算命就是一个失败的例子。逻辑分析法，则是目前最可靠的探索未来的手段。铺垫完毕，以下进入正题。
大数据分析的现状
大数据分析开始于数据挖掘，因为帮助沃尔玛找出了隐藏在啤酒和尿不湿背后的关联性被人们推崇。但是大数据探索未知的方法仍然停留在直观经验法的层面上。为啥这么说呢？在前面的例子中，大数据找到的是关联性，而不是这种关联性背后的因果关系。从而大数据分析得出的结论只能用于相同已知对象，而无法扩展到未知世界。大数据结合人工智能，深度学习之后会不会提升一下层次呢？至少目前还看不出任何可能。因为，人工智能，深度学习本身也还没有脱离直观经验的层面，这些技术只是用来提高大数据分析的效率和准确度。简单地说，直接用大数据分析预测未来跟八卦算命并没有根本上的区别。
假如先建立逻辑体系，再用大数据分析寻找和已知因果关系相关联的数据这种应用还是相当靠谱的。
将来的变化是无法预测的，在大数据可视化时期，真正能预测的是个人的行为。计算机比我们理解本人，能够预知每个人将来会做出如何的决策。随着科技的开展，我们有足够存储资源来存储一切的数据，我们有逐步成熟的技术来剖析这些数据间的关系，快速准确地预测出将来的开展趋向。
近两年来，大数据被公众普遍讨论，以至成为不少商家宣传营销的卖点。无须置疑，智能设备的开展和提高，使海量的数据采集成为可能。但大数据并不是单纯的“数据大”，它更包含着一种计算和思想方式的转变，想要发挥出大数据的洞察力，还面临着采集、guanyuan、剖析数据的应战。大数据魔镜是社会的一种新型才能：以一种史无前例的方式，经过对海量数据停止剖析，取得宏大价值的产品和效劳，或深入的洞见。大数据包含的发现事实、发掘价值、预测将来的洞察力，也是各色大数据营销的理论动身点。目前，我们的行为数据化，且数据资产化后，这势必将衍生出更多创新的商业形式。在互联网时期却不同，你在网上留下的每个脚印，一定水平上代表着你需求什么。人们在网上的各类举措汇集了大量他们的“先兆性”行为数据，当企业把这些数据搜集起来，就可发现背后的规律，经过进一步剖析便可快速获取影响与作用与影响将来的信息。这就象征着，借助大数据技术，公司能够比以往任何时分都愈加理解消费者，那些具有消费者并能洞悉消费者行为的公司，将成为赢家。
