预测性分析 vs. 商业智能

Posted 2021-04-20 圣药在人间

商业智能

 

商业智能是本书中涉及篇幅最多的内容；这将有助于读者充分了解与预测性分析相关的商业智能应用的主要特征。很多商业智能分析的输出结果是分析报告或是可视化数据结构化汇总，对数据中具有关键性意义的内容进行提炼和总结，这部分内容通常被称之为关键性表征指数（KPIs）。KPI报告通常是客户驱动性的内容，能够帮助分析师或是决策者对经营状况中的关键性内容进行恰当描述。这些报告中包含有一些很简单的统计结果，也会存在有很复杂的多功能的测量方法。有趣的是，KPI在预测性分析软件和相关参考文献中并不常见用于对运算方法进行描述。

 

传统的商业智能输出结果是一份可为分析师或是决策者进行服务的报告。如下一些问题是在欺诈识别和客户分析的商业智能过程中常会涉及到的经典性问题：

 

欺诈识别：

 

·上个月一共调查了多少个案例？

·收账的成功率有多少？

·通过收账行为恢复了多少营收？

·上个月一共完成了多少个案件？上个季度呢？去年呢？

·对于已经偿还的负债，偿还的平均时长有多久呢？

·在负债的偿还过程中，需要和借贷人进行多少次联系才能完成所有相关债务的偿还呢？

 

客户分析

 

· 电子邮件的打开率、点击跳转率和回复率有多少呢？

· 哪一个地区/州/ZIPs 具有最高的响应率呢？

· 哪件产品具有最高的点击获取率呢？

· 上个月达成了多少次重复购买呢？

· 有多少新客户参加了忠诚度计划？

· 每个参与了忠诚度计划的客户的平均花费有多少？不在忠诚度计划范围内的客户有多少平均花费？两者间是否具有足够显著的差异呢？

· 平均每个客户对商店/网站的访问贡献量有多少？

 

这些问题都集中在了对分析过程中的某一关键点进行描述，这一聚焦点可能是客户、一项交易、一个产品、一天的时间甚至是ZIP码。而对分析中每个单元的描述信息就隐藏在数组的特征中。对于欺诈识别这项业务，分析的关键点有时可能是应收账款，更多的时候也可能是交易案例。对于客户分析这项业务来说，分析的关键点通常情况下是客户本身，但有些时候也可能是一名访客（例如一名顾客可能会访问多次并在数据库中重复出现多次）。

值得注意的是这些问题的指标通常都会与结果中的某一项重要关键字段直接相关。这些问题通常情况下是由领域专家提出的（也可能是分析师，项目管理者或是问题解决者），目的是找到业务困难与数据之间的联系。在其他情况下，这些测算方法通常情况下是客户驱动的。

 

但是这些KPI或是报告能够切实的解决问题吗？这个问题的答案很可能是‘不’，即使通过修正后的结果也是一样。在这些形式中的报告中，你能够了解到正在发生的事情，甚至了解到这些事件发生的原因。但是这并没有指出问题的关键，不过你可以通过结果进行预测。例如，你可以通过对每个ZIP应答率的总结报告作为下一次应答率的预测指标。

 

如果你想得到与目标变量相关的报告，例如客户应答率的相关报告，可能实现的机器学习方法或许是建立一个决策树，基于一个单一的条件对结果进行预测。但是这个模型可能会过于简单而难以充实。

 

预测性分析 vs. 商业智能

 

如果你直接从决策的角度试图来重新提出问题，那么情况是否会有所不同呢？如果从预测性分析的角度来看，或许你能够提出这些问题。

 

商业欺诈

 

·交易会演化成为商业欺诈的可能性有哪些？

·发生票据欺诈或需要进一步详查的重点案件的可能性有哪些？

·在交易中的哪些特征和商业欺诈的相关性最强，或者对于预测更为重要？

·发生欺诈的预期数量有多少？

·在纳税单中的哪项项目预算与欺诈评分相关度最高呢？

·从历史数据来来看，哪种人群购买模式或是历史消费模式更有可能与欺诈有关？

 

预测性分析中的客户分析

 

·电子邮件被打开的可能性是什么？

·客户通过电子邮件进行点击获取行为的可能性是什么？

·如果具有选择，那么客户最有可能会购买哪种商品？

·如果能够达成最大可能性地达成购买行为，客户需要接受多少封邮件？

·在客户完成了一件商品的购买之后，哪一件商品是给出的最佳选择呢？

·网站下一周的预期访问量是哪些呢？

·一件商品上架销售后被卖出的可能性有多少？

·每个客户的预期客户价值周期（CLV）是什么？

 

请仔细注意预测性分析与商业智能之间问题的差异。在预测性分析中“可能性”被反复提及，说明我们需要计算出某一种模式存在的可能性进而完成整个分析过程。在客户分析中，这一过程可以被解释成客户购买某一商品的可能性。

 

所以隐藏在上述问题中的一个测量条件就是分析的整个过程是由不同数组记录运算共同构成的。如果得出了某一个客户购买某一商品的可能性是1%，那就说明至少存在100个具有同样数组模式的客户数据在支持这一结果的达成。在商业智能中所列出的数据中，这一可能性的预测可能只是基于某一种固定的数据模式所得出的。

 

在商业智能和预测性分析之间的差异之处在于商业智能总是试图找出问题的根源，是客户驱动的。而在预测性分析中，分析模式是不会受到数据分布模式所限制的，并最终找到对于结果预测而非问题本身就有价值的测算方式（可能性）。这一模式挖掘的方式是由数据驱动的。

 

这也就是为何上述问题总是以“Which”开头。例如会问到税收单上的那一条款项与违约判定相关性最高，这需要对纳税单上所有的款项都进行对比后才能得出的结论。