对于想要实践数字化转型的企业来说，仅仅通过历史数据来了解过去发生了什么是远远不够的。有效的数据利用能够帮助企业获得有关未来商业机会和风险的具有前瞻性的洞察。Forrester的调查数据显示在众多大数据项目规划之中，预测分析已经成为了中国企业最为重视和迫切需要采用的战略发展议题。
在客户时代(AgeoftheCustomer-AoC)，为了能够成功利用预测分析获得商业价值，企业需要的不仅仅是采购和部署一个技术平台。实际上，企业架构专业人士应该以结果为导向的方式来规划自身的预测分析能力发展路线图。着眼于整个客户生命周期，确保在技术发展的整个过程中都有来自业务部门的充分参与，将预测分析作为企业大数据架构的核心组成部分来发展。
理解业务对于企业构建预测分析能力的重要意义
预测分析如果不以业务为导向则将功亏一篑。这不仅因为企业业务部门拥有对技术的投资决策权，而且他们也往往负责领导该项技术日后的运营和支持工作。这主要是由于技术预测算法并不是万能的，它们在回归过程中人工介入，对输入参数进行优加速形成有意义结果的收敛过程。为了实现这个目标，企业架构人员应该：
·以业务为依据设置各种技术议题的发展优先级。每种业务类别的数据汇聚、标签标定和数据处理都需要时间，特别是模型训练和算法优化环节。因此，企业应当在技术部署之前就开展数据准备工作，并按照业务需求给予相应技术以资金支持，从而更有效的支持业务发展。
·关注与业务干系人的合作。企业架构专业人士应当建立与业务管理层的沟通机制，确保对方对于预测分析有着合理的预期和理解。在预测分析结果与业务预期严重不一致的情况之下，企业架构专业人士应当尝试从差异中发现业务机会和风险，并将特殊情况进行充分沟通。
·实现不同业务领域专家和数据科学家之间的有效协作。企业各业务领域的专家往往对于客户行为、业务情境十分了解，而这些信息对于有效企业预测分析模型的构建至关重要。另一方面，数据科学家则是算法领域（包括朴素贝叶斯、支持向量机、神经网络等）的专家。以上两类信息输入对于企业构建有效的预测模型必不可少。因此，在开展预测分析模型训练的时候，企业架构专业人士应当有效协调沟通双方面的信息，避免信息遗漏和误读。
更多阅读：
