AITerms 登入
機器學習統計方法AI應用

預測性分析(Predictive Analytics)是什麼?

預測分析(Predictive Analytics)運用機器學習與統計模型,從歷史資料預測未來趨勢或事件機率,廣泛用於銷售預測、風險管理、客戶流失預防。

完整定義

預測性分析是一種利用歷史數據、統計建模、機器學習和資料探勘等技術,來預測未來事件或趨勢的分析方法。它旨在識別模式和關係,並將其應用於預測未來結果,從而幫助企業和組織做出更明智的決策,優化資源分配,並降低風險。

白話說明

你有沒有想知道,下個月的銷量或流失率會不會先看得出來?

你可以把 預測性分析 想成 拿歷史資料推未來,幫你提早準備。

可以先看到風險、需求和趨勢,拿歷史資料推未來,幫你提早準備 這件事就特別重要。

記住這句

拿歷史資料推未來,幫你提早準備

比喻:預測性分析就像氣象預報員 -- 它透過分析過去的天氣模式(歷史資料),來預測未來的天氣狀況(趨勢或機率),比如明天會不會下雨,或是下週會不會有寒流。但它不是百分之百準確,只是提供一個很有根據的預估。

容易混淆

預測性分析 vs 描述性分析

描述性分析像會計師,只告訴你「過去發生了什麼」(例如上個月賣了多少),而預測性分析像算命師,它會告訴你「未來可能會發生什麼」(例如下個月可能賣多少),幫助你提早做準備。

最關鍵的區別:一個預測未來,一個整理過去。

預測性分析 vs 描述性分析

預測分析看未來可能會發生什麼,描述分析只整理過去發生了什麼

最關鍵的區別:一個往前看,一個回頭看。

實際案例

案例 1:零售商用歷史銷售預估下個月庫存

案例 2:客服團隊預測哪些客戶可能流失

演算法與應用

核心意思就是:拿歷史資料推未來,幫你提早準備。

常見輸出是分數、機率、趨勢或分群結果

模型選擇要配合資料型態、商業目標和可解釋性

中英對照與常見說法

說法
預測性分析
出現場合
台灣正式用語
說法
预测分析、预测性分析
出現場合
簡體寫法
說法
Predictive Analytics
出現場合
英文原名
說法
預測分析
出現場合
常見變體

四種分析層次

四個層次是往上疊的,跳過前兩層直接做預測,往往會建出一個準確但沒人知道怎麼用的模型。

層次
描述性(descriptive)
回答的問題
發生了什麼
例子
上個月營收比前月少 12%
層次
診斷性(diagnostic)
回答的問題
為什麼發生
例子
因為某個通路的回購率下滑
層次
預測性(predictive)
回答的問題
接下來會發生什麼
例子
下個月有 340 位客戶可能流失
層次
指示性(prescriptive)
回答的問題
該怎麼做
例子
對其中這 80 位發折價券預期能挽回最多

預測不等於因果,這是最貴的誤用

預測模型回答「誰會流失」,它靠的是相關性,這對排序名單是夠的。但「對這些人做什麼會有效」是因果問題,預測模型答不了。

典型的失敗是:模型找出最可能流失的客戶並對他們發高額折價券,結果發現其中很多人本來就打算離開(發券也留不住),另一些人本來就會續約(等於白送錢)。真正該找的是「發了才會留、不發就會走」的那一群,這需要提升建模(uplift modeling),本質上是因果推論不是預測。

判斷準則很簡單:只是要排序與資源配置,預測就夠;要決定介入措施,就需要實驗或因果方法。

從模型到行動的三個實務要點

預測要能對應到具體動作。 一個沒有對應動作的預測沒有價值。做模型之前先問清楚:預測出來之後誰會看、他能做什麼、做了之後怎麼衡量。

給機率而不只是標籤。 「這個客戶流失機率 0.73」比「這個客戶會流失」有用得多,因為門檻可以依當下的預算與人力調整。而且機率要校準過,未校準的機率拿來排序可以,拿來算期望值會出錯。

一定要監控資料漂移。 預測性分析的假設是「未來跟過去長得像」。市場、產品、競爭者一變,模型就會悄悄退化,而且準確率往往在幾週後才反映出來。監控輸入特徵的分布通常比監控準確率更早示警。

情境判斷

Q2(判斷題): 只有很少歷史資料時,還能做嗎?

看情況,資料太少時預測會不穩,通常要先補資料或降低目標

常見問題

出現在這些考古題

官方公告試題的逐題解析裡,這 4 題把預測性分析列為延伸術語。

相關術語

本頁內容有提到,或屬於同一組主題的術語

來源

這個術語目前沒有標註外部來源。

其他格式:Markdown 版本