多年来，企业一直在努力发展分析能力，不仅是为了了解过去的表现，而是为了预测趋势和未来的事件，以提高敏捷性。越来越多的企业正在部署预测性分析，使他们的服务更有效率，开发产品，发现潜在威胁，优化维护，甚至拯救生命。
预测分析法将统计建模、预测和机器学习等技术应用于描述性和诊断性分析的输出，对未来结果进行预测。
3月，研究公司Facts & Factors表示，2019年全球预测性分析市场估计为57亿美元，到2026年将达到221亿美元，复合年增长率（CAGR）为24.5%。
以下是当今企业如何使用预测性分析的4个例子：
劳斯莱斯优化维护计划
劳斯莱斯是世界上最大的飞机发动机制造商之一，它正在部署预测分析技术，帮助大幅减少其发动机的碳排放量，同时优化维护，以帮助客户保持他们的飞机在空中飞行更长时间。
企业的智能发动机平台监测其每台发动机的飞行方式、飞行条件以及飞行员如何使用它们。劳斯莱斯将机器学习应用于这些数据，为各个发动机定制维护制度。
劳斯莱斯的首席信息和数字官Stuart Hughes说：“我们正在定制我们的维护制度，以确保对发动机的寿命进行优化，而不是手册上所说的寿命。这是真正的可变服务，把每台发动机看成是一个独立的发动机。”
Hughes的建议：专注于帮助你的客户。分析正在帮助劳斯莱斯优化其提供的维护服务，最终的好处是客户看到的服务中断更少，因为企业可以更好地预测何时需要维护并帮助他们安排维护。
“劳斯莱斯监控发动机和每小时充电已经至少20年的时间了。”Hughes说，“这部分业务并不是新的。但随着我们的发展，我们已经开始把发动机视为一个单一的发动机，更重要的是关于它的个性化。”
DC Water主动寻找下水道管线断裂处
哥伦比亚特区水务局（DC Water）开发了一个名为Pipe Sleuth的工具，使用人工智能来审查下水道管道的闭路电视录像，以对缺陷进行分类。
DC Water的CIO兼IT副总裁Thomas Kuczynski说：“它使用先进的深度学习神经网络模型，对小口径下水管道进行图像分析，将其进行分类，然后创建一份状况评估报告。”
在部署Pipe Sleuth之前，操作员必须手动查看闭路电视录像，并标记他们看到的缺陷。然后将标记的录像提供给认证工程师进行分类。这个过程既费时又低效。
Kuczynski的建议：专注于收入和效率。Pipe Sleuth只是DC Water利用预测分析和实时分析中更广泛的一个部分。它们将水损失减少约2%至5%。以前未计量的每1%“发现水”对DC Water来说价值约400万美元。
“你想看看那些对企业来说是持久性挑战的问题，并最好有一个与之相关的收入部分或效率部分。”Kuczynski说，“卖掉能为你省钱的东西总是更容易，不管那是真正的美元还是能显著改善流程的东西。”
Ellie Mae寻找勒索软件的威胁
抵押贷款技术公司Ellie Mae通过开发Autonomous Threat Hunting对勒索软件采取了积极主动的立场。
Autonomous Threat Hunting结合了威胁情报、预测分析、人工智能和先前确定的破坏指标（IOC），以在它们被使用之前确定新的破坏指标和新的规避技术。
“威胁猎取的本质是非常主动的。”Ellie Mae高级副总裁兼首席安全官Selim Aissi说，“不要等到攻击发生后才去做，而是应该在攻击发生之前，甚至在恶意软件被知道之前，进行探索、优先处理和调查威胁。”
Aissi说，该项目将安全运营效率提高了大约35%，并使早期识别威胁的能力提高了约10倍，还将解决新威胁的速度提高了约60%。
Aissi的建议：从一开始就把变革管理作为你规划过程的一部分。
“从变革管理的角度来看，很多影响实际上是发生在安全运营和工程团队的。”Aissi说，“很多功能传统上都是手动的，安全分析员必须去收集威胁信息，并将这些信息手动输入工具中。我们必须对此进行调整，培训安全分析师和工程师来适应这种全新且自主的方式。”
Kaiser Permanente降低患者死亡率
管理型医疗联盟Kaiser Permanente创建了一个医院工作流程工具，利用预测分析技术来识别有快速恶化风险的非重症监护室（ICU）患者。
北加州 Kaiser Permanente研究科学家、运营研究区域总监Gabriel Escobar 博士表示，需要意外转入 ICU 的非 ICU 患者仅占医院总人数的 2% 至 4%，但占所有医院死亡人数的20%。
Kaiser Permanente开发了高级警报监控（AAM）系统，该系统利用三个预测分析模型来分析特定患者电子健康记录中的70多个因素，以生成一个综合风险分数。
“AAM系统综合分析生命统计数据、实验室结果和其他变量，为内外科和过渡性护理单位的成年医院患者生成每小时的恶化风险分数。” Kaiser Permanente执行副总裁兼CIO Dick Daniels说。
“远程医院团队每小时评估风险分数，并在发现潜在的恶化时通知医院的快速反应小组。快速反应小组对患者进行床边评估，并与医院医生一起校准疗程。”
Daniels的建议：专注于过程。预测性分析工具只有在确保信息被使用的过程中才是最好的。除了花时间开发工具外，AAM团队还花了大量时间开发和实施工作流程，使医疗团队能够尽可能有效地响应警报。
Daniels说：“我们花了大约5年时间对电子医疗记录的后端进行初始映射并开发预测模型。然后又花了2到3年的时间将这些模型过渡到一个可以运行的实时网络服务应用程序。”
作者：ThorOlavsrud
原文地址：
www.cio.com/article/3624014/predictive-analytics-4-success-stories.html
