马上注册，结交更多数据大咖，获取更多知识干货，轻松玩转大数据
您需要 登录 才可以下载或查看，没有帐号？立即注册
x
在2014年，Gartner公司（著名的IT市场分析公司）将规范性分析（又名时效性数据分析，prescriptive analytics）置于他们的技术成熟度曲线（Hype cycle，用以考察新兴技术）上过高期望峰值阶段的最开始。Gartner称，规范性分析还需要5-10年的时间才能成为世界各地会议室的讨论话题。那么，什么是规范性分析？我们能够如何利用它？以及它如何帮助企业机构在制定决策中起到作用呢？
规范性分析可以被看作是大数据的未来。如果我们将描述性分析（descriptive analytics）视作商业智能的基石，预测分析（predictive analytics）视为大数据的基石，那么我们就可以断言，规范性分析将是大数据的未来。早先，我已经解释过这三种类型分析之间的差异（参考1），这里我们稍作回顾：描述性分析是指考察历史数据，范围可以从1分钟前到一年前。这就好比是在驾车中观察后视镜。预测分析是指利用所有这些数据预测目的地；类似导航系统指导我们如何驾驶以及何时到达。规范性分析是自动驾驶汽车，即它知道基于无限数据点和计算得到的确切的最优路线。毫无疑问，谷歌的自动驾驶汽车大量应用了规范分析。
规范性分析采用了最新的技术（如机器学习和人工智能）来了解未来的决定有何影响，然后利用那些情况来确定最佳结果。借助规范性分析，理解和把握未来的机会或降低未来的风险成为可能，因为预测是随着数据不断加入而连续更新的。规范性分析，基本上为机构提供了一个“水晶球”（“占卜”未来的能力）。当规范性分析发展到在无需大数据科学家的情况下，决策者依然能够预测未来、并采取行动来优化所预测到的未来的阶段时，它将会成为非常强大的工具。
虽然规范性分析是仍处于起步阶段，我们看到越来越多的应用案例。有几个大数据初创公司特别注重规范性分析。最为人所知的是Ayata。他们使用专利软件来预测会发生的事件、时间以及原因。该公司主要侧重于石油和天然气工业，但规范性分析也有其他多个应用案例。规范性分析应用于有过多变量、选项、约束和数据集的情况。技术缺席的情况下，该系统实在过于复杂以致于人们无法有效地评估这些方案。此外，在现实生活中实验风险太大或花费巨大的时候，规范性分析也可以派上用场。让我们来看看三个可能的案例：
旅游和运输优化
规范性分析的一个重要特征是对许多大型数据集的需求。因此，旅游业就是这样一个最新的分析中看到巨大潜力的行业。在线旅游网站，如航空订票服务、酒店网站或汽车租赁网站，纷纷转向规范性分析，通过对旅行要素、购买和客户变量（如人口统计和社会图示、需求水平及其他相关数据源）的多次复杂迭代来进行筛选，从而优化其定价和销售策略。
旅游行业的其他应用包括分割基于多个数据集的（潜在）客户以了解营销策略的制定。更准确的定位当然会导致更高的转化率，从而能够进行更详细的分割，为此需要很多不同的变量。以洲际酒店集团为例，他们用650个变量来为合适的客户确定最佳价格/产品组合。
另一个规范性分析的案例是物流业路径优化问题。UPS是这方面绝佳的例子，他们结合数以百计的数据源进行分析，可以对旗下的每辆卡车每分钟推送10.000s路线优化。此项举措一年可以为公司节约数百万美元的燃油。 通过水力压裂法(液压破碎法, fracking)生产石油
在过去几年，尤其是在美国，水力压裂法取得了井喷式的发展。仅在2013年， 310亿美元就被花费在了26,100个美国矿井的次优压裂阶段。为了知道在哪里进行压裂能够使过程更安全，并且优化水力压裂流程，海量数据集（高达PB级数据）是必需的。数据集如声音（压裂和钻井）、图像（地震、测井记录）、视频（摄像机监测水力压裂和传感器测量各种变量）、文本文件（由钻井员记录）和其他种类的数据都必须实时分析来推荐最优的水力压裂位置和压裂流程来取得最佳效果。
改善医疗保健行业 医疗行业中产生的不同类型大量数据集也亟待分析。当医疗保健机构结合各种数据（如病人的病历、用药信息、经济数据、人口统计和社会图示数据、健康趋势、医院数据等），他们将能够以更低廉的价格提供更好的医疗服务，这样将能够改善未来在新的设施或医疗设备方便的资本投资，并提高医院的工作效率。
结合这么多不同的数据集也可以为医生提供在制定患者的最佳治疗方案方面的建议。得益于合并和分析多个数据集，Aurora保健中心得以提高医疗保健水平，减少了10％的返院率，从而每年节省6百万美元。
同时制药企业可以通过规范性分析来改善他们的药物研制进程并缩短新药推向市场的时间。药物仿真模拟可以更快的改进药物并且更容易找到基于多个变量的合适的病人来进行临床试验。
规范性分析是大数据的明日之星，但成为通用工具仍然前路漫漫。它的潜力巨大，但也需要大量数据以便能作出正确的决定。只有极少数的企业和行业拥有能够运用规范性分析得到可用结论的数据规模。然而，在5-10年之后，它将和今天的商业智能一样随处可见。
[译者简介] 翻译：于丽君，本科硕士毕业于清华大学数学系，目前就读于美国Case Western Reserve University应用数学博士生，研究方向为贝叶斯方法反问题建模，对数学建模、机器学习等方面有广泛兴趣。加入大数据文摘翻译志愿者的行列已经接近一年时间，希望继续为大家带来高品质文章！相信在极速数据化的时代，量化的观点可以洞察世界！（编者注：据说丽君目前暑期空闲，有实习机会的美国、中国公司约吗？有意者请后台留言）
校对：袁君洋， 清华大学本科（建筑环境与设备工程），硕士（管理科学与工程），美国George Mason University博士（Public Policy）。现任职于美国Capital One 银行，Sr. Data Analyst。擅长大数据处理（Teradata），模型挖掘和分析（SAS，STATA）。对 Big Data的发展和应用很感兴趣。
| 
/1 
发表于 2015-1-13 21:12:30
QQ好友和群
QQ空间
腾讯微博
腾讯朋友
收藏
转播
分享
淘帖
赞
踩
提升卡
置顶卡
沉默卡
喧嚣卡
变色卡
千斤顶
照妖镜