什么是规范性分析？

规范性分析是数据分析的一个子学科，而数据分析本身就是商业分析与商业智能学科内的一种实践，其广义定义为将数据转换为可操作的洞察分析。

数据分析主要分为四种类型，其中规范性分析是最为复杂的：

• 描述性分析：“发生了什么？”

• 诊断性分析：“为什么会发生这种情况？”

• 预测性分析：“接下来可能会发生什么？”

• 规范性分析：“下一步应该做什么？”

虽然所有四种类型的分析均可用于讲述数据中的故事，但规范性分析与其他类型的不同之处在于，它不仅侧重于预测未来的结果，还会推荐行动或决策，以实现想要的结果或防止不良结果。这不仅仅是“未来可能发生什么？”的问题，还关乎“我们应该如何为未来做好准备？”。

企业可利用规范性分析来完成多项任务，如客户细分、流失率预测、欺诈检测、风险评估、需求预测、规范性维护、个性化推荐等。虽然规范性分析实践在大数据诞生之前便已存在，但是随着各行各业的企业积累大量历史数据，这种分析实践得到了加速应用。

如今，规范性分析工具使用预测建模中的许多统计技术，但也利用人工智能和机器学习算法和模型。分析软件使用经过大量数据训练的机器学习模型，使分析师能够更准确地识别风险和机会，从而指导和改进业务领导者的决策。

规范性分析在预测性分析的基础上增加了一个推荐层，并且在重点、范围和方法方面与预测性分析不同。

规范性分析为各行各业和各种应用提供了诸多优点。以下是规范性分析的一些主要优点和示例：

规范性分析通过提供对未来趋势和结果的见解，使组织能够做出数据驱动的决策。例如，假设一家零售连锁店想要预测对新产品的需求。借助基于历史消费者行为数据的预测性见解，零售连锁店可以就是否、何时以及如何发布、定价和推广新产品做出更明智的决定。

通过不断完善规范性模型，尝试新的数据源以及探索创新方法，企业可以在市场中脱颖而出，并保持竞争优势。在医疗保健领域，对未来结果做出判断可能是生死攸关的问题，可以使用规范性分析根据许多因素来决定最佳治疗方法或药物。

通过进行规范性分析，企业可以改进资源分配、简化业务流程，从而优化运营。通过准确预测维护需求、妥善管理库存水平并优化生产计划，企业可以充分降低成本并减少浪费。

想象一家制造公司的装配线，它由各个互连流程组成，包括组件采购、装配、质量控制和包装。规范性维护可用于分析来自传感器的数据，如温度、振动和压力读数，并预测故障率，以便设施经理能够积极主动地维护设备。

规范性分析通过检测表明潜在威胁的异常和趋势，帮助组织识别和降低风险。在金融服务、保险和网络安全等领域，模型可以评估信用风险并发现欺诈活动，从而保护资产和维护信任。

规范性分析技术可根据交易或实体遭受欺诈的可能性，为其分配风险评分。通过全方位考量交易金额、频率、地点、客户行为等多种风险因素，高级分析算法可以确定欺诈警报的优先级，从而帮助企业集中精力调查高风险交易或实体。这有助于欺诈检测团队更加合理地分配资源，并及时应对潜在威胁。

通过预测客户需求和偏好，企业可以为客户提供个性化体验并定制有效解决方案。借助规范性分析，企业能够对客户群进行细分，实现更精准的定位；另外，还能根据模型生成的客户需求预测结果，有针对性地为客户提供推荐并推出符合客户期待的互动活动。

之前，企业只能盲目猜测客户希望如何与品牌和产品互动，而现在却能做出合理预测并做出数据驱动的决策，从而减少客户流失率。这类分析工具不仅仅适用于销售和营销部门，还适用于企业内的所有其他部门。现在，规范性分析可提供一切所需信息来指导产品开发和改进，并生成有助于提高客户满意度的有效行动建议。

规范性分析通常遵循以下步骤：

1. 定义问题：首先，必须定义模型需要预测的内容，以确定正确方法。适合特定用例的模型不止一种。要以更快的速度、更低的成本获得最佳结果，使用正确的模型和正确的数据至关重要。

2. 数据收集和预处理：首先要从各种内部来源收集相关数据，并从第三方提供商处收集外部数据。所收集数据的质量和数量对于模型的准确性和有效性至关重要。收集数据后，它会进行预处理，以清理、转换和准备数据以供分析。这可能涉及处理缺失值、删除重复值、执行格式标准化和对分类变量进行编码。数据预处理有助于确保数据一致且适合建模。

3. 特征选择和工程设计：接下来，从数据集中选择或设计相关特征，作为模型的输入。这一步骤包括确定最具预测能力的信息特征，可能需要领域专业知识来确定哪些变量与预测任务最相关。

4. 描述性和预测性分析：在应用规范性分析之前，组织通常会进行描述性分析以了解过去的绩效，并进行预测性分析以预测未来的结果。描述性分析涉及汇总和可视化数据以深入了解历史趋势和模式，而预测性分析则使用统计和机器学习模型来预测未来的事件或行为。

5. 规范性分析模型构建：规范性分析解决方案涵盖数学模型和优化算法，旨在提出有助于实现最佳结果的业务决策建议。这些模型会考量多种因素，包括约束条件、目标、不确定性、需要做出的权衡取舍等。规范性分析是在描述性和预测性分析结果之上的进一步构建，可为组织如何应对各种潜在情况提供建议。

6. 部署：评估后，这些模型会被部署到操作系统或应用程序中，并可对其进行实时预测并就最佳行动方案提出建议。这可能涉及将模型集成到现有的软件系统、API 或仪表板中，以实现决策过程自动化或为用户提供规范性洞察。自动化有助于使洞察分析的收集和使用更加顺畅。

7. 监控和优化：需要持续监控和维护模型，以确保模型长期保持有效性和相关性。具体而言，需要监控模型性能、使用新数据更新模型、定期重新训练模型以及持续优化模型，以适应不断变化的环境或不断变化的数据模式。