发布日期：2024 年 5 月 2 日
撰稿人：Cole Stryker
规范性分析是一种分析数据以识别可用于进行预测和确定最佳行动方案的模式的实践。
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，为其分配风险分数。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：
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。
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。
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。
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。描述性分析包括汇总和可视化数据，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事件或行为。
规范性分析模型构建：预防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。规范性分析以描述性和预测性分析得出的结果为基础，可就企业如何应对可能出现的各种状况提出合理建议。
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。
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。
IBM® watsonx BI Assistant 能够在几秒钟内回答您的业务问题，指导您做出最具影响力的决策。了解发生了什么、为什么、可能会发生什么以及您能做些什么。watsonx BI Assistant 通过其清晰的分步式推理方式，为每一位业务用户提供洞察分析，在转念之间制定自信决策。
利用 Cognos Analytics 中由 AI 驱动的自动化技术和洞察分析来释放数据的全部潜力。可以随时利用自然语言 AI 助手，描述所需数据，让 Cognos Analytics 为企业构建令人惊叹的数据可视化效果。描述想要测试的问题或假设，借助 AI 获取所需的洞察分析。
IBM® Planning Analytics 是一款 AI 辅助的整合的业务计划解决方案，可将原始数据转化为切实可行的洞察。借助灵活且融入 AI 的预测功能来预测结果。实时分析大规模和细粒度假设场景，以便您快速调整。