在前文《调查：预测分析将在业务中发挥作用》中，Ventana新的研究发现，预测分析在业务的多个方面发挥着“重要或非常重要的作用”，本文将进一步介绍预测分析，以及科学家对预测分析的看法。

　　大数据和先进分析

　　预测分析这个术语是一个松散定义的学科，涉及使用统计数据和其他复杂精确的数据分析预测未来。业内专家迅速指出，该领域超出了数据挖掘，而且不是为了数据挖掘而数据挖掘。预测分析通过业务和相关的外部来源所产生的大量数据识别模式。这些模式可以指出产生可能的结果的方式，并允许业务调整他们的战略。

　　既然数据的量，速率和种类——或大数据——对许多企业来说是实际存在的，预测分析的价值已经升值。同时，它在企业中流行变得更加困难。Menninger表示，这并不意味着CIO们或他们的公司应该把预测分析排除在外，他提供了自己的预测。

　　Menninger 说：“我觉得它在崛起。我认为它在崛起的一部分原因是大数据。我不认为你可以看着这些大量的数据，并只是随意阅览亿条记录，然后就能找到你感兴趣的东西。你应该使用先进的分析。”事实上，Ventana针对另一个大数据相关的技术调查研究表明，受访者使用Hadoop最常见的原因是先进的分析。

　　CIO们的一个隐忧？当研究的受访者被问及谁在使用预测分析上做得最好时，BI和数据仓库排在最后一位（59％）。业务线分析师（65％）和专门的数据科学家们，统计或数据挖掘资源（70％）胜出。如果不是它的原因，与之相关的强烈不满是投诉（这往往是针对一般的BI方案提出的）数据模型并没有经常更新以至于不够实用。事实上在研究结果中，每天更新模型（81％）的预测分析程序的满意度另不经常更新的（48％）程序刮目相看。

　　这一发现对在场的成员Andy Maddocks来说并不感到惊讶，他是位于亚特兰大的一个全球性的慈善机构联系部门的前任战略和IT的主管。Maddocks表示：“我做的第一件事就是带领BI团队走出IT，而且他们突然变得有富有创造性了，并真的开始像科学家一样思维。”他现在是数字市场营销方面的新秀R2integrated有限责任公司的总裁和首席产品官。

　　来自现实的数据科学家的观点

　　研究表明，公司在先进的分析上挣扎的主要原因之一是大部分组织（57％）不能提供足够涉及预测分析概念和技术的恰当训练。

　　只是在这一领域成为专家是多么得不容易——甚至决定使用哪些工具——在MassTLC研讨会期间两位专攻大数据分析的科学家的评论让这种难度上变得明显：一位是Michael Kane，他是耶鲁大学里耶鲁大学分析科学中心的副研究科学家，另一位Ian Stokes-Rees，在哈佛医学院NEbioGrid组织的研究员，目前在哈佛大学工程学院。两人一致认为，通过技能和少数可用的工具（Tableau、SPSS软件、MATLAB软件和R计算语言），业务在预测分析方面的成功是有限的。

　　Stokes-Rees表示无论BI团队是否存在于IT之内，企业都不能指望IT专业人员把精力集中放在IT基础设施上，能够一头扎进商业信息里。他说：“这真是疯狂。高技能上还存在差距。你需要同数据科学家合作。”他补充说，业务执行的时候面临的压力并不会传递到为了预测见解而进行的大数据探索的探索性本质。

　　不过，即使这两位在学术界工作的数据分析专家们也发现自己面临相同非常不科学的需求，而且往往是由结果和有胆量的商人造成的。先进的分析方法往往被视为仅仅作为一种快速的方式为预感的增加分量。Kane说，提到和他共事的科学家们：“基本上，他们对我说，‘你能不能让我的观点与数学一致，这样我就可以发布论文了？’”