由 Eric Siegel 所撰。資料科學家薪資高、難留住，多數企業選擇培訓既有員工。但**預測分析（predictive analytics）**特別容易做錯——本章列出三個必須避開的陷阱。
何謂預測分析？#
預測分析是「從經驗（資料）學習，以預測個體未來行為，藉此推動更好決策」的技術。它能幫組織在大規模行銷、金融風險、詐欺偵測等領域標記出最可能點擊、購買、欺騙、死亡、犯詐、離職、退訂的個體。
在這些商業應用中，預測分析與機器學習（machine learning）幾乎是同義詞——機器學習從資料中學出預測模型（predictive model），把已知資訊轉換成「會發生某結果的機率」。
陷阱一：別被流行詞迷惑——先釐清目的#
「資料科學」本身不是業務目標，也不是學習目標。它意指「以聰明方式運用資料」的文化，不對應任何特定技術或方法。
在資料科學的大傘之下，預測分析才是能直接帶來可執行行動的工具。預測直接決定要對每個個體採取什麼行動——例如把行銷資源投到最可能購買的人身上、把稽核資源投到最可能詐欺的人身上。
當你開始部署預測分析時，需要新的領導角色：
- 機器學習主管（machine learning leader）
- 預測分析經理（predictive analytics manager）
這些頭銜比含糊的「資料科學家」更精準。
陷阱二：別讓軟體選型走在團隊技能之前#
2011 年 Thomas Davenport 在 Predictive Analytics World 大會上喊：「這不是數學的事——這是人的事！」
分析軟體廠商會告訴你他們的工具就是「The Solution」。但解決什麼？真正要解的問題，是優化你的大規模營運；真正的解方，是一種整合機器學習的新業務方式。機器學習工具只佔整體組織流程的一小部分。
不要追隨廠商的步調。先讓員工準備好把機器學習作為企業級整合來管理，等專案進到後段再做更知情的軟體選擇。
陷阱三：別跳過部署規劃，直接埋頭算數字#
預測分析失敗的最常見原因，是還沒想清楚怎麼把模型整合到實際營運，就一頭栽進機器學習。預測分析不是買來插上去就能用的技術——它是個必須跨越「量化文化／業務文化」鴻溝的組織典範，需要策略、營運、分析三方利害關係人共同推進。
預測分析專案的標準五步驟（從業務目標反推到資料）#
- 訂出業務目標：模型如何整合進現行營運以產生正面影響（如更精準的客戶留存行銷）
- 定義具體的預測目標：須獲得業務利害關係人（如行銷團隊）認同，例如「哪些目前客齡至少一年、累積消費 500 美元以上的客戶，將在三個月內取消、且後續三個月不會回鍋？」
- 準備訓練資料：通常佔整個專案 80% 的工作量——把現有資料重整成機器學習所需的格式，是個資料庫工程任務
- 套用機器學習產出預測模型：「火箭科學」的部分，但不是最耗時的階段；軟體選擇在此最關鍵，可先用免費試用版比較
- 部署模型：把預測整合到既有營運（如針對「最可能取消」的前 5% 客戶啟動留存活動）
在挑選培訓方案前，記得兩件事：
- 這五步會大幅來回迭代——例如執行步驟 3 才發現步驟 2 定義的預測目標資料不夠，必須回頭修改
- 首批試點專案要找外部機器學習顧問處理關鍵環節，特別是步驟 4。內部員工不該一開始就嘗試獨立操作核心機器學習，但專案主管必須掌握其運作原理，才能理解資料需求與機率輸出的意涵