沒人能擷取未來的資料，但可以用過去資料預測未來#

「預測分析（predictive analytics）」每天都在企業裡發生：

• 計算客戶終身價值（customer lifetime value, CLTV）——預測客戶長期會買多少
• 「下一個最佳推薦（next best offer）」——預測客戶接下來最可能買的產品
• 預估下季銷售
• 數位行銷模型決定哪一則廣告投放在哪個媒體上

預測分析不是魔法——它通常等於大量過去資料 + 一點統計巧勁 + 幾個重要假設。

一、資料（Data）#

缺少好的資料，是組織做預測分析時最常見的障礙。

要預測客戶未來購買行為，至少需要：

• 客戶買了什麼（可能需要會員制度，或大量分析信用卡資料）
• 過去買過什麼
• 商品屬性（屬性導向（attribute-based）的預測，往往比「買 A 的人也買 B」型模型更準確）
• 客戶人口統計屬性（年齡、性別、居住地、社會經濟地位等）
• 跨通路（multichannel）：所有觸點蒐集資料的方式必須一致

建立一個有「唯一客戶 ID」、整合所有通路歷史的客戶資料倉儲是大工程。已經做完的公司，等於擁有預測客戶分析的稀有資產。

二、統計（Statistics）#

預測分析的主力工具是迴歸分析（regression analysis）。流程概略：

1. 假設一組自變數（性別、收入、網站造訪次數）與某商品的購買行為相關
2. 對樣本客戶跑迴歸，看相關性多強——通常需多次迭代找出最佳變數組合
3. 確認模型解釋力強之後，用迴歸係數計算其他客戶的「得分」
4. 對得分高的客戶推薦該商品

只要分析師統計做得夠好、資料品質夠高，得分高的客戶確實更可能購買——這就是預測模型的本質。

三、假設（Assumptions）#

每個模型都建立在假設之上，最大的假設是：「未來會延續過去」。

當人或環境的行為模式改變，原本的模型可能就失效。Charles Duhigg 在《The Power of Habit》中指出，人會建立穩定的行為模式並長期維持，但也會改變。

假設失效的兩個主要原因#

1. 時間累積：模型愈舊愈不準。
   • 例：Netflix 早期的預測模型來自網路先行者（年輕、技術導向），後期使用者幾乎涵蓋一般大眾，行為大不相同——舊模型必須退役。
2. 遺漏關鍵變數：尤其當該變數長期偏離原本範圍時。
   • 例：2008–2009 金融危機。房貸還款預測模型沒有納入「房價可能停止上漲、甚至下跌」的可能性。一旦房價下跌，模型就完全失準。「房價會永遠上漲」是隱藏在模型裡的假設。

錯誤或過時的假設可以拖垮整家銀行，甚至動搖整個經濟。經理人必須持續詢問與監控假設。

該問分析師的關鍵問題#

• 你用了哪裡來的資料？
• 樣本資料能代表母體嗎？
• 資料分布有離群值（outlier）嗎？它們如何影響結果？
• 分析背後有哪些假設？
• 什麼條件下這些假設會失效？

結論#

預測分析能讓我們真正用資料看見未來——只要：

• 蒐集對的資料
• 用對的統計模型
• 對假設保持警覺

比起算命師 Carnac the Magnificent 的預言，分析式預測通常準確得多——但前提是有人持續監督它的假設。