预测分析软件获得了越来越多的来自技术用户、厂商和分析师的关注。先进的分析技术旨在帮助挖掘数据和建立预测模型的组织分析他们未来的业务场景，如顾客购买行为或拟议的企业投资的资金风险。

　　到现在为止，数据挖掘、预测分析以及相关业务建模技术几乎完全是由高技能高工资的统计学家、数学家和定量分析师所使用。但随着商务智能和分析厂商提供更方便用户使用的预测分析工具，这一情况正在发生变化。在通过电子邮件进行的采访中，Forrester Research公司的分析师James Kobielus评论了预测分析软件的现状并对预测分析技术的发展趋势、潜在的好处和使用这类技术的挑战进行了概述。

　　关于预测分析是未来商务智能市场的一大战场有很多的讨论。您是否同意?如果是的话，为什么?

　　是的，我同意。随着厂商提供支持丰富的历史数据分析的解决方案，核心商务智能市场已经变得相当拥挤。传统的BI市场已经商品化也太过于简单化。然而，所有进入商务智能领域的厂商都在寻找新型的先进的分析应用作为一种避免“我也是”综合症(即提供的产品功能类似，很容易彼此混淆，无法区分及证明其值得溢价的价格)的方法。预测分析是一条BI产品自我发展之路，很多用户期望的东西往往需要与当前的BI工具相分离。

　　从常规观点来看，预测分析软件是否已经为更广泛的使用做好准备?还是存在需要首先解决的限制?

　　是的，不存在限制。Forrester公司看到了令人印象深刻的新一代的用户友好的预测分析工具，该工具满足信息工作者和其他非传统用户的大众市场需求。

　　传统的预测分析工具仍然十分需要一个在多元统计分析和数据挖掘领域具有统计学和数学建模学术背景的专业化骨干队伍，虽然大多数建立预测模型的厂商在推出更多的用户友好的可视化工具方面取得了很大进展。不过，当我在2010年初发表关于预测分析和数据挖掘工具的Forrester Wave报告时，我必须认真思考行业现状。我并没有很强调面向业务分析、主题专家和其他“非技术性”信息工作者的特性。今天产品的核心问题是很多留存下来的强大工具都有一条陡峭的学习曲线以及相对高昂的价格。

　　预测分析软件会怎样?您能不能给我们一个您追踪的关键技术趋势的概述?

　　主要趋势是朝着用户友好、自助服务、集成商业智能的预测分析工具发展，这会是更普遍采用的做法。另一个是向着在企业级数据仓库中融入更多预测分析的功能发展，即数据库内分析。这是一个可以在数据准备、统计分析、模型评分和其他先进分析功能方面被并行化的路径，能够在一个或多个数据仓库节点上进行加速。数据库内分析还能够针对资源密集型功能(例如数据挖掘和预测建模)实现范围广泛的弹性部署，可部署到集群、网格或高性能分析数据库云。

　　我们也看到为数据挖掘、文本挖掘和其他应用建立预测分析模型的开放式框架正在日益普及。主要是MapReduce和Hadoop，已经被分析工具和数据仓库平台厂商广泛采用。在未来一年，我们还将看到一个产业的开始，即推动内联预测模型的开放式开发框架部署到实时数据流应用的复杂事件处理(CEP)环境。另外一个趋势是在客户关系管理(CRM)应用中内置预测分析功能以推动在呼叫中心和多渠道客户服务环境中实现实时的“Next best offer”推荐。

　　为什么潜在用户对预测分析感兴趣?什么是企业可以从它那里得到的潜在利益或竞争优势?

　　商业是关于投注的所有，知道是否赔率对你有利。商业成功依赖于你的公司能够很好地预测未来业务场景然后去准备计划和部署资源，以便你能够抓住机遇、消除威胁和降低风险。显然，预测分析可以在日常商业运作中起到关键作用。它帮助你关注战略并基于实际表现和可能场景不断调整计划。而且，正如我在Forrester博客的文章中指出的，这项技术是你面向服务架构战略的核心，你可以将预测逻辑深深嵌入到数据仓库、业务流程管理平台、CEP流和业务应用中。

　　预测分析的最大承诺（大多数公司在很大程度上仍然未实现）它会变得无处不在，指导所有的决策、交易和应用。该技术将上升到这一挑战，企业必须走向全面的先进的结合分析数据挖掘、内容分析和数据库内分析的战略。我们已经勾画出“面向服务分析”的愿景，依据你打破数据挖掘和内容分析之间孤岛的倡议，并充分利用这些跨越所有业务流程的池化的资源。

　　您可能会同意这是正确的理念，但有疑虑这是否是在这个方向上引领你公司的适用的渐进的路线图。实际上就是，重新开始评估它与大多数公司的预测分析能力的核心：你的数据挖掘工具。当你策划你的预测分析倡议时，你应该避免传统的以战术、自下而上、项目的具体要求为焦点的方法。你也应该尽量不要把你的要求硬塞进你目前使用的建模工具的有限功能集合中。

　　在另一面，当人们衡量预测分析软件的合理部署时，他们应该考虑和准备好接受什么样的挑战或问题?

　　预测分析工具的学习曲线、复杂性和成本是主要的挑战。另外，如果你正致力于部署先进的预测分析工具，你需要聘请专业的高薪人才来处理数据的准备和清理，建立和评价预测模型，并将模型和他们的结果集成到你的BI、CRM和其他应用环境中。如果你决定通过数据库内分析把预测分析倡议整合到数据仓库中，你需要将处理这些功能的人组成一个小组，并让他们讲同一种语言。