你当前正在访问 Microsoft Azure Global Edition 技术文档网站。 如果需要访问由世纪互联运营的 Microsoft Azure 中国技术文档网站，请访问 https://docs.azure.cn。

预测建模和影响客户行为

  • 项目

在数字经济中有两类应用程序：历史和预测。 对于许多客户需求，仅使用历史数据（包括准实时数据）就能满足。 大多数解决方案注重于聚合即时数据。 然后，他们处理这些数据并将其以数字或环境体验的形式与客户共享。

与历史建模相反的是预测建模。 但什么是预测建模？ 预测建模使用统计信息和已知结果来处理并创建可用于在合理范围内预测将来结果的模型。 随着预测建模变得越来越经济高效且更容易获得，客户需要前瞻性的体验，以便能够做出更明智的决策和采取更好的措施。 然而，这种需求并不始终意味着使用预测性解决方案。 在大多数情况下，历史视图可以提供足够的数据，使客户能够自行做出决策。

遗憾的是，客户经常采取短视的观点，导致他们根据身边的环境和影响范围做出决策。 随着选项和决策的数量与影响程度的增加，这种短视的观点可能无法解决客户的需求。 同时，随着一个假设大规模获得证明，提供解决方案的公司可能会看到数千甚至数百万种客户决策。 这种大局观的方法可以得出广泛的模式并对这些模式产生影响。 需要了解这些模式以做出最好地解决客户需求的决策时，预测建模功能是一项明智的投资。

预测建模的示例及其如何影响客户行为

多种应用程序和环境体验使用数据来做出预测：

  • 电子商务：根据其他类似消费者的购买行为，电子商务网站推荐可能值得添加到购物车的产品。
  • 调整现实：IoT 提供更高级的预测功能实例。 例如，假设装配线上的某台设备检测到机器温度升高。 基于云的预测模型将确定如何做出响应。 根据这种预测，另一台设备会减慢装配线的速度，直到机器冷却。
  • 消费品：手机、智能家居甚至汽车都可以使用预测功能，这些功能会根据位置或时间等因素进行分析，以预测用户行为。 当预测结果与初始假设相一致时，该预测结果将导致执行某项操作。 在非常成熟的阶段，这种一致性能使自动驾驶汽车之类产品成为现实。

开发预测功能

持续提供准确预测功能的解决方案通常包括五个核心特征。 五个核心预测建模特征是：

  • 数据
  • 洞察力
  • 模式
  • 预测
  • 交互

每个方面都需要开发预测功能。 与所有伟大的创新一样，预测功能的开发需要承诺做出迭代式改进。 在每次迭代中，以下一个或多个特征将会成熟，接下来可以验证更加复杂的客户假设。

预测能力的步骤

注意

如果在客户同理心的基础上进行构建中提出的客户假设包括预测功能，则其中所述的原则可能很适用。 不过，开发预测功能需要投入大量的时间和精力。 如果预测功能属于技术尖峰而不是真正客户价值的来源，则我们建议将预测推迟到已大规模验证了客户假设为止。

数据

数据是前面所述特征的最基本要素。 开发数字发明项目的每个学科都会生成数据。 当然，这些数据有助于预测的开发。 有关如何将数据引入预测解决方案的详细信息，请参阅：

可以使用各种数据源来提供预测功能：

洞察力

行业专家使用有关客户需求和行为的数据，基于对原始数据的研究开发基本的业务见解。 这些见解可以指明所需客户行为（或者不利结果）的发生。 在基于预测结果进行迭代期间，这些见解有助于识别最终可能产生积极结果的潜在关联。 有关如何使行业专家能够开发见解的指导，请参阅通过数字发明使数据民主化。

模式

人们一直试图在大量数据中检测模式。 计算机就是出于这种目的设计出来的。 机器学习通过精确检测此类模式来加速这种探索，这也是构成机器学习模型的一项技能。 然后通过机器学习算法应用这些模式，以便在将一组新数据输入到算法时预测结果。

机器学习使用见解作为起点，开发并应用预测模型来使数据模式产生经济价值。 通过多次迭代训练、测试和采用过程，这些模型和算法可以准确预测将来的结果。

Azure 机器学习是 Azure 中的云原生服务，用于基于数据生成和训练模型。 此工具还包括一个用于加速机器学习算法开发的工作流。 使用此工作流可以通过可视化界面或 Python 开发算法。

为使机器学习模型更可靠，Azure HDInsight 中的 ML 服务提供基于 Apache Hadoop 群集构建的机器学习平台。 使用此方法可以更精细地控制基础群集、存储和计算节点。 Azure HDInsight 还通过 ScaleR 和 SparkR 等工具提供更高级的集成，以基于集成和引入的数据（甚至使用来自流的数据）创建预测。 航班延误预测解决方案展示了这些高级功能，它可用于基于天气状况预测航班延误。 HDInsight 解决方案还可实现企业控制（例如数据安全、网络访问和性能监视），使模式可操作。

预测

在生成并训练某种模式后，可以通过 API 应用该模式，以便可以在交付数字体验期间进行预测。 其中的大多数 API 都是基于数据中的模式从全面训练的模型生成的。 随着越来越多的客户将日常工作负载部署到云中，云提供商使用的预测 API 可以进一步加快采用速度。

Azure 认知服务是云供应商生成的预测 API 的示例。 此服务包括内容审核、异常情况检测和个性化内容建议的预测 API。 这些 API 现成可用，并且基于众所周知的、由 Microsoft 用来训练模型的内容模式。 API 基于馈送到 API 中的数据做出预测。

Azure 机器学习允许部署定制的算法，你可以仅基于自己的数据创建和训练这些算法。 有关使用 Azure 机器学习部署预测的信息，请参阅将机器学习模型部署到 Azure。

有关针对 Azure HDInsight 中 ML 服务开发的预测的公开流程的信息，请参阅设置 HDInsight 群集。

交互

通过 API 获取某项预测后，可以使用它来影响客户行为。 这种影响采用交互形式。 与机器学习算法的交互发生于其他数字或环境体验中。 由于数据是通过应用程序或体验收集的，因此预测将通过机器学习算法运行。 当算法预测结果时，可以通过现有体验与客户共享该预测。

详细了解如何通过调整现实解决方案创建环境体验。

后续步骤

查看一个规范性框架，其中包含了工具、程序和内容（最佳做法、配置模板和体系结构指导），用于简化以下创新方案的采用。