没有人能够掌握和分析来自于未来的资料。不过，有一种方法可以使用过去的资料来预测未来。这种方法称为「预测分析」（predictive analytics），而每一天都有组织在运用这种方法。
举例来说，你的公司是否发展了「客户终生价值」（customer lifetime value (CLTV) ）的衡量标准？那便是运用「预测分析」来决定，长期而言，客户会跟公司购买多少金额。你的公司拥有「次佳提案」（next best offer）或是产品建议的能力吗？其实那就是分析预测你的客户，接下来最有可能会购买的产品或服务。你预测过下一季的销售额吗？使用过数字营销模型，决定该把哪一则广告放在那一家出版商的网页上吗？所有的这些事项都是各式各样「预测分析」的不同形式。
近来，「预测分析」变得愈来愈受欢迎，可是身为经理人而非分析师的你究竟应该知道哪些事情，以便能够诠释结果、做出更好的决定呢？你的数据科学家的工作究竟做得如何？透过理解一些基础的事实，当你跟组织里的其他人合作与沟通「预测分析」的结果和建议时，你就会觉得更加地自在。量化分析（quantitative analysis）并不是神奇的解决方案──可是这一项分析通常都是倚赖大量的历史资料、一些统计上的杰出才能，再加上一些重要的假设所完成的。接下来，我们就来逐一讨论每一项。
资料：对于想要运用「预测分析」的组织来说，缺乏好的数据是最常见的障碍。举例来说，如果你想要预测客户未来会购买哪些东西，你便需要有下列的相关优质数据，包括了：他们在跟谁购买（这可能会需要一套客户忠诚方案（loyalty program），或者至少针对他们的信用卡做大量的分析），他们过去买了哪些东西，那些产品的特性为何（相较于「购买了这项商品的人，也购买了这一项商品」这一类的模型，以特性为基础的预测通常都更为准确），或许还有客户的某些人口特性为何（年龄、性别、居住地点、社经地位等）。如果你拥有多元的销售管道或是「客户接触点」（customer touchpoints），你就需要确定这些管道能够掌握住客户购买的数据，跟你之前的管道掌握的方式一样。
总而言之，想要打造一套单一的客户数据库，拥有每位客户的「独特身份识别」（unique customer IDs），以及客户透过所有的管道所完成的所有购物历史，会是一项相当艰难的工作。如果你已经做到了这一点，那你就获得了针对客户进行预测分析、一项令人难以置信的资产。
统计：各种不同型式的「回归分析」（Regression analysis）是组织使用来做「预测分析」的主要工具。这套方法大致上的运作方式如下：分析师先提出假设，认为一组独立变量（比方说：性别、收入、造访网页的次数等）跟一群客户样本购买某项产品之间，在统计上有相关性（statistically correlated）。分析师会进行回归分析，检视每一项变量的相关程度；这通常需要重复尝试，以便找出变量和最佳模型的正确组合。如果分析师成功地发现，模型当中的每一项变量，对于解释产品购买都很重要，而且这些变量合在一起能够解释产品销售的许多变异。运用这个回归方程式，接下来分析师便可以使用「回归系数」（regression coefficients）──每一项变量影响购买行为的个别程度──来创造一个分数，预测购买的可能性。
你瞧！你帮不在样本里的其他客户，创造了一套预测模型。你需要做的就是计算他们的分数，如果他们的分数超过某个特定水平，便把产品提供给他们。分数高的客户相当有可能会想要购买这项产品──假设分析师把统计工作做的很好，数据的质量也很好的话。
假设：这一点为我们带来任何预测模型中的另一项重要因素──构成模型基础的重要假设。每一项模型都有假设，重要的是要知道假设为何，并且监测假设是否仍然正确。「预测分析」里的重大假设就是，未来会持续像过去一样。如同查尔斯‧杜希格（Charles Duhigg）在他的著作《为什么我们这样生活，那样工作？》（The Power of Habit）中所描述的，人们会建立根深柢固的行为模式，假以时日之后，通常还会持续维持下去。不过，有时候他们会改变那些行为，这个时候用来预测那些行为的模型便可能不再正确。
哪些因素会让假设变得不再正确呢？最通常的原因就是时间。如果你的模型是好几年前就打造好的，便有可能不再能够准确预测目前的行为。时间过去的愈久，客户的行为就愈有可能已经有所改变。举例来说，某些Netflix的预测模型是根据早期因特网的用户所打造的，因为之后的因特网用户基本上并不一样，这些模型便不再适用。第一批因特网的用户比较聚焦在技术层面上，而且相对比较年轻；后来的用户基本上就涵盖了所有人。
预测模型的假设可能不再正确的另一个原因是：如果分析师没有把一项重要变量包括在模型里，而且那项变量已经随着时间有相当大的改变。一个极为贴切、同时也令人毛骨悚然的例子，就是2008年到2009年的金融危机，主要的起因就是模型没有正确预测到，房贷客户可能会如何偿还他们的贷款。那些模型并没有考虑到房价可能会不再上扬，甚至可能会下跌的可能性。当房价真的开始下跌时，后来这些模型预测偿还房贷的能力就变得相当地糟。从本质上来说，房价会一直上涨的事实就是这些模型当中隐藏的假设。
由于错误或过时的假设显而易见地会让整家银行、甚至（几乎）整个经济体倒闭，审慎仔细地检查这些假设就相当地重要。经理人应该总是询问分析师，哪些是重要的假设，哪些事情的发生会让假设不再正确。而经理人跟分析师都应该持续监看世界局势的变化，以便观察假设里的重要因素是否可能已经随着时间有所改变。
有了这些基础理解之后，下列这几个好问题可以拿来询问你的分析师：
你可以告诉我，你使用在你分析里的数据源吗？
你确定样本数据能代表母体吗？
你资料的分布上有任何的异常值（outliers）吗？这些数值会如何影响结果呢？
你分析的背后有哪些假设？
有任何情况会让你的假设变得不正确吗？
即便有那些需要注意的警告事项，我们可以使用分析技术来预测未来这一件事情，还是相当地让人觉得难以置信。我们需要做的事情就是搜集正确的数据数据，发展正确型态的统计模型，然后对我们的假设抱持审慎的态度。相较于深夜电视预言家「令人叹为观止的卡纳克」（Carnac the Magnificent）所创造的东西，要创造出「分析预测术」可能会更为困难，可是它们通常都更为准确的多。