什麼樣的數據可以用來做預測

Ⅰ 大數據預測分析方法有哪些

1、可視化分析

大數據分析的使用者有大數據分析專家，同時還有普通用戶，但是他們二者對於大數據分析最基本的要求就是可視化分析，因為可視化分析能夠直觀的呈現大數據特點，同時能夠非常容易被讀者所接受，就如同看圖說話一樣簡單明了。

2、數據挖掘演算法

大數據分析的理論核心就是數據挖掘演算法，各種數據挖掘的演算法基於不同的數據類型和格式才能更加科學的呈現出數據本身具備的特點，也正是因為這些被全世界統計學家所公認的各種統計方法（可以稱之為真理）才能深入數據內部，挖掘出公認的價值。另外一個方面也是因為有這些數據挖掘的演算法才能更快速的處理大數據，如果一個演算法得花上好幾年才能得出結論，那大數據的價值也就無從說起了。

3、預測性分析能力

大數據分析最終要的應用領域之一就是預測性分析，從大數據中挖掘出特點，通過科學的建立模型，之後便可以通過模型帶入新的數據，從而預測未來的數據。

4、數據質量和數據管理

大數據分析離不開數據質量和數據管理，高質量的數據和有效的數據管理，無論是在學術研究還是在商業應用領域，都能夠保證分析結果的真實和有價值。 當然更加深入大數據分析的話，還有很多很多更加有特點的、更加深入的、更加專業的大數據分析方法。

這是一條來自#加米穀大數據-專注大數據人才培養#的小尾巴

Ⅱ 數據挖掘中的聚類（比如K均值，模糊C均值...)可不可以用來預測

可以，一般預測指的是分類預測、回歸預測、時間序列預測等等，這里首先聚類（不屬於預測）是歸納推理，聚類後得到了類別，然後對新的數據就可以進行KNN等分類啦，這就是預測啦。這種在客戶群分類預測中用的比較多。

Ⅲ 回歸預測適用於什麼樣的數據特徵

回歸預測的話適用於連續型的數據，因為預測是一個值，而不是離散的。

Ⅳ 什麼樣的地理數據適合馬爾可夫預測進行處理

波動較大的地理數據適合馬爾可夫預測進行處理。馬爾可夫預測是一種預測事件發生的概率的方法，對於波動較大的地理數據有較好的預測效果，它基於馬爾可夫鏈，根據事件目前的狀況預測其將來各個時刻變動狀況。所以波動較大的地理數據適合馬爾可夫預測進行處理。

Ⅳ 常見的數據預測有哪些方法各有什麼優點或缺點

常見的預測方法有單點預測，即確定性預測；區間預測；和概率預測三種方法。
單點預測，顧名思義，只能給出一個預測值，不能表達該預測值的可信度；
區間預測在單點預測的基礎上，給出某次預測值在某一區間上的可信度，即能夠給出一個預測范圍，以及以多大的可能性落在這個范圍；
概率預測是咋區間預測的基礎上，給出一個概率分布，預測出所有可能出現的結果，以及對應的概率。這種方法比較全面，能夠給出全局信息，適於風險相關的分析。目前在氣象、地震、水文和農業相關方面用的比較多。

Ⅵ 根據以前的數據預測未來的行為用的是什麼數據挖掘方法

數據挖掘(Data Mining)就是從大量數據中發現潛在規律、提取有用知識的方法和技術。因為與資料庫密切相關，又稱為資料庫知識發現(Knowledge Discovery in Databases，KDD) ，就是將高級智能計算技術應用於大量數據中，讓計算機在有人或無人指導的情況下從海量數據中發現潛在的，有用的模式(也叫知識)。
廣義上說，任何從資料庫中挖掘信息的過程都叫做數據挖掘。從這點看來，數據挖掘就是BI（商業智能）。但從技術術語上說，數據挖掘(Data Mining)特指的是：源數據經過清洗和轉換等成為適合於挖掘的數據集。數據挖掘在這種具有固定形式的數據集上完成知識的提煉，最後以合適的知識模式用於進一步分析決策工作。從這種狹義的觀點上，我們可以定義：數據挖掘是從特定形式的數據集中提煉知識的過程。數據挖掘往往針對特定的數據、特定的問題，選擇一種或者多種挖掘演算法，找到數據下面隱藏的規律，這些規律往往被用來預測、支持決策。

數據挖掘的主要功能
1．分類：按照分析對象的屬性、特徵，建立不同的組類來描述事物。例如：銀行部門根據以前的數據將客戶分成了不同的類別，現在就可以根據這些來區分新申請貸款的客戶，以採取相應的貸款方案。
2．聚類：識別出分析對內在的規則，按照這些規則把對象分成若干類。例如：將申請人分為高度風險申請者，中度風險申請者，低度風險申請者。
3．關聯規則和序列模式的發現：關聯是某種事物發生時其他事物會發生的這樣一種聯系。例如：每天購買啤酒的人也有可能購買香煙，比重有多大，可以通過關聯的支持度和可信度來描述。與關聯不同，序列是一種縱向的聯系。例如：今天銀行調整利率，明天股市的變化。
4．預測：把握分析對象發展的規律，對未來的趨勢做出預見。例如：對未來經濟發展的判斷。
5．偏差的檢測：對分析對象的少數的、極端的特例的描述，揭示內在的原因。例如：在銀行的100萬筆交易中有500例的欺詐行為，銀行為了穩健經營，就要發現這500例的內在因素，減小以後經營的風險。
需要注意的是：數據挖掘的各項功能不是獨立存在的，在數據挖掘中互相聯系，發揮作用。

數據挖掘的方法及工具
作為一門處理數據的新興技術，數據挖掘有許多的新特徵。首先，數據挖掘面對的是海量的數據，這也是數據挖掘產生的原因。其次，數據可能是不完全的、有雜訊的、隨機的，有復雜的數據結構，維數大。最後，數據挖掘是許多學科的交叉，運用了統計學，計算機，數學等學科的技術。以下是常見和應用最廣泛的演算法和模型：
(1) 傳統統計方法：① 抽樣技術：我們面對的是大量的數據，對所有的數據進行分析是不可能的也是沒有必要的，就要在理論的指導下進行合理的抽樣。② 多元統計分析：因子分析，聚類分析等。③ 統計預測方法，如回歸分析，時間序列分析等。
(2) 可視化技術：用圖表等方式把數據特徵用直觀地表述出來，如直方圖等，這其中運用的許多描述統計的方法。可視化技術面對的一個難題是高維數據的可視化。

職業能力要求
基本能力要求
數據挖掘人員需具備以下基本條件，才可以完成數據挖掘項目中的相關任務。
一、專業技能
碩士以上學歷，數據挖掘、統計學、資料庫相關專業，熟練掌握關系資料庫技術，具有資料庫系統開發經驗
熟練掌握常用的數據挖掘演算法
具備數理統計理論基礎，並熟悉常用的統計工具軟體
二、行業知識
具有相關的行業知識，或者能夠很快熟悉相關的行業知識
三、合作精神
具有良好的團隊合作精神，能夠主動和項目中其他成員緊密合作
四、客戶關系能力
具有良好的客戶溝通能力，能夠明確闡述數據挖掘項目的重點和難點，善於調整客戶對數據挖掘的誤解和過高期望
具有良好的知識轉移能力，能夠盡快地讓模型維護人員了解並掌握數據挖掘方法論及建模實施能力

進階能力要求
數據挖掘人員具備如下條件，可以提高數據挖掘項目的實施效率，縮短項目周期。
具有數據倉庫項目實施經驗，熟悉數據倉庫技術及方法論
熟練掌握SQL語言，包括復雜查詢、性能調優
熟練掌握ETL開發工具和技術
熟練掌握Microsoft Office軟體，包括Excel和PowerPoint中的各種統計圖形技術
善於將挖掘結果和客戶的業務管理相結合，根據數據挖掘的成果向客戶提供有價值的可行性操作方案

應用及就業領域
當前數據挖掘應用主要集中在電信(客戶分析)，零售(銷售預測)，農業(行業數據預測)，網路日誌(網頁定製)，銀行(客戶欺詐),電力(客戶呼叫)，生物(基因)，天體(星體分類)，化工，醫葯等方面。當前它能解決的問題典型在於：資料庫營銷(Database Marketing)、客戶群體劃分(Customer Segmentation & Classification)、背景分析(Profile Analysis)、交叉銷售(Cross-selling)等市場分析行為，以及客戶流失性分析(Churn Analysis)、客戶信用記分(Credit Scoring)、欺詐發現(Fraud Detection)等等，在許多領域得到了成功的應用。如果你訪問著名的亞馬遜網上書店()，會發現當你選中一本書後，會出現相關的推薦數目「Customers who bought this book also bought」，這背後就是數據挖掘技術在發揮作用。
數據挖掘的對象是某一專業領域中積累的數據；挖掘過程是一個人機交互、多次反復的過程；挖掘的結果要應用於該專業。因此數據挖掘的整個過程都離不開應用領域的專業知識。「Business First, technique second」是數據挖掘的特點。因此學習數據挖掘不意味著丟棄原有專業知識和經驗。相反，有其它行業背景是從事數據挖掘的一大優勢。如有銷售，財務，機械，製造，call center等工作經驗的,通過學習數據挖掘，可以提升個人職業層次，在不改變原專業的情況下，從原來的事務型角色向分析型角色轉變。從80年代末的初露頭角到90年代末的廣泛應用，以數據挖掘為核心的商業智能(BI)已經成為IT及其它行業中的一個新寵。

數據採集分析專員
職位介紹：數據採集分析專員的主要職責是把公司運營的數據收集起來，再從中挖掘出規律性的信息來指導公司的戰略方向。這個職位常被忽略，但相當重要。由於資料庫技術最先出現於計算機領域，同時計算機資料庫具有海量存儲、查找迅速、分析半自動化等特點，數據採集分析專員最先出現於計算機行業，後來隨著計算機應用的普及擴展到了各個行業。該職位一般提供給懂資料庫應用和具有一定統計分析能力的人。有計算機特長的統計專業人員，或學過數據挖掘的計算機專業人員都可以勝任此工作，不過最好能夠對所在行業的市場情況具有一定的了解。
求職建議：由於很多公司追求短期利益而不注重長期戰略的現狀，目前國內很多企業對此職位的重視程度不夠。但大型公司、外企對此職位的重視程度較高，隨著時間的推移該職位會有升溫的趨勢。另外，數據採集分析專員很容易獲得行業經驗，他們在分析過程中能夠很輕易地把握該行業的市場情況、客戶習慣、渠道分布等關鍵情況，因此如果想在某行創業，從數據採集分析專員干起是一個不錯的選擇。

市場/數據分析師
1. 市場數據分析是現代市場營銷科學必不可少的關鍵環節: Marketing/Data Analyst從業最多的行業: Direct Marketing (直接面向客戶的市場營銷) 吧，自90年代以來, Direct Marketing越來越成為公司推銷其產品的主要手段。根據加拿大市場營銷組織(Canadian Marketing Association)的統計數據: 僅1999年一年 Direct Marketing就創造了470000 個工作機會。從1999至2000，工作職位又增加了30000個。為什麼Direct Marketing需要這么多Analyst呢? 舉個例子, 隨著商業競爭日益加劇，公司希望能最大限度的從廣告中得到銷售回報, 他們希望能有更多的用戶來響應他們的廣告。所以他們就必需要在投放廣告之前做大量的市場分析工作。例如，根據自己的產品結合目標市場顧客的家庭收入，教育背景和消費趨向分析出哪些地區的住戶或居民最有可能響應公司的銷售廣告，購買自己的產品或成為客戶，從而廣告只針對這些特定的客戶群。這樣有的放矢的篩選廣告的投放市場既節省開銷又提高了銷售回報率。但是所有的這些分析都是基於資料庫，通過數據處理，挖掘，建模得出的，其間，市場分析師的工作是必不可少的。
2. 行業適應性強: 幾乎所有的行業都會應用到數據, 所以作為一名數據/市場分析師不僅僅可以在華人傳統的IT行業就業，也可以在政府，銀行，零售，醫葯業，製造業和交通傳輸等領域服務。

現狀與前景
數據挖掘是適應信息社會從海量的資料庫中提取信息的需要而產生的新學科。它是統計學、機器學習、資料庫、模式識別、人工智慧等學科的交叉。在中國各重點院校中都已經開了數據挖掘的課程或研究課題。比較著名的有中科院計算所、復旦大學、清華大學等。另外，政府機構和大型企業也開始重視這個領域。
據IDC對歐洲和北美62家採用了商務智能技術的企業的調查分析發現，這些企業的3年平均投資回報率為401%，其中25%的企業的投資回報率超過600%。調查結果還顯示，一個企業要想在復雜的環境中獲得成功，高層管理者必須能夠控制極其復雜的商業結構，若沒有詳實的事實和數據支持，是很難辦到的。因此，隨著數據挖掘技術的不斷改進和日益成熟，它必將被更多的用戶採用，使更多的管理者得到更多的商務智能。
根據IDC(International Data Corporation)預測說2004年估計BI行業市場在140億美元。現在，隨著我國加入WTO，我國在許多領域，如金融、保險等領域將逐步對外開放，這就意味著許多企業將面臨來自國際大型跨國公司的巨大競爭壓力。國外發達國家各種企業採用商務智能的水平已經遠遠超過了我國。美國Palo Alto 管理集團公司1999年對歐洲、北美和日本375家大中型企業的商務智能技術的採用情況進行了調查。結果顯示，在金融領域，商務智能技術的應用水平已經達到或接近70%，在營銷領域也達到50%，並且在未來的3年中，各個應用領域對該技術的採納水平都將提高約50%。
現在，許多企業都把數據看成寶貴的財富，紛紛利用商務智能發現其中隱藏的信息，藉此獲得巨額的回報。國內暫時還沒有官方關於數據挖掘行業本身的市場統計分析報告，但是國內數據挖掘在各個行業都有一定的研究。據國外專家預測，在今後的5—10年內，隨著數據量的日益積累以及計算機的廣泛應用，數據挖掘將在中國形成一個產業。
眾所周知，IT就業市場競爭已經相當激烈，而數據處理的核心技術---數據挖掘更是得到了前所未有的重視。數據挖掘和商業智能技術位於整個企業IT-業務構架的金字塔塔尖，目前國內數據挖掘專業的人才培養體系尚不健全，人才市場上精通數據挖掘技術、商業智能的供應量極小，而另一方面企業、政府機構和和科研單位對此類人才的潛在需求量極大，供需缺口極大。如果能將數據挖掘技術與個人已有專業知識相結合，您必將開辟職業生涯的新天地！

職業薪酬
就目前來看，和大多IT業的職位一樣，數據倉庫和數據挖掘方面的人才在國內的需求工作也是低端飽和，高端緊缺，在二線成熟，高端數據倉庫和數據挖掘方面的人才尤其稀少。高端數據倉庫和數據挖掘人才需要熟悉多個行業，至少有3年以上大型DWH和BI經驗，英語讀寫流利，具有項目推動能力，這樣的人才年薪能達到20萬以上。

職業認證
1、SAS認證的應用行業及職業前景
SAS全球專業認證是國際上公認的數據挖掘和商業智能領域的權威認證，隨著我國IT環境和應用的日漸成熟，以上兩個領域將有極大的行業發展空間。獲取SAS全球專業認證，為您在數據挖掘、分析方法論領域積累豐富經驗奠定良好的基礎，幫助您開辟職業發展的新天地。
2、SAS認證的有效期
目前SAS五級認證沒有特定有效期，但是時間太久或版本太老的認證證書會有所貶值。
3、五級認證的關系
五級認證為遞進式關系，即只有通過上一級考試科目才能參加下一級認證考試。
4、SAS全球認證的考試方式
考試為上機考試，時間2個小時，共70道客觀題。

相關鏈接
隨著中國物流行業的整體快速發展，物流信息化建設也取得一定進展。無論在IT硬體市場、軟體市場還是信息服務市場，物流行業都具有了一定的投資規模，近兩年的總投資額均在20-30億元之間。政府對現代物流業發展的積極支持、物流市場競爭的加劇等因素有力地促進了物流信息化建設的穩步發展。
易觀國際最新報告《中國物流行業信息化年度綜合報告2006》中指出，中國物流業正在從傳統模式向現代模式實現整體轉變，現代物流模式將引導物流業信息化需求，而產生這種轉變的基本動力來自市場需求。報告中的數據顯示:2006-2010年，傳統物流企業IT投入規模將累計超過100億元人民幣。2006-2010年，第三方物流企業IT投入規模將累計超過20億元人民幣。
由於目前行業應用軟體系統在作業層面對終端設備的硬體提出的應用要求較高，而軟體與硬體的集成性普遍不理想，對應性單一，因此企業將對軟體硬體設備的集成提出更高要求。
物流行業軟體系統研發將更多的考慮運籌學與數據挖掘技術，專業的服務商將更有利於幫助解決研發問題。
物流科學的理論基礎來源於運籌學，並且非常強調在繁雜的數據處理中找到關聯關系(基於成本-服務水平體系)，因此數據挖掘技術對於相關的軟體系統顯得更為重。

Ⅶ 什麼時候要用數據做預測

製作數據模型的時候要用數據做預測。

數據分析的主要目的就電商來說，就是優化電商模式，提升轉化從而收益提高的一個事情，數據預測。

數據預測主要是對數據進行分類，根據已有的數據來判斷新數據的分類，就可以做預測了。

這其中的關鍵就是對已有數據怎麼進行分類，方法找到了，直接應用到新的數據就可以知道新數據的分類情況。

能給對新數據進行分類，對有些業務非常有用，比如語音識別，比如用戶分類，比如新聞和商品推送等。

Ⅷ 大數據可以在哪些領域實現預測價值

和原來統計抽樣數據不同，大數據需要持續數據，來反應相對完整的過程，而且整個過程是一個相對穩定的規律性狀態。
這樣通過數據比對，一方面能去除偶然性和外界環境干擾帶來的噪點，另一方面通過數據積累，能把規律的異常波動和結果之間找到數據對應關系，來實現對異常變化的情況分析和預測。
只要數據全面和連續，異常變化的徵兆就可以被發現。傳統的統計抽樣數據需要從數據中進行抽樣，通過單個數據的精確來反應當時狀態，但是無法進行規律的分析。
所以大數據的原理是，基於每一種非常規的變化，在事前一定有徵兆體現。沒有任何一件事情是突發的，這和佛教哲學中的因果道理是一樣的，每一件事的發生是可以被追尋脈絡的。
利用大數據的預測和分析，就建立在可以捕捉和分析這些反應事物變化的徵兆上，而最容易捕捉這種徵兆的領域，一定是原本有穩定規律的領域。
我們從現實生活中舉幾個例子。
1、股票市場
是否能用大數據的方式，來預測股票的漲跌呢？如果不討論個股情況，從理論上講在美國可以，在中國很難。
美國股票市場是可以雙向盈利的，當股票價格脫離價值時，另一股資金力量就會反向操作來盈利。而中國的股票市場則不同，股票只有漲才能盈利，這樣的規則就會吸引一些游資利用信息不對等的狀況，人為改變股票市場規律，沒有相對的穩定狀態則很難被預測，或者說變數大到捕捉分析成本過高。
2、商品價格
單次性銷售的商品價格是能夠被預測的，因為任何商品的銷售無法脫離賺錢這個根本，而且不同渠道成本和收益需求在競爭充分的環境下是相對穩定的，與價格相關的變數相對固定，所以價格可以預測。
但是如果商品有後續服務等持續性收費，或產品盈利不是唯一的需求（比如：產品新上市推廣、打擊競爭對手新上市商品等）時，則此商品價格變得不可預測，因為它脫離了一個穩定的狀態。
3、人的健康狀況
慢性病是可以被預測的。因為人體的體征變化是呈固定的變化規律的，慢性病形成的過程中，體征變化規律也呈現持續性異常。所以在慢性病形成的過程，就可以對異常的體征變化規律進行分析。
急性病是很難預測的，因為是外界因素帶來的突變，體征數據變化規律異常是應激反應，屬於突變的過程，尤其隨機性，則預測成本過高，但可以發生後被分析出來。
1、數據波動規律不因外界隨機干擾而不可測影響，可以用固定維度的變數建立基準規律；
2、持續採集和分析數據的成本要小於預測帶來的收益；
3、有異常狀況和不同結果的對應關系。

Ⅸ 預測數據的方法

預測數據的方法如下：

1、描述性分析：

在數據分析和預測的時候，這是很普遍的。在商業領域，該方法為數據分析人員提供了一個很關鍵的指標，並且具有商業測量功能。

2、診斷類型的研究：

在數據分析和預測中，指令性分析是一個很重要的環節，它包括分析數據的價值和復雜性，包括理解為什麼會出現這種情況，以及可能出現的情況，從而幫助用戶做出正確的判斷。

一般來說，指令式分析並不是一種簡單的運用，它需要先把所有的方法都做完，然後才能進行分析。

就像是在分析一條路線的時候，要知道每一條路線的速度，以及不同的路線之間的間距，這樣才能更好地控制交通。