什么样的数据可以用来做预测

Ⅰ 大数据预测分析方法有哪些

1、可视化分析

大数据分析的使用者有大数据分析专家，同时还有普通用户，但是他们二者对于大数据分析最基本的要求就是可视化分析，因为可视化分析能够直观的呈现大数据特点，同时能够非常容易被读者所接受，就如同看图说话一样简单明了。

2、数据挖掘算法

大数据分析的理论核心就是数据挖掘算法，各种数据挖掘的算法基于不同的数据类型和格式才能更加科学的呈现出数据本身具备的特点，也正是因为这些被全世界统计学家所公认的各种统计方法（可以称之为真理）才能深入数据内部，挖掘出公认的价值。另外一个方面也是因为有这些数据挖掘的算法才能更快速的处理大数据，如果一个算法得花上好几年才能得出结论，那大数据的价值也就无从说起了。

3、预测性分析能力

大数据分析最终要的应用领域之一就是预测性分析，从大数据中挖掘出特点，通过科学的建立模型，之后便可以通过模型带入新的数据，从而预测未来的数据。

4、数据质量和数据管理

大数据分析离不开数据质量和数据管理，高质量的数据和有效的数据管理，无论是在学术研究还是在商业应用领域，都能够保证分析结果的真实和有价值。 当然更加深入大数据分析的话，还有很多很多更加有特点的、更加深入的、更加专业的大数据分析方法。

这是一条来自#加米谷大数据-专注大数据人才培养#的小尾巴

Ⅱ 数据挖掘中的聚类（比如K均值，模糊C均值...)可不可以用来预测

可以，一般预测指的是分类预测、回归预测、时间序列预测等等，这里首先聚类（不属于预测）是归纳推理，聚类后得到了类别，然后对新的数据就可以进行KNN等分类啦，这就是预测啦。这种在客户群分类预测中用的比较多。

Ⅲ 回归预测适用于什么样的数据特征

回归预测的话适用于连续型的数据，因为预测是一个值，而不是离散的。

Ⅳ 什么样的地理数据适合马尔可夫预测进行处理

波动较大的地理数据适合马尔可夫预测进行处理。马尔可夫预测是一种预测事件发生的概率的方法，对于波动较大的地理数据有较好的预测效果，它基于马尔可夫链，根据事件目前的状况预测其将来各个时刻变动状况。所以波动较大的地理数据适合马尔可夫预测进行处理。

Ⅳ 常见的数据预测有哪些方法各有什么优点或缺点

常见的预测方法有单点预测，即确定性预测；区间预测；和概率预测三种方法。
单点预测，顾名思义，只能给出一个预测值，不能表达该预测值的可信度；
区间预测在单点预测的基础上，给出某次预测值在某一区间上的可信度，即能够给出一个预测范围，以及以多大的可能性落在这个范围；
概率预测是咋区间预测的基础上，给出一个概率分布，预测出所有可能出现的结果，以及对应的概率。这种方法比较全面，能够给出全局信息，适于风险相关的分析。目前在气象、地震、水文和农业相关方面用的比较多。

Ⅵ 根据以前的数据预测未来的行为用的是什么数据挖掘方法

数据挖掘(Data Mining)就是从大量数据中发现潜在规律、提取有用知识的方法和技术。因为与数据库密切相关，又称为数据库知识发现(Knowledge Discovery in Databases，KDD) ，就是将高级智能计算技术应用于大量数据中，让计算机在有人或无人指导的情况下从海量数据中发现潜在的，有用的模式(也叫知识)。
广义上说，任何从数据库中挖掘信息的过程都叫做数据挖掘。从这点看来，数据挖掘就是BI（商业智能）。但从技术术语上说，数据挖掘(Data Mining)特指的是：源数据经过清洗和转换等成为适合于挖掘的数据集。数据挖掘在这种具有固定形式的数据集上完成知识的提炼，最后以合适的知识模式用于进一步分析决策工作。从这种狭义的观点上，我们可以定义：数据挖掘是从特定形式的数据集中提炼知识的过程。数据挖掘往往针对特定的数据、特定的问题，选择一种或者多种挖掘算法，找到数据下面隐藏的规律，这些规律往往被用来预测、支持决策。

数据挖掘的主要功能
1．分类：按照分析对象的属性、特征，建立不同的组类来描述事物。例如：银行部门根据以前的数据将客户分成了不同的类别，现在就可以根据这些来区分新申请贷款的客户，以采取相应的贷款方案。
2．聚类：识别出分析对内在的规则，按照这些规则把对象分成若干类。例如：将申请人分为高度风险申请者，中度风险申请者，低度风险申请者。
3．关联规则和序列模式的发现：关联是某种事物发生时其他事物会发生的这样一种联系。例如：每天购买啤酒的人也有可能购买香烟，比重有多大，可以通过关联的支持度和可信度来描述。与关联不同，序列是一种纵向的联系。例如：今天银行调整利率，明天股市的变化。
4．预测：把握分析对象发展的规律，对未来的趋势做出预见。例如：对未来经济发展的判断。
5．偏差的检测：对分析对象的少数的、极端的特例的描述，揭示内在的原因。例如：在银行的100万笔交易中有500例的欺诈行为，银行为了稳健经营，就要发现这500例的内在因素，减小以后经营的风险。
需要注意的是：数据挖掘的各项功能不是独立存在的，在数据挖掘中互相联系，发挥作用。

数据挖掘的方法及工具
作为一门处理数据的新兴技术，数据挖掘有许多的新特征。首先，数据挖掘面对的是海量的数据，这也是数据挖掘产生的原因。其次，数据可能是不完全的、有噪声的、随机的，有复杂的数据结构，维数大。最后，数据挖掘是许多学科的交叉，运用了统计学，计算机，数学等学科的技术。以下是常见和应用最广泛的算法和模型：
(1) 传统统计方法：① 抽样技术：我们面对的是大量的数据，对所有的数据进行分析是不可能的也是没有必要的，就要在理论的指导下进行合理的抽样。② 多元统计分析：因子分析，聚类分析等。③ 统计预测方法，如回归分析，时间序列分析等。
(2) 可视化技术：用图表等方式把数据特征用直观地表述出来，如直方图等，这其中运用的许多描述统计的方法。可视化技术面对的一个难题是高维数据的可视化。

职业能力要求
基本能力要求
数据挖掘人员需具备以下基本条件，才可以完成数据挖掘项目中的相关任务。
一、专业技能
硕士以上学历，数据挖掘、统计学、数据库相关专业，熟练掌握关系数据库技术，具有数据库系统开发经验
熟练掌握常用的数据挖掘算法
具备数理统计理论基础，并熟悉常用的统计工具软件
二、行业知识
具有相关的行业知识，或者能够很快熟悉相关的行业知识
三、合作精神
具有良好的团队合作精神，能够主动和项目中其他成员紧密合作
四、客户关系能力
具有良好的客户沟通能力，能够明确阐述数据挖掘项目的重点和难点，善于调整客户对数据挖掘的误解和过高期望
具有良好的知识转移能力，能够尽快地让模型维护人员了解并掌握数据挖掘方法论及建模实施能力

进阶能力要求
数据挖掘人员具备如下条件，可以提高数据挖掘项目的实施效率，缩短项目周期。
具有数据仓库项目实施经验，熟悉数据仓库技术及方法论
熟练掌握SQL语言，包括复杂查询、性能调优
熟练掌握ETL开发工具和技术
熟练掌握Microsoft Office软件，包括Excel和PowerPoint中的各种统计图形技术
善于将挖掘结果和客户的业务管理相结合，根据数据挖掘的成果向客户提供有价值的可行性操作方案

应用及就业领域
当前数据挖掘应用主要集中在电信(客户分析)，零售(销售预测)，农业(行业数据预测)，网络日志(网页定制)，银行(客户欺诈),电力(客户呼叫)，生物(基因)，天体(星体分类)，化工，医药等方面。当前它能解决的问题典型在于：数据库营销(Database Marketing)、客户群体划分(Customer Segmentation & Classification)、背景分析(Profile Analysis)、交叉销售(Cross-selling)等市场分析行为，以及客户流失性分析(Churn Analysis)、客户信用记分(Credit Scoring)、欺诈发现(Fraud Detection)等等，在许多领域得到了成功的应用。如果你访问著名的亚马逊网上书店()，会发现当你选中一本书后，会出现相关的推荐数目“Customers who bought this book also bought”，这背后就是数据挖掘技术在发挥作用。
数据挖掘的对象是某一专业领域中积累的数据；挖掘过程是一个人机交互、多次反复的过程；挖掘的结果要应用于该专业。因此数据挖掘的整个过程都离不开应用领域的专业知识。“Business First, technique second”是数据挖掘的特点。因此学习数据挖掘不意味着丢弃原有专业知识和经验。相反，有其它行业背景是从事数据挖掘的一大优势。如有销售，财务，机械，制造，call center等工作经验的,通过学习数据挖掘，可以提升个人职业层次，在不改变原专业的情况下，从原来的事务型角色向分析型角色转变。从80年代末的初露头角到90年代末的广泛应用，以数据挖掘为核心的商业智能(BI)已经成为IT及其它行业中的一个新宠。

数据采集分析专员
职位介绍：数据采集分析专员的主要职责是把公司运营的数据收集起来，再从中挖掘出规律性的信息来指导公司的战略方向。这个职位常被忽略，但相当重要。由于数据库技术最先出现于计算机领域，同时计算机数据库具有海量存储、查找迅速、分析半自动化等特点，数据采集分析专员最先出现于计算机行业，后来随着计算机应用的普及扩展到了各个行业。该职位一般提供给懂数据库应用和具有一定统计分析能力的人。有计算机特长的统计专业人员，或学过数据挖掘的计算机专业人员都可以胜任此工作，不过最好能够对所在行业的市场情况具有一定的了解。
求职建议：由于很多公司追求短期利益而不注重长期战略的现状，目前国内很多企业对此职位的重视程度不够。但大型公司、外企对此职位的重视程度较高，随着时间的推移该职位会有升温的趋势。另外，数据采集分析专员很容易获得行业经验，他们在分析过程中能够很轻易地把握该行业的市场情况、客户习惯、渠道分布等关键情况，因此如果想在某行创业，从数据采集分析专员干起是一个不错的选择。

市场/数据分析师
1. 市场数据分析是现代市场营销科学必不可少的关键环节: Marketing/Data Analyst从业最多的行业: Direct Marketing (直接面向客户的市场营销) 吧，自90年代以来, Direct Marketing越来越成为公司推销其产品的主要手段。根据加拿大市场营销组织(Canadian Marketing Association)的统计数据: 仅1999年一年 Direct Marketing就创造了470000 个工作机会。从1999至2000，工作职位又增加了30000个。为什么Direct Marketing需要这么多Analyst呢? 举个例子, 随着商业竞争日益加剧，公司希望能最大限度的从广告中得到销售回报, 他们希望能有更多的用户来响应他们的广告。所以他们就必需要在投放广告之前做大量的市场分析工作。例如，根据自己的产品结合目标市场顾客的家庭收入，教育背景和消费趋向分析出哪些地区的住户或居民最有可能响应公司的销售广告，购买自己的产品或成为客户，从而广告只针对这些特定的客户群。这样有的放矢的筛选广告的投放市场既节省开销又提高了销售回报率。但是所有的这些分析都是基于数据库，通过数据处理，挖掘，建模得出的，其间，市场分析师的工作是必不可少的。
2. 行业适应性强: 几乎所有的行业都会应用到数据, 所以作为一名数据/市场分析师不仅仅可以在华人传统的IT行业就业，也可以在政府，银行，零售，医药业，制造业和交通传输等领域服务。

现状与前景
数据挖掘是适应信息社会从海量的数据库中提取信息的需要而产生的新学科。它是统计学、机器学习、数据库、模式识别、人工智能等学科的交叉。在中国各重点院校中都已经开了数据挖掘的课程或研究课题。比较著名的有中科院计算所、复旦大学、清华大学等。另外，政府机构和大型企业也开始重视这个领域。
据IDC对欧洲和北美62家采用了商务智能技术的企业的调查分析发现，这些企业的3年平均投资回报率为401%，其中25%的企业的投资回报率超过600%。调查结果还显示，一个企业要想在复杂的环境中获得成功，高层管理者必须能够控制极其复杂的商业结构，若没有详实的事实和数据支持，是很难办到的。因此，随着数据挖掘技术的不断改进和日益成熟，它必将被更多的用户采用，使更多的管理者得到更多的商务智能。
根据IDC(International Data Corporation)预测说2004年估计BI行业市场在140亿美元。现在，随着我国加入WTO，我国在许多领域，如金融、保险等领域将逐步对外开放，这就意味着许多企业将面临来自国际大型跨国公司的巨大竞争压力。国外发达国家各种企业采用商务智能的水平已经远远超过了我国。美国Palo Alto 管理集团公司1999年对欧洲、北美和日本375家大中型企业的商务智能技术的采用情况进行了调查。结果显示，在金融领域，商务智能技术的应用水平已经达到或接近70%，在营销领域也达到50%，并且在未来的3年中，各个应用领域对该技术的采纳水平都将提高约50%。
现在，许多企业都把数据看成宝贵的财富，纷纷利用商务智能发现其中隐藏的信息，借此获得巨额的回报。国内暂时还没有官方关于数据挖掘行业本身的市场统计分析报告，但是国内数据挖掘在各个行业都有一定的研究。据国外专家预测，在今后的5—10年内，随着数据量的日益积累以及计算机的广泛应用，数据挖掘将在中国形成一个产业。
众所周知，IT就业市场竞争已经相当激烈，而数据处理的核心技术---数据挖掘更是得到了前所未有的重视。数据挖掘和商业智能技术位于整个企业IT-业务构架的金字塔塔尖，目前国内数据挖掘专业的人才培养体系尚不健全，人才市场上精通数据挖掘技术、商业智能的供应量极小，而另一方面企业、政府机构和和科研单位对此类人才的潜在需求量极大，供需缺口极大。如果能将数据挖掘技术与个人已有专业知识相结合，您必将开辟职业生涯的新天地！

职业薪酬
就目前来看，和大多IT业的职位一样，数据仓库和数据挖掘方面的人才在国内的需求工作也是低端饱和，高端紧缺，在二线成熟，高端数据仓库和数据挖掘方面的人才尤其稀少。高端数据仓库和数据挖掘人才需要熟悉多个行业，至少有3年以上大型DWH和BI经验，英语读写流利，具有项目推动能力，这样的人才年薪能达到20万以上。

职业认证
1、SAS认证的应用行业及职业前景
SAS全球专业认证是国际上公认的数据挖掘和商业智能领域的权威认证，随着我国IT环境和应用的日渐成熟，以上两个领域将有极大的行业发展空间。获取SAS全球专业认证，为您在数据挖掘、分析方法论领域积累丰富经验奠定良好的基础，帮助您开辟职业发展的新天地。
2、SAS认证的有效期
目前SAS五级认证没有特定有效期，但是时间太久或版本太老的认证证书会有所贬值。
3、五级认证的关系
五级认证为递进式关系，即只有通过上一级考试科目才能参加下一级认证考试。
4、SAS全球认证的考试方式
考试为上机考试，时间2个小时，共70道客观题。

相关链接
随着中国物流行业的整体快速发展，物流信息化建设也取得一定进展。无论在IT硬件市场、软件市场还是信息服务市场，物流行业都具有了一定的投资规模，近两年的总投资额均在20-30亿元之间。政府对现代物流业发展的积极支持、物流市场竞争的加剧等因素有力地促进了物流信息化建设的稳步发展。
易观国际最新报告《中国物流行业信息化年度综合报告2006》中指出，中国物流业正在从传统模式向现代模式实现整体转变，现代物流模式将引导物流业信息化需求，而产生这种转变的基本动力来自市场需求。报告中的数据显示:2006-2010年，传统物流企业IT投入规模将累计超过100亿元人民币。2006-2010年，第三方物流企业IT投入规模将累计超过20亿元人民币。
由于目前行业应用软件系统在作业层面对终端设备的硬件提出的应用要求较高，而软件与硬件的集成性普遍不理想，对应性单一，因此企业将对软件硬件设备的集成提出更高要求。
物流行业软件系统研发将更多的考虑运筹学与数据挖掘技术，专业的服务商将更有利于帮助解决研发问题。
物流科学的理论基础来源于运筹学，并且非常强调在繁杂的数据处理中找到关联关系(基于成本-服务水平体系)，因此数据挖掘技术对于相关的软件系统显得更为重。

Ⅶ 什么时候要用数据做预测

制作数据模型的时候要用数据做预测。

数据分析的主要目的就电商来说，就是优化电商模式，提升转化从而收益提高的一个事情，数据预测。

数据预测主要是对数据进行分类，根据已有的数据来判断新数据的分类，就可以做预测了。

这其中的关键就是对已有数据怎么进行分类，方法找到了，直接应用到新的数据就可以知道新数据的分类情况。

能给对新数据进行分类，对有些业务非常有用，比如语音识别，比如用户分类，比如新闻和商品推送等。

Ⅷ 大数据可以在哪些领域实现预测价值

和原来统计抽样数据不同，大数据需要持续数据，来反应相对完整的过程，而且整个过程是一个相对稳定的规律性状态。
这样通过数据比对，一方面能去除偶然性和外界环境干扰带来的噪点，另一方面通过数据积累，能把规律的异常波动和结果之间找到数据对应关系，来实现对异常变化的情况分析和预测。
只要数据全面和连续，异常变化的征兆就可以被发现。传统的统计抽样数据需要从数据中进行抽样，通过单个数据的精确来反应当时状态，但是无法进行规律的分析。
所以大数据的原理是，基于每一种非常规的变化，在事前一定有征兆体现。没有任何一件事情是突发的，这和佛教哲学中的因果道理是一样的，每一件事的发生是可以被追寻脉络的。
利用大数据的预测和分析，就建立在可以捕捉和分析这些反应事物变化的征兆上，而最容易捕捉这种征兆的领域，一定是原本有稳定规律的领域。
我们从现实生活中举几个例子。
1、股票市场
是否能用大数据的方式，来预测股票的涨跌呢？如果不讨论个股情况，从理论上讲在美国可以，在中国很难。
美国股票市场是可以双向盈利的，当股票价格脱离价值时，另一股资金力量就会反向操作来盈利。而中国的股票市场则不同，股票只有涨才能盈利，这样的规则就会吸引一些游资利用信息不对等的状况，人为改变股票市场规律，没有相对的稳定状态则很难被预测，或者说变量大到捕捉分析成本过高。
2、商品价格
单次性销售的商品价格是能够被预测的，因为任何商品的销售无法脱离赚钱这个根本，而且不同渠道成本和收益需求在竞争充分的环境下是相对稳定的，与价格相关的变量相对固定，所以价格可以预测。
但是如果商品有后续服务等持续性收费，或产品盈利不是唯一的需求（比如：产品新上市推广、打击竞争对手新上市商品等）时，则此商品价格变得不可预测，因为它脱离了一个稳定的状态。
3、人的健康状况
慢性病是可以被预测的。因为人体的体征变化是呈固定的变化规律的，慢性病形成的过程中，体征变化规律也呈现持续性异常。所以在慢性病形成的过程，就可以对异常的体征变化规律进行分析。
急性病是很难预测的，因为是外界因素带来的突变，体征数据变化规律异常是应激反应，属于突变的过程，尤其随机性，则预测成本过高，但可以发生后被分析出来。
1、数据波动规律不因外界随机干扰而不可测影响，可以用固定维度的变量建立基准规律；
2、持续采集和分析数据的成本要小于预测带来的收益；
3、有异常状况和不同结果的对应关系。

Ⅸ 预测数据的方法

预测数据的方法如下：

1、描述性分析：

在数据分析和预测的时候，这是很普遍的。在商业领域，该方法为数据分析人员提供了一个很关键的指标，并且具有商业测量功能。

2、诊断类型的研究：

在数据分析和预测中，指令性分析是一个很重要的环节，它包括分析数据的价值和复杂性，包括理解为什么会出现这种情况，以及可能出现的情况，从而帮助用户做出正确的判断。

一般来说，指令式分析并不是一种简单的运用，它需要先把所有的方法都做完，然后才能进行分析。

就像是在分析一条路线的时候，要知道每一条路线的速度，以及不同的路线之间的间距，这样才能更好地控制交通。