成功的现代企业越来越多地受数据驱动。例如，摩根大通 (JPMorgan Chase) 等大型银行在其欺诈检测模型中使用规范性分析，将误报（即被标记为欺诈的合法交易）减少多达 30%。各种规模的企业都能从有效的数据使用中受益，但领导者必须知道他们需要什么样的数据，以及他们实际上希望利用这些数据做什么——无论是预测需求、预判风险，还是为未来的决策提供信息。

预测性分析和规范性分析在帮助企业应对不确定性方面各自发挥着不同的作用。但是，如果您不了解它们的工作原理或合适的使用时机，最终可能会得到一个无法据此采取行动的预测，或者一个缺少重要背景信息的策略。下面，我们将解释这两种分析形式的区别、各自的适用时机，以及它们如何在实际业务场景中促成更明智的决策。

本文内容

• 什么是预测性分析？
  
• 什么是规范性分析？
  
• 规范性分析和预测性分析的异同
  
• 企业如何使用预测性分析与规范性分析
  
• 何时应使用预测性分析与规范性分析？
  
• 预测性分析与规范性分析的用例
  
• Stripe Data Pipeline 如何提供帮助
  

什么是预测性分析？

预测性分析利用历史数据来预测结果。它在过去的数据中发现模式，然后应用统计模型和 AI 来估计可能发生的情况。结果是一种概率而非确定性，但这足以帮助领导者做出更好的业务决策。

预测性分析的示例包括：

• 预测假日购物季销售额的零售商

• 标记可能存在欺诈交易的银行

• 预测哪些用户可能会取消的订阅平台

什么是规范性分析？

预测性分析可预测可能的结果，而规范性分析则更进一步，根据这些预测推荐具体行动。这通常涉及权衡多种可能的场景、运行模拟并在限制条件（例如预算、时间和资源）下针对特定结果进行优化。

例如，假设您的模型预测下个季度会出现资金短缺。规范性系统可能会建议削减某些开支、调整您的营销预算，或重新协商供应商条款——这些行动具体取决于您的背景和数据。

规范性分析与预测性分析的异同

预测性分析和规范性分析代表了业务分析中最具前瞻性的两个层级。虽然它们经常被放在一起讨论，但它们发挥着截然不同的功能，依赖于不同的数学技术，并且产生根本不同的结果。

相似之处

尽管在功能上存在差异，预测性分析和规范性分析仍拥有共同的基础核心：

• 由高质量数据驱动
  两者都严重依赖结构化和非结构化的历史数据、实时数据源以及强大的数据工程管道 (ETL/ELT) 来生成准确的结果。

• 高级算法基础
  两者通过使用高等数学、统计建模和机器学习，超越了描述性分析（“发生了什么”）和诊断性分析（“为什么发生”）。

• 优化结果的共同目标
  两者都能降低运营的不确定性，提高决策质量，并创造切实可见的商业价值——例如增加收入、降低成本或降低企业风险。

• 重叠的核心技术栈
  两者都依赖基础数据科学工具和编程语言。数据团队使用 Python、R 和 SQL 为预测和规范模型清理、操作和构建数据。此外，两者都将洞察反馈到 Tableau、Power BI 或 Looker 等商业智能 (BI) 工具中，以用于可视化报告和高管管理平台。

差异

规范性分析和预测性分析在核心关注点、技术方法、工具集和实际企业应用方面截然不同。预测性分析回答“可能发生什么？”，而规范性分析回答“采取的最佳行动方案是什么？”。

企业如何使用预测性和规范性分析

了解这些模型如何在真实的商业场景中运作，可以突显它们互补却又截然不同的功能：

战略和运营决策

• 预测性
  通过提供明确的方向来降低不确定性。例如，预测模型可能会预测季节性产品需求激增 25%，或者确定潜在的目标扩张市场。

• 规范性
  通过评估产能、预算和供应限制来提供精确的步骤，从而消除决策瘫痪。它精确计算需要订购多少库存、在哪里分配营销支出，或者如何规划物流改道，从而以最低的成本和最少的干扰满足该需求。

风险管理和违约预警

• 预测性
  在问题升级之前标记早期预警信号。贷款机构利用它来识别统计学上违约概率高的借款人，而网络安全团队则利用它来发现预示着攻击的网络异常。

• 规范性
  根据概率得分推荐准确的风险缓解协议。对于高风险的贷款申请人，规范性引擎可能会建议采用替代信贷结构或调整利率。对于安全威胁，它可以自动触发特定的增强身份验证步骤或隔离受损的网络节点。

运营效率和资源分配

• 预测性
  在运营中断发生之前进行预判，例如预测送货车辆零件何时可能发生故障、估算零售店的客流量，或预测区域制造量。

• 规范性
  优化时间表和资源分配，以最大化利润率并最大程度地减少浪费。它能为车队管理人员提供精确的维护时间窗口，以防止停机时间而又不会过度维护；跨区域中心分配仓库库存以尽量减少运输延迟，并按班次和技能水平对员工进行排班。

客户互动和超个性化

• 预测性
  对客户行为进行分类以发现未来的意图，例如精确定位哪些订阅者下个月有 70% 的流失几率，或者识别哪些买家已准备好升级。

• 规范性
  实时确定针对每位个体客户的单一最佳操作 (Next Best Action)。与其发送广撒网式的促销电子邮件，它还会评估利润率和客户生命周期价值 (LTV)，以建议是否提供特定折扣、安排与客户成功经理的跟进电话，或触发定制的产品推荐。

何时应该使用预测性分析与规范性分析？

预测性分析和规范性分析专为不同类型的问题而设计。在任何情况下，选择哪一种取决于您需要获得何种洞察，以及您的数据能力成熟度。

预测性分析与规范性分析的用例

预测性分析通过计算概率和预测趋势来提供预见，而规范性分析则将这种洞察转化为即时、优化的行动。以下是这在不同行业中的应用情况：

零售和电子商务

• 预测性
  识别季节性产品需求的激增，并预测哪些高价值订阅者可能取消订阅
  

• 规范性
  计算最佳折扣百分比，调整实时网络定价，并触发个性化的挽留优惠

• 业务影响
  提高留存率，最大程度地减少库存降价，并实现利润率最大化

医疗与生命科学

• 预测性
  预测流感季节急诊室入院人数的激增，并识别具有高再入院风险的患者

• 规范性：
  推荐精确的轮班人员配置水平，并根据患者指标生成动态治疗方案

• 业务影响
  减少等待时间，防止临床倦怠，并改善患者的治疗结果

金融服务和银行业

• 预测性
  标记可能违约的贷款申请人，并实时检测可疑的信用卡交易模式

• 规范性
  推荐替代性贷款结构（例如，更高的抵押品要求），并自动触发逐步身份验证

• 业务影响
  降低信用风险，减少欺诈损失，并优化投资组合回报

供应链和制造

• 预测性
  预测工厂设备故障窗口期并估算区域交通延迟
  

• 规范性
  实时重新规划车队车辆路线，并重新安排机器维护窗口期以避免瓶颈

• 业务影响
  消除计划外停机时间，降低运费开支，并缩短交付时间线

能源与公用事业

• 预测性
  预测极端天气期间的高峰电力需求，并预测太阳能/风能发电量

• 规范性
  跨微电网自动重新分配电力，并确定存储或释放电池电量的最佳时间

• 业务影响
  防止停电，降低发电成本，并加速可再生能源集成

电信与媒体

• 预测性
  识别直播活动期间的带宽瓶颈，并对订阅者流失率进行建模

• 规范性
  将网络容量动态分配给高流量基站，并推荐量身定制的内容捆绑包

• 业务影响
  确保服务质量，优化网络带宽，并增加订阅者生命周期价值

旅游、酒店及航空业

• 预测性
  预测天气导致的航班中断，并预测区域活动期间酒店预订量的激增

• 规范性
  实时动态调整机票和客房定价，并重新分配机场机组人员，以最大程度地减少多米诺骨牌式的延误

• 业务影响
  最大化 RevPAR（每间可售客房收入），提高机队利用率，并提升客户满意度

人力资源与劳动力管理

• 预测性
  精准识别具有高离职风险的关键员工，并预测未来的劳动力技能短缺

• 规范性
  生成定制的薪酬与发展方案，并构建量身定制的员工培训路线图

• 业务影响
  减少代价高昂的员工流失，降低招聘成本，并构建内部人才梯队

Stripe Data Pipeline 如何提供帮助

Stripe Data Pipeline 允许企业轻松将 Stripe 账户数据直接与数据仓库或云存储提供商同步。Data Pipeline 使您能够轻松将 Stripe 数据与其他数据集结合查看。

Data Pipeline 可以帮助您：

• 大规模自动交付数据： 在几分钟内以无代码方式设置 Data Pipeline，并持续在 Snowflake、Amazon Redshift、Google BigQuery、Databricks 和各大主流云存储解决方案中自动接收所有 Stripe 数据和报告。

• 避免数据延迟和中断： 借助内置于 Stripe 的管道减轻持续维护负担。此外，Data Pipeline 没有 API 速率限制。因此，无论您有多少数据，都能始终保持完整且准确。

• 更快完成结账并获取洞察： 将您的 Stripe 数据与其他产品、客户和营销数据集中起来，以更快地进行收入对账，并在一个地方分析高价值细分群体、欺诈和支付成本。此外，利用 Data Pipeline 专属的丰富预建数据集开始分析月度经常性收入、自定义欺诈规则、收入挽回表现等，全程无需复杂的财务建模。

详细了解 Stripe Data Pipeline 如何帮助您解锁业务数据，或立即开始使用。