目前主流的商务智能和分析应用主要关注的是如何从已有数据中提取业务价值，反映公司发展、客户行为和业务趋势。是面向过去的。而一些新兴的数据分析技术已经把目光投向了未来——预测分析。企业通过采用大数据分析技术预测未来可能发生的事情。

但是，预测建模和数据挖掘技术要想准确地预测出客户行为，制定有效的企业战略，需要处理大量的多种类型的数据。医疗保险和医疗保健服务供应商Highmark负责企业信息战略和数据分析的副总裁Mark Pitts表示，要真正落实预测分析，企业需要做的不只是给分析人员配备预测建模工具这么简单。

现在通常是数据科学家和统计分析人员自己写算法，构建预测模型。Pitts认为，算法和分析模型需要经历创建、测试和运行的阶段，在数据产生之前，这些工作应该是已经做好了的。“要解决一个问题，其实百分之八十的时间都花在信息收集上，而信息收集一开始就应该和业务相关联。”

Pitts认为，大数据项目一开始就要有建模人员参与其中，建模人员需要将自己的数学知识和企业的业务知识相结合。不能解决具体业务问题的算法写的再好也不能为企业所用。在Pitts的团队里，他总要让数据分析人员和业务人员多交流，让数据科学家了解自己要解决的问题，这样他们才能充分利用数据，解决业务问题。

技术与业务不能各自为政

咨询公司Hurwitz & Associates的总裁兼CEO Judith Hurwitz也同意Pitts的观点。她认为，大数据分析项目主要是对数据进行挖掘，找出和企业相关的信息。这个过程中，需要建模人员与业务用户的合作。建模工作不能孤立地完成。

随着企业不断的收集、存储和分析大数据，企业利用数据的方式也在发生改变。她说道：“一开始的时候，企业更感兴趣的是数据收集，把一堆数据放到Hadoop或者其他存储系统里。慢慢地，企业更希望合理利用数据，达成具体目标，比如增加利润、节省支出等。这意味着预测模型的构建需要以具体的业务目标为基础。”

咨询公司Abbott Analytics的总裁Dean Abbott也认为，如果建模人员不了解业务，预测分析就不能发挥出价值。“无论是不是大数据，建模都应该以特定的业务问题为基础。我见到过很多公司的数据项目都因为技术人员不懂业务而失败，结果往往是建模本身很好，但却没法实际应用。”

成功的项目来源于无数次的失败

Pitts介绍到，在他的公司，业务问题和相关的数据集一旦确立，预测模型的开发基本上是一个可迭代的过程。分析团队会创建多种不同的模型，比如线性回归模型和神经网络模型，从而找出最适合使用的应用程序。在建模的同时，技术人员会建立独立的数据沙箱，包含相关信息，并且与数据库隔开。这样技术人员就可以深入了解不同的选项，测试不同的样机模型。确保模型能够正常交付使用。

Pitts所在的Highmark公司使用的是SAS软件供应商的数据建模、数据挖掘和分析工具。他们的建模首先关注的是对保险理赔和健康档案的分析，公司借此判断哪些患者需要额外的医疗服务（比如没有接受接种育苗、后期护理的人）、哪些人的症状表明他有可能患有疾病（比如糖尿病、心脏病）。分析团队也会关注临床干预，帮助患者快速恢复健康，或降低医疗成本。

因为数据科学家需要尝试不同的方法构建数据模型，所以这个过程要花费较长时间，而且经常会失败。Pitts指出，正因为如此，项目需要获得高层领导者的支持，这样才能保证项目能够持续下去。项目管理者要让业务领导和企业领导了解项目的特点，不能让项目因为失败或成本过高而流产。