在2016年，利用模型预测并不是一件容易的事，那些特别依赖预测分析模型的企业应该有所警觉。

美国总统的选举，英国脱欧的投票，巴西总统的弹劾……这些发生在2016年的大事件看起来相当不可思议，但它们的的确确发生了。

国际分析研究所的创始人Tom Davenport说，“我们必须不断寻找可能影响模式的变化。我们越来越依赖于机器学习，那些影响我们模型的变化将会变得非常重要。”

事件的不可预测性意味着企业不能大意。

一旦模型开始工作，人们可能会有信任模型的倾向。但今年很明显，社会趋势可能会迅速改变。重要的是，企业需要不断地训练他们的模型并调整他们建立的假设。Davenport说。

他说：“我们需要偶尔检查一下这些模型，看看它们是否在起作用。”

Forrester的分析师Mike Gualtieri指出，事实证明，分析人士需要注意到认知偏差。他说，大多数的民意调查和选举预报员预测希拉里会取得胜利，都是依赖于相对较弱的投票数据。人们都坚定不移地相信这个预测结果，所以没有人真正质疑过它。

这类似于很多所谓的数据驱动决策。分析一般用来确认现在的观点，那些具有挑战性的假设往往会被忽视。在未来一年，企业应该汲取这些预测失误的教训，在组织中努力克服认知偏差。

Gualtieri说，“英国脱欧时间和川普的当选，在一定程度上说明了预测模型有些太过‘自信’了。”

耶鲁大学副研究员Pradeep Mutalik认为，事件的某些部分变得不可预测是受到人们情绪的影响。他说，无论我们谈论英国脱欧投票或特朗普的选举，选民们似乎已经被情绪所带动，这在预测模型中很难进行测量。但也在不可预测的世界事件中增加了一个新的方面，企业在开发预测分析算法时需要充分考虑这些因素。