为了做出关键决策，业务用户需要使用他们熟悉的分析工具来发现问题并采取相关措施。本文讨论了交互式数据发现和预测分析技术如何帮助业务用户更明智、更迅速地做出数据驱动决策。

何谓交互式数据发现和预测分析？

交互式数据发现和预测分析技术可以让业务用户和分析人员识别数据集中重要的趋势和关系，并能从各种角度发掘问题。它们还可以让业务用户与专家协作来创建、优化并选择最佳预测模型。

例如，由SAS提供的综合交互解决方案包含一个易于使用的界面，这样就能帮助非技术用户直观的访问数据、创建模型并分享结果，从而使用户更迅速、更明智地完成决策。

有了正确的解决方案，用户就可以使用各种描述性和预测性分析技术访问数据并创建分析模型，而这些都是在一个单独的界面进行的。

这些功能可以让用户以全新而明智的方式进行创新。他们可以在没有先入为主观念的情况下分析数据、测试新想法，并通过更简便、迅速的方式，应用自下而上的方法实现重大发现的可视化。

我们可以通过调查三位员工（Bekha，Jorge和Devon）的生活，了解交互式数据发现和预测分析是如何解决日常业务问题的。

交互式数据发现解释了客户流失的原因

Bekha是欧洲一家大型零售商的市场经理，她一直负责研究客户流失的问题。过去Bekha只是访问历史数据，查看公司商店流失的顾客数量的月报。

有了交互式数据发现，Bekha就能够通过对数据进行不同方式的发掘来获得新的见解。这可以帮助她确定市场变化的趋势和客户流失的关系，还能帮助她发现与客户流失相关的变量，同时能够快速对那些变量进行挖掘并提出新的问题。

当交互式数据发现与预测分析相结合，该解决方案会更加强大。基于她在探索时确定的关系和趋势，Bekha可以使用逻辑回归和决策树技术预测每个客户流失的可能性。

此外，她还可以用模型输出将流失原因及如何预防进行可视化，并与其同事分享分析结果。

优秀的客户模型降低金融服务风险

Jorge领导的风险分析团队为一家抵押贷款公司提供支持。他们传统的信用风险模型曾经是合理而有效的评估工具，但是该模型没有预测贷款违约的功能。

新的数据发现和分析解决方案让Jorge的团队可以更精确地了解那些拖欠贷款的客户。该解决方案对来自多个源头的数据进行分析——不只是支付历史——以此来创建更为完整的客户档案。这些档案和预测分析功能帮助Jorge和他的团队识别那些有违约风险的客户，而且还能让公司对新的客户设置合适的信用额度。

虽然提供了对客户更为深入的洞察，该解决方案仍然严格遵守数据治理策略。综合治理不仅保证了结果的可靠性，而且它还有助于保护个人身份信息。

自助分析工程让主动维护成为可能

Devon是美国一家风能和太阳能公司的首席工程师。在过去，他只能派遣技术员对设备进行维修或更换来应对设备故障。

如今，有了自助分析工具，他可以对整个设备的效率进行检查并调查导致设备故障的原因。他通过创建一个决策树来解释过去发生的故障并对未来的故障进行预测。而交互式功能可以使他的决策树扩充并更加细化，并将他的预测模型与逻辑回归模型进行对比，找出最有效的模型。他可以对大型的数据集使用该模型，甚至在新系统上线以及需要迅速扩大规模的时候使用该模型。

是时候对业务用户进行武装了

交互式数据发现和分析将大数据的强大功能放在业务用户和分析人员手中，给予他们做出更明智的数据驱动型决策的见解。

SAS可视化分析和可视化统计让用户直观地探索并以新的协作方式分析数据，利用强大内存技术实现更快地解析计算和发掘数据。

点击这里查看更多交互式演示，来看看当你利用强大的SAS技术深入数据时，将会遇到哪些可能。