之前，我們在《數據可視化：數據預測分析中的非結構化和半結構化數據問題》中提到了數據預測中的數據結構問題，接下來我們要對分析結構和影響因素進行講解。

預期結果分析

• 描述性模式：該方法通過挖掘歷史和當前數據，分析過去展現情況來決定接下來的計劃步驟。描述性模式能確定許多不同客戶或產品之間的關系，來決定需要采取什么方法向前發展。幾乎所有的報表，如：銷售、市場、操作以及財務都適用這樣的模式進行事后分析，來提出這些問題：發什么什么？多少？頻率如何？什么地方？何時？問題關鍵是什么？應該采取怎樣的行動？
• 預測模式：分析過去可以知道客戶可能會有的操作，這樣可以預測單一用戶的操作。他可以陳述這樣的問題：將會發生什么？如果這個趨勢持續會怎樣？如果...,下一次會怎樣？
• 規范模式：又叫做決定模式。這個模式闡述了所有的決定因素之間的關系，來預測決定可能帶來的結果。我們可以預測這樣的問題：怎樣才能達到最好的效果？怎樣應對變數？客戶可能感興趣的其他商品是什么？

雖然預測分析在現在數據分析中凸顯，但是他還是經常以描述模式出現在傳統商業智能領域。一個例子看去年的銷售收入，再為下一年指定目標。回顧以前的數據，指定未來的目標，這就是數年來商業的標準模式。

更加復雜的預測、規范模式現在正在商業中扮演更加重要的角色，這是因為硬件成本的下降，大量的數據隨之而來，特別是非結構化和半結構化數據。

深入理解這些模式間的關系對于正確分析預測數據至關重要。就像所有的項目，剛開始我們都要明確他的商業目標目的一樣。一旦有明確的業務目標目的，任何模式或者這三個模式都可以用在BI系統中，為達到最終目標目的服務。

重復篩選(Rinse-and-Repeat )

我們不能忽略掉預測數據給我們帶來的誤區。大多數情況下，100%精準的數據分析師不可能的，原因如下：

1、歷史數據不能準確預測未來

2、預測模式中可能會有不定因素

3、操作各種模式的時候，可能會有偏頗以及不符合實際的預測

當實踐各個模式的時候，可能的錯誤區域應該被記錄。通常表現為預測分析系統質量提高，或者說第三方因素對其的影響下降。因此，不斷優化數據分析預測模式非常有必要。模式部署周期，不斷優化，不斷操作實踐，這樣可以保證他在分析預測中以最高精度運行。

推薦閱讀：

數據可視化：數據預測分析中的非結構化和半結構化數據問題

在云中實現大數據分析：讓M2M分析變為現實

數據可視化的下一個標準：自動化+交互性

大數據？我們真的已經邁入那個世界了嗎(二)

 大數據？我們真的已經邁入那個世界了嗎(一)