如果我们能提前知道一些事情，尤其是那些今天最困扰我们的事情就好了。机器学习和预测分析经常被吹捧为最终的解决方案——它们可以做到。然而，某些误解限制了预测模型的有效性，甚至从一开始就阻碍了它们的发展。在本文中，我将通过提供预测分析的三个指导原则来解决这些误解。

预测分析:背景

长期以来，预测分析一直在市场研究等领域发挥着重要作用上下文例如，市场趋势。这种类型的模型通常预测一些我们无法控制的事情:我们在做决定时需要处理和适应的发展，例如IT专业人员未来几年的预期平均工资。

预测模型在人员分析中扮演了一个新的角色，因为我们不局限于预测超出我们控制范围的环境。恰恰相反:我们想要预测事情，这样我们就可以进行干预!

机器学习是一种帮助实现这一目标的工具。它可以服务于广泛的目的，比如为员工提供次优培训，找出并利用团队成功的因素，等等。

但干扰你的预测会让事情变得复杂。它需要一些在预测经典意义上的上下文时通常被忽略的考虑因素。

根据我的经验，当你记住以下三条指导原则时，预测分析的成功机会将大大增加:

在本文中，我将逐一讨论这些要点，以及它们如何有助于您在旨在开发预测模型的分析项目中取得成功。

1.就“预测性”的含义达成一致

预测分析如此受欢迎，已经成为一种首选解决方案，因为这个术语是最受欢迎的。这也是一个广泛的概念，存在固有的沟通错误风险:当每个人说“预测模型”时，他们的意思是一样的吗?

在分析学中，“预测”一词并不总是在时间意义上使用。是的，有时它是关于估计下个季度的报销成本，但它也可能是关于确定申请人与职能部门之间的匹配。预测模型是关于可能的结果，通常与时间无关。

诀窍在于与利益相关者达成一致，弄清楚需要“预测”什么才能解决手头的问题。从业务问题开始，从那里开始工作，看看(预测的)模型如何支持它。这将允许您解决涉众之间预期的潜在不匹配，因为“预测”这个词可能有不同的含义。一个利益相关者可能想知道一个预测的数字，而另一个利益相关者想要一个预测的匹配，甚至是一个“预测他们在哪里以及如何采取行动”的模型。

不要拘泥于“预测性”这个术语，要与你的利益相关者一起决定需要什么样的洞察力，以及一个模型如何做出贡献。

2.重视透明度而非绩效

在媒体上，我们经常读到高度精确的模型，例如预测人员流失率的模型。机器学习模型95%的准确率听起来令人印象深刻，但这意味着什么呢?

这些数字的实际意义比大多数人想象的要小——但这将是另一篇文章的主题。现在，让我们假设这意味着模型是可靠的。如果是这样，我们希望任何给定模型的性能分数都能达到最高，对吧?

不一定。一般来说，在模型性能和透明度之间存在权衡:模型越强大和准确，我们人类就越难掌握它如何将数据转换为特定的输出或预测。

我认为，在大多数情况下，模型的实际性能次于它所使用的数据模式的透明度。如果没有这些模式的线索，模型就像一个神奇的8号球:它告诉你可能会发生什么，但不告诉你原因。这正是我们需要知道的“为什么”，为我们的决定提供信息。

帮助我们的是知道模型使用了数据中的哪些模式。然后，模型的表现表明，当我们理解和考虑相同的模式时，我们的决策过程可能是如何知情的。如果模型表现良好，则模型和决策都可以被认为是“知情的”。

但是要注意绩效指标!通常，这些都强调了一个模型得到正确或错误答案的频率。这只是故事的一部分。另一个需要考虑的是“升力”，即模型性能与机会水平的比较。毕竟，60%的准确率似乎并不令人印象深刻，但它可能比机会水平提高了10倍。

为了理解模型，难道您不想知道模型使用什么来提高性能，而不仅仅是猜测吗?即使一个模型不够可靠，不能作为数字解决方案来实施，它仍然对决策有价值。

在人员分析中，以某些业绩换取透明度很少是问题。以逃跑风险为例:模型使用各种参数来推断哪类员工可能会离开。

最终，我们的目标是了解离职的潜在动机，以便在需要时进行干预。然而，如果没有读心术数据，在预测复杂的人类行为时，你对模型的合理预期往往会受到限制。

增加透明度很少会损害模型的有用性。更有可能的是，尽管牺牲了一些性能，但它还是得到了提高。这是因为您通过使模型更易于访问和理解来建立信任。毕竟，人们更有可能使用他们所了解的东西，而不太可能根据来自不透明模型的“神奇8球结果”来经营企业。

请记住，最终的结果不一定是有用的数字解决方案。例如，它可以是与工作有关的压力的顶级风险因素的特定组织列表。

3.考虑哪些因素会受到影响

即使每个人都同意应该预测什么，而且你的模型是透明的，你可能会发现从来没有一个清晰的方法来使用从模型中获得的见解。

要解决这个问题，就要考虑什么是可以影响或控制的。缺勤模型可能在很大程度上依赖于年龄或性别来提供结果，而组织对这两者都无能为力。要注意不要开发一个主要使用或只使用这些特征的模型，这在专门使用HR数据时是有风险的。

相反，可以考虑添加夜班、短班或长班、单独工作或团队工作等方面的数据。这些因素是可以改变的，因此更有可能产生可采取行动的结果。

收集有关相关业务流程的信息，识别相关数据源并在可能的情况下使用它们。这样，您的模型更有可能提供关于人力资源主题和业务流程是如何关联的以及可以做些什么来改进两者的见解。

结论

当谈到机器学习和预测分析时，我经常听到最后需要一个“数字解决方案”。模型很少能一次性投入生产，这是有道理的:预测模型开发主要是关于研究，这意味着你无法提前知道你会发现什么。这是否意味着这些项目往往会失败?在我看来，除非他们能提供有用的见解。

本文所述的准则旨在通过确保:

1. 对目标和共同期望达成一致(对“预测性”的含义达成一致)
2. 比起数字工具，更喜欢洞察(性能/透明度的权衡)
3. 努力实现相关性和可操作的结果(通过考虑行动的目标)

您的模型很可能不会立即嵌入到某个仪表板中。但是，按照本文中的指导方针，我敢说它仍然是有价值的。提供有用的结果往往会导致更具体的问题。而这些可以导致更专业的模型的开发准备生产。

请让我知道本文中的指导原则是否对您有所帮助，如果您随后将模型投入生产，请务必让我知道!