預測模型化與影響客戶行為
數位經濟中有兩種類別的應用程式：歷史和預測。 許多客戶需求都可以使用歷史資料 (包括近即時資料) 來滿足。 大多數解決方案主要著重於目前的彙總資料。 然後，他們以數位或環境體驗的形式處理資料並與其客戶共用。
與歷史模型化不同的是預測模型化。 但是，什麼是預測模型化？ 預測模型化使用統計資料和已知結果來處理和建立模型，以便在合理的範圍內預測未來的結果。 隨著預測模型化變得更具成本效益且更容易取得，客戶需要前瞻性思維體驗，從而做出更好的決策和動作。 然而，這種需求並非總是建議預測解決方案。 在大部分的情況下，歷程記錄檢視可以提供足夠的資料，讓客戶能夠自行做出決策。
可惜的是，客戶往往採取短視的觀點，根據其立即的環境和影響因素來導向決策。 隨著選項和決策的數目和影響增加，這種短視的觀點可能無法滿足客戶的需求。 同樣地，隨著假設在規模上得到驗證，提供解決方案的公司可以看到數千或數百萬客戶的決策。 此概略圖方法可以看到廣泛的模式，以及這些模式的影響。 當需要了解這些模式才能做出最適合客戶服務的決策時，預測模型化功能是一項明智的投資。
預測模型化的範例及其對客戶行為的影響
各種應用程式和環境體驗都會使用資料進行預測：
- 電子商務：根據其他類似消費者的購買情況，電子商務網站會建議可能值得新增到購物車中的產品。
- 調整現實：物聯網提供更進階的預測功能執行個體。 例如，假設組件線上的裝置偵測到機器溫度上升。 雲端式預測模型化會決定如何應對。 根據該預測，另一台裝置會減慢組件線的速度，直到機器冷卻。
- 消費者產品：手機、智慧型居家產品，甚至您的汽車，都使用預測功能，他們根據位置或時間等因素分析這些功能以建議使用者行為。 當預測和初始假設對齊時，預測會導向動作發生。 在非常成熟的階段中，這種對齊可以使像自動駕駛汽車這樣的產品成為現實。
開發預測功能
持續提供精確預測功能的解決方案通常包含五個核心特性。 五個核心預測模型化特性為：
- 資料
- 深入解析
- 模式
- 預測
- 互動
每一個層面都需要開發預測功能。 就像所有偉大的創新一樣，預測功能的開發也需要對反覆項目的承諾。 在每個反覆項目中，下列一個或多個特性都是成熟的，以驗證日益複雜的客戶假設。
警告
如果客戶假設是以組建與客戶共情方式包含預測功能，則可能會有同樣適用的原則。 然而，預測功能需要投入大量的時間和精力。 當預測功能是技術尖峰時 (與實際客戶價值的來源相反)，我們建議您延遲預測，直到客戶假設得到大規模驗證。
資料
資料是先前提到的最基本的特性。 開發數位發明的每個專業領域都會產生資料。 當然，這些資料會參與預測的開發。 如需如何將資料帶入預測解決方案的詳細資料，請參閱：
各種資料來源可用於提供預測功能：
深入解析
主題專家會使用有關客戶需求和行為的資料，從未經處理資料研究中開發基本的商業見解。 這些見解可以找出所需的客戶行為 (或不想要的結果)。 在預測的反覆項目期間，這些見解有助於識別可能最終產生積極結果的潛在相關性。 如需有關讓主題專家獲得見解的指導，請參閱使用數位發明實現資料大眾化。
模式
人們一直試圖在大量資料中偵測模式。 電腦就是為此而設計。 機器學習藉由偵測這類模式 (包含機器學習模型的技能) 來加速探索。 然後透過機器學習演算法套用這些模式，以在將一組新資料輸入演算法時預測結果。
使用見解作為起點，機器學習會開發並套用預測模型化，以將資料中的模式變成大寫。 透過多個定型、測試和套用反覆項目，這些模型和演算法可以精確地預測未來的結果。
Azure Machine Learning 是 Azure 中的雲端原生服務，可根據您的資料來建立和定型模型。 這項工具也包含用於加速開發機器學習演算法的工作流程。 此工作流程可以透過視覺化介面或 Python 來開發演算法。
如需更強固的機器學習模型，Azure HDInsight 中的 ML 服務提供基於 Apache Hadoop 叢集的機器學習平台。 這種方法可以更精細地控制基礎叢集、儲存體和計算節點。 Azure HDInsight 也透過 ScaleR 和 SparkR 等工具提供更進階的整合，以根據整合和內嵌資料來建立預測，甚至是使用串流中的資料。 當用於根據天氣條件預測航班延誤時，航班延誤預測解決方案展示了這些進階的功能。 HDInsight 解決方案也允許企業控制項，如資料安全性、網路存取和效能監控，以實現模式操作。
預測
在建立和定型模式後，您可以透過 API 加以套用，這可以在傳遞數位體驗期間進行預測。 這些 API 大多是根據您資料中的模式，從經過妥善定型的模型來建立。 隨著越來越多的客戶將日常工作負載部署到雲端上，雲端提供者使用的預測 API 將導致更快的套用。
Azure 認知服務是雲端供應商組建的預測 API 範例。 此服務包含內容仲裁的預測性 API、異常偵測，以及個人化內容的建議。 這些 API 可以隨時使用，並且以 Microsoft 為基礎用來定型模型的已知內容模式。 API 會根據您匯入 API 的資料進行預測。
Azure Machine Learning 允許您部署自訂的演算法，您可以僅根據自己的資料建立和定型。 如需有關使用 Azure Machine Learning 部署預測的詳細資料，請參閱將機器學習模型部署到 Azure。
如需有關在 Azure HDInsight 上公開為 ML 服務開發的預測過程詳細資料，請參閱設定 HDInsight 叢集。
互動
透過 API 提供預測之後，您可以使用其來影響客戶行為。 這種影響會以互動的形式存在。 與機器學習演算法的互動會發生在您的其他數位或環境體驗中。 透過應用程式或體驗收集資料時，其會透過機器學習演算法來執行。 當演算法預測結果時，該預測可以透過現有的體驗與客戶共用。
深入了解如何透過調整現實解決方案來建立環境體驗。
後續步驟
請參閱包含工具、程式和內容 (最佳做法、設定範本和結構指導) 的規範性架構，以簡化下列創新案例的採用。