---
title: "預測性分析（Predictive Analytics）"
slug: predictive-analytics
language: zh-TW
source: https://aiterms.tw/terms/predictive-analytics
updated_at: 2026-07-29
tags: [機器學習, 統計方法, AI應用, 資料處理, 模型評估, 時序分析, Python程式, iPAS中級]
ipas_term: false
---

# 預測性分析（Predictive Analytics）

> **你有沒有想知道，下個月的銷量或流失率會不會先看得出來？**
>
> 你可以把 預測性分析 想成 拿歷史資料推未來，幫你提早準備。
>
> 可以先看到風險、需求和趨勢，拿歷史資料推未來，幫你提早準備 這件事就特別重要。
>
> 你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。

### 容易混淆
> **預測性分析 vs 描述性分析**
>
> 描述性分析像會計師，只告訴你「過去發生了什麼」（例如上個月賣了多少），而預測性分析像算命師，它會告訴你「未來可能會發生什麼」（例如下個月可能賣多少），幫助你提早做準備。
>
> 最關鍵的區別：一個預測未來，一個整理過去。
>
>
> **預測性分析 vs 描述性分析**
>
> 預測分析看未來可能會發生什麼，描述分析只整理過去發生了什麼
>
> 最關鍵的區別：一個往前看，一個回頭看。

### 記住這句就好
> 拿歷史資料推未來，幫你提早準備

### 實際案例
> **案例 1：零售商用歷史銷售預估下個月庫存**
>
> 這種情況下，預測性分析 會幫你把原本手工或靠直覺的步驟變得更穩。
>
>
> **案例 2：客服團隊預測哪些客戶可能流失**
>
> 另一個常見場景也能看出 預測性分析 的價值，因為它處理的是同一種核心問題。

### 算法與應用
> 核心意思就是：拿歷史資料推未來，幫你提早準備。
>
> 常見輸出是分數、機率、趨勢或分群結果
>
> 模型選擇要配合資料型態、商業目標和可解釋性

### 中英對照與常見說法

| 說法 | 出現場合 |
| --- | --- |
| 預測性分析 | 台灣正式用語 |
| 预测分析、预测性分析 | 簡體寫法 |
| Predictive Analytics | 英文原名 |
| 預測分析 | 常見變體 |

### 四種分析層次

| 層次 | 回答的問題 | 例子 |
| --- | --- | --- |
| 描述性（descriptive） | 發生了什麼 | 上個月營收比前月少 12% |
| 診斷性（diagnostic） | 為什麼發生 | 因為某個通路的回購率下滑 |
| 預測性（predictive） | 接下來會發生什麼 | 下個月有 340 位客戶可能流失 |
| 指示性（prescriptive） | 該怎麼做 | 對其中這 80 位發折價券預期能挽回最多 |

> 四個層次是往上疊的，跳過前兩層直接做預測，往往會建出一個準確但沒人知道怎麼用的模型。

### 預測不等於因果，這是最貴的誤用

> 預測模型回答「誰會流失」，它靠的是相關性，這對排序名單是夠的。但<strong>「對這些人做什麼會有效」是因果問題，預測模型答不了</strong>。
>
> 典型的失敗是：模型找出最可能流失的客戶並對他們發高額折價券，結果發現其中很多人本來就打算離開（發券也留不住），另一些人本來就會續約（等於白送錢）。真正該找的是「發了才會留、不發就會走」的那一群，這需要提升建模（uplift modeling），本質上是因果推論不是預測。
>
> 判斷準則很簡單：**只是要排序與資源配置，預測就夠；要決定介入措施，就需要實驗或因果方法。**

### 從模型到行動的三個實務要點

> **預測要能對應到具體動作。** 一個沒有對應動作的預測沒有價值。做模型之前先問清楚：預測出來之後誰會看、他能做什麼、做了之後怎麼衡量。
>
> **給機率而不只是標籤。** 「這個客戶流失機率 0.73」比「這個客戶會流失」有用得多，因為門檻可以依當下的預算與人力調整。而且機率要校準過，未校準的機率拿來排序可以，拿來算期望值會出錯。
>
> **一定要監控資料漂移。** 預測性分析的假設是「未來跟過去長得像」。市場、產品、競爭者一變，模型就會悄悄退化，而且準確率往往在幾週後才反映出來。監控輸入特徵的分布通常比監控準確率更早示警。

### 情境判斷
> **Q1（直覺題）：** 零售商用歷史銷售預估下個月庫存 這種情況，會先想到 預測性分析 嗎？
>
> → 會，因為它正好在處理這件事的核心問題，只是還要看資料乾不乾淨、流程穩不穩。
>
>
> **Q2（判斷題）：** 只有很少歷史資料時，還能做嗎？
>
> → 看情況，資料太少時預測會不穩，通常要先補資料或降低目標

### 常見問題
> **Q：預測性分析與描述性分析有什麼區別？**
> 描述性分析側重於描述過去發生的事情，例如銷售額、客戶數量等。
> 而預測性分析則側重於預測未來可能發生的事情，例如未來銷售額、客戶流失率等。
> 預測性分析利用歷史數據和統計模型來預測未來趨勢，而描述性分析則主要使用統計摘要和可視化來呈現數據。
>
> **Q：預測性分析需要哪些技能？**
> 預測性分析需要多方面的技能，包括統計學、機器學習、資料探勘、程式設計（如Python或R）、資料庫管理和業務知識。
> 此外，還需要具備良好的溝通能力和問題解決能力，才能有效地將分析結果傳達給決策者。
>
> **Q：如何選擇合適的預測性分析模型？**
> 選擇合適的預測性分析模型取決於多個因素，包括數據類型、預測目標和業務需求。
> 例如，如果需要預測連續值，可以使用線性迴歸或神經網路；如果需要預測分類結果，可以使用邏輯迴歸或決策樹。
> 此外，還需要考慮模型的複雜度和可解釋性，選擇最適合的模型。

### 相關術語
> - **機器學習**：看完這個再讀它，會更容易把概念串起來
> - **時間序列分析**：看完這個再讀它，會更容易把概念串起來
> - **異常偵測**：看完這個再讀它，會更容易把概念串起來

---

來源：https://aiterms.tw/terms/predictive-analytics
快查頁：https://aiterms.tw/terms/predictive-analytics
最後更新：2026/07/29
深度解說：https://aiterms.tw/learning/what-is-predictive-analytics