规范性分析 - 简介

---

---

规范性分析是一种技术，它利用来自描述性分析和预测性分析的分析洞察力来确定最佳行动方案。规范性分析是一种统计方法，它根据算法模型的计算结果生成建议并辅助决策。

总的来说，规范性分析是一种检查数据以查找可用于进行预测和选择最佳行动方案的模式的技术。规范性分析是数据分析的一个子学科，它属于商业分析和商业智能的范畴。

规范性分析有可能通过最大化未来事件或风险的结果并开发算法模型来检查它们来帮助企业做出更好的决策。该技术使用从描述性和预测性来源收集的数据来构建可用于决策的模型。

为什么规范性分析很重要？

规范性分析之所以重要，是因为它超越了典型的描述性和预测性分析，提供了可操作的建议和最佳判断。规范性分析的一些关键意义如下：

1. 决策优化

它通过推荐最佳行动方案来帮助企业做出明智的决策，而不仅仅是预测未来的结果。这在多个变量影响判断的复杂情况下尤其有效。规范性分析可以帮助企业做出数据驱动的判断，而不是凭直觉的判断。这有助于最大程度地减少人为错误或偏差的可能性。

2. 效率

规范性分析可以自动化决策过程，节省检查和处理数据所需的时间和资源。这可以导致生产力和运营效率的显著提高。

3. 主动解决问题

规范性分析不是仅仅预测未来的趋势，而是建议如何处理这些趋势。例如，如果预计某个产品的需求将会增加，规范性分析可以建议订购多少库存以及何时备货。

4. 风险管理

通过模拟替代方案来评估在做出决策之前各种决策的影响，有助于规避风险。这对于金融、医疗保健和供应链管理等行业至关重要。

5. 定制化

规范性分析支持数据驱动的个性化策略，使其在营销、客户关系管理和个性化护理等领域变得非常有价值，在这些领域需要将精确的治疗与个人需求相匹配。

6. 最大化资源

它通过建议如何有效地分配资产、劳动力和资本以实现预期结果，帮助企业有效地分配资源。

7. 简化复杂决策

规范性分析可以模拟多种场景并估计不同结果的概率。这可以帮助企业了解最坏情况发生的可能性，并将其纳入其策略中。

规范性分析之所以重要，是因为它能够通过以数据驱动的方式平衡机会和风险，引导决策者做出最佳决策。

规范性分析是如何工作的？

为了开发任何自动推荐系统，人们都会想到一个精确的基于算法的模型来执行此操作。在了解问题和您寻求的解决方案之前，您无法提出建议。例如，人力资源经理负责对其监督下的团队进行技能提升。但是，他意识到缺乏特定技能的团队成员可能无法参加他正在考虑的升级课程。规范性分析可以帮助解决此类问题，以找出如何继续前进。

算法可以检测出缺乏技能的团队成员，并向他们提供自动建议，让他们在参加此课程之前先参加其他课程学习这些技能。

您必须注意，您获得的建议取决于所提供信息的正确性和创建模型以获得响应的正确性。该建议并不成为面临类似情况的所有人力资源专业人员的规范。开发的每个算法模型都是专门针对特定情况和需求量身定制的。

规范性分析通常遵循以下步骤：

i. 定义问题

为了选择最佳策略，从业人员必须首先明确模型预期预测的内容。不同的模型适用于不同的使用场景。使用正确的模型和数据对于更快、更经济高效地获得最佳结果至关重要。

ii. 数据收集和预处理

该过程从内部和外部来源获取重要数据开始。收集的数据的质量和数量对模型的准确性和效率至关重要。当数据被收集后，它会经过预处理以对其进行清理、转换和准备分析。这可能包括解决缺失值、删除重复项、标准化格式和编码分类变量。数据准备可确保数据一致且可用于建模。

iii. 特征选择和工程

接下来，从数据集中选择或构建相关元素作为模型输入。此阶段包括确定具有预测潜力的信息量最大的特征，这可能需要领域知识来确定哪些变量对预测任务最重要。

iv. 描述性分析和预测性分析

在实施规范性分析之前，企业通常会使用描述性分析来评估过去的绩效，并使用预测性分析来预测未来的结果。描述性分析包括总结和可视化数据以获得对过去趋势和模式的见解，而预测性分析则使用统计和机器学习模型来估计未来的事件或行为。

v. 规范性建模

规范性分析解决方案包括开发数学模型和优化算法，以推荐导致最佳潜在业务结果的业务决策。这些模型考虑了各种因素，包括约束条件、目标、不确定性和权衡取舍。这扩展了描述性和预测性研究的结果，并就组织应如何应对不同的可能性提出建议。

vi. 部署

在成功评估后，模型将集成到操作系统或应用程序中，使它们能够提供关于最佳行动方案的实时预测和建议。这可能包括将模型集成到当前的软件系统、API 或仪表板中，以自动化决策或为用户提供规范性见解。自动化有助于使洞察力的收集和利用更加无缝。

vii. 监控和改进

为了确保模型随着时间的推移保持有效和相关，必须对其进行持续监控和维护。这包括监控模型性能、使用新数据更新模型、定期重新训练模型以及改进模型以响应不断变化的条件或数据模式。

规范性分析的优势

规范性分析提供了各种好处，使其成为希望改善决策和运营效率的企业的宝贵工具。

规范性分析的一些主要好处如下：

• **可操作的洞察力** - 规范性分析提供有关最佳行动方案的具体建议。这使组织能够将洞察力转化为对结果产生直接影响的决策。
• **优化决策** - 它使企业能够根据可用的数据、约束条件和目标来确定最佳解决方案。这在交通运输、医疗保健和金融等行业尤其重要，在这些行业中，最佳决策可以带来可观的成本节约和绩效提升。
• **创收** - 规范性分析可以帮助企业了解其客户想要购买什么以及为什么。这些结果可以通过有关客户及其购买旅程的详细和及时信息来实现。这将有助于管理人员缩短销售周期，并识别和发掘新的交叉销售和追加销售机会。
• **毛利率管理** - 规范性分析模型提供了有关企业应重点关注的最佳产品组合的见解。可以使用当前和预期的市场状况以及客户购买习惯来开发此模型。它将提高企业的效率和盈利能力。
• **降低成本** - 使用正确的算法模型，企业可以确保其拥有改进的库存管理系统。这将有助于降低长期库存存储的成本。它还减少了手动流程的数量及其相关的成本。企业还将更好地控制其支出并提高整体透明度。
• **改进资源分配** - 无论是人员、资源还是财务资本，规范性分析都有助于最大化资源利用率。通过推荐最有效的资源分配策略，企业可以更高效地运营。
• **风险缓解** - 规范性分析通过执行模拟和评估多种场景，帮助企业预测风险并做出主动调整；它有助于选择最具弹性的决策，减少潜在损失并改进危机管理。
• **定制化和个性化** - 它可以帮助将想法和策略个性化以满足特定客户的需求。在营销、医疗保健和定制服务等行业，这将带来更好的客户体验和满意度。
• **实时决策支持** - 规范性分析通常用于实时场景中，使企业能够动态地适应不断变化的条件。这在供应链管理等行业尤其有用，在这些行业中，延迟和错误可能产生深远的影响。
• **降低成本** - 规范性分析通过优化决策，可以在生产计划、库存管理和物流计划等领域带来可观的成本节约。它有助于减少浪费、最大程度地减少停机时间并提高运营效率。
• **增强竞争优势** - 使用规范性分析的组织可以比竞争对手更快、更明智地做出决策。这可以带来更大的创新性、更快地适应市场变化以及更好地抓住机遇的能力。
• **提高预测准确性** - 它不仅预测未来的结果，还建议采取行动来利用或避免特定情况，从而提高预测准确性。这使组织能够将其策略与预测的趋势保持一致。

• 部门间更好的协作 - 规范性分析通过将不同的部门团结在数据驱动的决策方法背后，促进了业务内部的协作和一致性。团队可以共同努力，在明确的方向下实现共同目标。

规范性分析使企业能够不仅分析数据，而且能够快速采取行动，使其成为优化流程、降低风险和提升整体绩效的关键驱动力。

规范性分析的应用

规范性分析的一些关键应用领域如下：

• 医疗保健行业 - 医疗保健行业总体上一直在使用不同的技术来提高效率。规范性分析可以帮助医院和诊所改善患者的治疗效果。它将医疗保健数据整合到情境中，以评估各种手术和治疗的成本效益，以及正式临床方法的有效性。
• 优化旅游和运输行业 - 定价和销售对于旅游行业至关重要；从在线旅游和酒店网站到购票服务、酒店预订等，企业可以使用规范性分析根据客户的视角、选择、路线优化以及不同类型旅行者及其需求的分类来确定定价和销售策略。
• 银行业 - 规范性分析对银行业尤其有利。这是因为该行业的企业一直在寻找新的方法来更好地服务其客户，同时保持盈利。
• 营销 - 规范性分析使营销人员能够创建有效的营销活动，这些活动针对特定时间段内的特定客户，例如在超级碗期间针对特定人群的广告。企业还可以找出如何吸引不同的客户，以及如何成功地为其产品和服务定价和折扣。

随着技术的进步以及医疗部门应用这些技术的步伐，存在着许多有效数据收集和分析的机会。所有这些都有助于获得可行的见解。规范性分析在分析医疗部门的质量风险方面也很有效，尤其是在发现实践中的差异时。它将能够确定特定类型手术的最佳实践，例如膝关节置换手术与修复手术。规范性分析利用患者和临床数据来提高绩效、促进健康和更有效地治疗疾病。

规范性分析的挑战

规范性分析功能强大，但确实存在独特的挑战。以下是您可能遇到的五大问题：

• 难以定义适应度函数 - 为了优化结果，任何规范性分析模型都必须包含一个明确定义的适应度函数（解决方案对问题的“适应度”）。适应度函数是识别最佳解决方案集的基础。但是，得出此函数可能具有挑战性，因为它需要从多个角度彻底了解企业。处理此问题的最简单方法是在早期咨询业务合作伙伴，以确保您开发的算法适合商业结果。
• 复杂的约束条件 - 必须制定参数才能构建能够生成各种解决方案的规范性分析模型。这些参数通常受限制。当它得出的解决方案无法实施时，就会发生这种情况。这可能是由于持续时间为负或公司限制禁止价格变化超过特定金额所致。有两种方法可以处理此问题：确保优化器了解这些规则或将其编码到适应度函数中。
• 数据质量和可用性 - 规范性分析基于大量高质量数据。不完整、错误或过时的数据会导致糟糕的建议，从而降低其有用性。组织经常在从不同来源收集、清理和集成数据方面遇到困难。
• 模型的复杂性 - 预測分析中使用的算法和数学模型可能极其复杂。理解、实施和维护这些模型需要数据科学、运筹学和高级数学方面的专业知识。这可能会阻碍许多企业。
• 对专业知识的需求 - 规范性分析涉及熟练人员，例如数据科学家、分析师和领域专家。此类人才的稀缺性带来了巨大的问题，使得企业难以建立和维持这些系统。
• 与现有系统的集成 - 组织经常难以将规范性分析集成到其现有的 IT 和业务平台中。数据格式、遗留系统和软件平台的不匹配都会在跨部门采用分析解决方案时带来挑战。
• 变更管理和采用 - 规范性分析需要公司文化发生根本转变。员工和管理人员可能抵制采用新技术，特别是如果他们认为这会威胁到他们的角色或不完全理解其益处。
• 动态环境中的不确定性 - 虽然规范性分析对组织良好的问题效果很好，但在动态或不可预测的环境中，其建议可能会出错。外部环境的变化，例如市场状况或监管设置，可能会使以前的建议过时。

规范性分析虽然目前尚未得到充分利用，但可以通过帮助分析师将结果与特定场景联系起来来改进决策。但是，从数据中获取业务价值需要了解实时事件，以便在重要时刻捕获价值。此外，它不仅预测未来；为了快速采取明智的行动，您必须确切地知道该做什么以及何时做。规范性分析满足了企业对这一关键需求。