---
title: "預測性分析（Predictive Analytics）"
slug: predictive-analytics
language: zh-TW
source: https://aiterms.tw/terms/predictive-analytics
updated_at: 2026-04-29
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

### 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：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-predictive-analytics