文章转翻译转载自：
THE DIFFERENCES BETWEEN DESCRIPTIVE, DIAGNOSTIC, PREDICTIVE & COGNITIVE ANALYTICS
Eric Wilson, ACPF
埃里克是商业预测学会(IBF)的思想领导力董事，他在埃斯卡拉德体育、坦普尔西利和贝瑞塑料公司领导计划职能后担任这一职务。在2016年，他获得了 IBF 卓越的业务预测和规划奖。是《商业预测预测分析》的作者。他是 IBF 高级认证专业预报员(ACPF)。
由于大数据、计算飞跃和分析工具日益增多，一个新的数据分析时代已经出现，并且在这个过程中已经彻底改变了规划领域。随着数据的爆炸式增长以及将其作为一种竞争工具的越来越强烈的愿望，企业的关注正在从背后的数据库转向面前的事物，甚至规划自己的发展道路。
托马斯 · 达文波特和珍妮 · 哈里斯在他们的《分析竞争》一书中，描述了信息程度上的竞争优势，或者他们所说的智慧。作者把这些分为两个象限: 一个是描述性的，或者我称之为传统的或被动的，另一个是预测性的，或者我称之为革命性的和主动的。在此基础上，我们可以进一步研究从单纯的描述到过去的预测再到规定，甚至是一些人所说的认知。随着我们的继续，图表允许我们看到我们每个分析类型提供了哪些好处(图1)。
当你沿着 x 轴和 y 轴向上时，你的竞争优势就会增加。但是，无论你的过程落在图表上的哪个地方，所有这些过程和输出都是为了支持决策。根据工作流程的不同阶段和数据分析的需要，分析主要有描述性分析、诊断性分析、预测性分析、规范性分析和认知性分析五种。这五种分析方法通常是分阶段实现的，没有哪种分析方法比其他方法更好。它们是互补的，在某些情况下，如果不首先使用更基础的分析，你就不能使用更复杂的分析。
成功在于在同一战略框架内协调所有这些方法。重要的是要理解，不管是描述性的还是预测性的，所有级别的分析都能提供价值，而且都在不同的应用程序中使用。也就是说，那些现在真正利用分析来获得竞争优势的公司正在使用预测分析分析，而正是这种分析方法推动了当今需求规划领域的革命。
描述性分析
这是分析的最简单阶段，出于这个原因，今天大多数组织使用某种类型的描述性分析。最简单的定义方法是收集和解释数据以描述已经发生的事情的过程。在大多数情况下，企业生成的大多数报告都是描述性的，试图总结历史数据，或试图解释为什么过去的一个事件与另一个事件不同。除了报告之外，一些查询和分类过程可以归入描述性分析的范畴。我们可以使用这一级别的高级机器学习算法进行更复杂的数据挖掘和聚类，这有助于我们为其他类型的分析准备数据。
描述性分析使用原始数据，通过数据聚合或数据挖掘，提供了对过去的有价值的洞察力。然而，这些发现仅仅表明某些事情是错误的或正确的，而没有解释为什么。出于这个原因，更成熟的需求规划功能不满足于仅仅进行描述性分析，而更喜欢将其与其他类型的数据分析结合起来。
诊断性分析
在这个阶段，你可以开始回答一些为什么(why)的问题。历史数据可以开始与其他数据进行比较，以回答为什么过去发生了某些事情的问题。这是一个收集和解释不同数据集以识别异常、检测模式和确定关系的过程。使用诊断分析的一些方法包括警报、向下钻取、数据发现、数据挖掘和相关分析。这可以包括一些使用比率、可能性和分析结果分布的传统预测技术。监督式学习的分类和回归训练算法也属于这种类型的分析。
大多数商业智能都没有达到这个阶段，只是停留在报告 KPI 或历史数据上。聘用经验丰富的需求计划人员的公司会选择诊断分析，因为它能深入洞察问题，并提供更多信息来支持业务决策。然而，与此同时，诊断分析意味着我们是被动的，即使与预测同时使用，我们也只能预测现有的趋势可能会继续下去。
预测性分析
一般来说，预测分析智能是一类商业智能，它使用来自过去的描述性和预测性变量来分析和识别未知的未来结果的可能性。它汇集了大量的数据挖掘方法、预测方法、预测模型和分析技术，以分析当前的数据、评估风险和机会、捕捉关系并对未来做出预测。在这个阶段，你不再只是问发生了什么，而是问为什么会发生，以及未来会发生什么。
通过将许多传统的预测技术成功地应用到更先进的机器学习预测算法中，企业可以有效地解释大数据，从而获得巨大的竞争优势。不幸的是，大多数公司仍然只是抓住了预测分析能力的表面，仅仅在图1的绿色阴影区域运作，卡在“已经发生了什么”和“可能发生什么”之间。这就是传统商业预测的局限性。他们错过了更宏观的图景---- 预测分析是一种新的、更好的理解商业的方式。他们没有意识到，预测分析可以让你了解需求驱动因素，然后利用这些知识积极主动地对市场做出反应。
规范性分析
规定性分析是分析学发展的下一步:
- 我们在描述阶段收集的数据告诉我们发生了什么
- 再加上诊断分析告诉我们为什么会这样
- 把这些信息和那些告诉我们什么时候可能再次发生的预测分析结合起来
其结果是规范性的分析，它将突出显示您现在可以实现的内容。规范性分析是数据、数学模型和各种业务规则的组合，用于推断影响未来期望结果的行为。有些人称之为需求塑造，但它也可以包括模拟、概率最大化和优化。
规范性分析的性质相对复杂，许多公司尚未在日常业务活动中使用它们。诚然，要始终如一地在这种成熟度水平上运作，这需要新的人员、流程和技术，以及整个组织的分析驱动文化。也就是说，如果实施得当，它可以对业务增长产生重大影响，并成为竞争性的游戏规则改变者。像亚马逊、塔吉特和麦当劳这样的大型组织已经在他们的需求计划中使用了规范性的分析，以优化客户体验和最大化销售。
认知性分析
如果我们可以利用所有的分析和数据，软件可以自己学习，而不用我们告诉它该怎么做，这不是很好吗? 欢迎来到认知分析。认知分析集合了许多智能技术来实现这一目标，包括语义学、人工智能算法和许多学习技术，如深度学习和机器学习。应用这些技术，认知应用程序可以变得更加聪明和自我修复，并随着时间的推移通过学习与数据和人类的交互变得更加有效。通过这种方式，我们甚至可以开始模糊物理世界和虚拟世界之间的界限，使流程和处理自动化，从而带来需求计划的新能力。