對於想要實踐數字化轉型的企業來說，僅僅通過歷史資料來了解過去發生了什麼是遠遠不夠的。有效的資料利用能夠幫助企業獲得有關未來商業機會和風險的具有前瞻性的洞察。Forrester的調查資料顯示在眾多大資料專案規劃之中，預測分析已經成為了中國企業最為重視和迫切需要採用的戰略發展議題。
在客戶時代(AgeoftheCustomer-AoC)，為了能夠成功利用預測分析獲得商業價值，企業需要的不僅僅是採購和部署一個技術平臺。實際上，企業架構專業人士應該以結果為導向的方式來規劃自身的預測分析能力發展路線圖。著眼於整個客戶生命週期，確保在技術發展的整個過程中都有來自業務部門的充分參與，將預測分析作為企業大資料架構的核心組成部分來發展。
理解業務對於企業構建預測分析能力的重要意義
預測分析如果不以業務為導向則將功虧一簣。這不僅因為企業業務部門擁有對技術的投資決策權，而且他們也往往負責領導該項技術日後的運營和支援工作。這主要是由於技術預測演算法並不是萬能的，它們在迴歸過程中人工介入，對輸入引數進行優加速形成有意義結果的收斂過程。為了實現這個目標，企業架構人員應該：
·以業務為依據設定各種技術議題的發展優先順序。每種業務類別的資料匯聚、標籤標定和資料處理都需要時間，特別是模型訓練和演算法優化環節。因此，企業應當在技術部署之前就開展資料準備工作，並按照業務需求給予相應技術以資金支援，從而更有效的支援業務發展。
·關注與業務干係人的合作。企業架構專業人士應當建立與業務管理層的溝通機制，確保對方對於預測分析有著合理的預期和理解。在預測分析結果與業務預期嚴重不一致的情況之下，企業架構專業人士應當嘗試從差異中發現業務機會和風險，並將特殊情況進行充分溝通。
·實現不同業務領域專家和資料科學家之間的有效協作。企業各業務領域的專家往往對於客戶行為、業務情境十分了解，而這些資訊對於有效企業預測分析模型的構建至關重要。另一方面，資料科學家則是演算法領域（包括樸素貝葉斯、支援向量機、神經網路等）的專家。以上兩類資訊輸入對於企業構建有效的預測模型必不可少。因此，在開展預測分析模型訓練的時候，企業架構專業人士應當有效協調溝通雙方面的資訊，避免資訊遺漏和誤讀。