现如今，云应用程序可谓是相当热门。如果说在10年前，企业对于是否将他们的关键任务业务流程托管到云服务尚存在一番纠结与挣扎的话，今天的云服务已然成为了主流了。无论是客户关系管理(CRM)程序、ERP或是人力资源管理应用程序，云应用程序已然为各种规模的企业带来了巨大的价值。据Gartner估计，在2012年，40%以上的CRM收入都归给了SaaS。而到2016年，这一市场份额将增加到50%以上。

　　最近，我参加了在旧金山举办的Salesforce客户大会。salesforce.com的CEO马克·贝尼奥夫在会上介绍了他们强大的龙头企业客户阵容：诸如通用电气公司、宏盟集团，以及一些像Trunk Club这样的新客户均在salesforce.com上运行面向客户的交互应用程序。这听上去无疑让人感到非常振奋。

　　云应用的障碍依然存在

　　虽然面对着朝着云服务大局迈进的势头不可逆转，但仍然有一些企业不愿将其关键业务流程转移到云服务。既然现如今的大部分云服务均已经解决了安全性、可扩展性、延迟性和正常运行时间等老借口的问题。那么，为什么还有企业会对于是否采用云服务犹豫不决呢?最主要的原因是这些企业不想放弃关键的预测功能，而这些功能根植于其核心业务流程，如交叉销售、下一步的营销活动策略或客户流失管理。对于一家大中型联络中心(其通常在一个月内需要处理数百万调用)而言，失去交叉销售能力所带来的营收损失将是惊人的。

　　根据我的经验，这是诸如甲骨文、SAS、IBM Unica、SAP和Pegasystems这样的企业内置应用程序较之他们的云同行唯一仅存的优势了。

　　预测分析解答了这些问题

　　通过预测分析，可以使得诸如交叉销售、客户流失管理和个性化的建议等客户交互过程变得更加智能。预测引擎分析大量从CRM系统、网络、移动流量和社会媒体收集的数据，并解答诸如“哪些客户可能会流失?”或“那种商品是客户最可能购买的?”等问题。这最终将使得交互作用能够为企业带来更多的利润和更多相关的客户。

　　鉴于预测分析的应用是如此的重要，那么其又是依托什么进行分析的呢?

　　现实情况是，提供预测应用程序是不容易的。大多数现有的预测应用是由专业的具有博士学位的数据科学家带领许多IT专业人员团队在大量企业内部调研基础上定制开发的。为云应用提供预测应用程序从根本上需要有新的设计要求。具体而言，其具有三个主要的挑战需要解决：

　　1、自动化:企业不可能为其每一个营销方案、项目、网站等都简单的安排大量数据科学家手工制作预测分析云模型。传统的预测建模是手动式的，需要几天或几周的时间才能产生一个单一的模型。在如salesforce.com这样的多租户云环境，有超过150000名客户，每一家都有不同的数据和底层数据模型，这使得任何为每个客户尝试手工制作预测建模都成为了不可能完成的任务。

　　2、物理问题:大多数公司都有分布式数据。数据存储在多个云系统中(如CRM在salesforce.com、ERP在Netsuite、网络流量在Adobe)，同时还经常有大量的本地数据源(例如计费数据)。物理定律仍然排除了TB级的数据,所以预测引擎需要具备在在分布式环境中分析的能力。

　　3、应用程序的打包：云用户通常不知道何谓数据科学，所以他们通常需要简单的用户界面以打包的应用程序。这需要应用程序能够嵌入到最佳实践方案中，进行交叉销售、追加销售，相关现状已经证明了云客户没有足够的时间、成本和技能来建立他们自己的内部部署应用程序方案。

　　毫无疑问，将预测应用引入到云计算系统可以提供巨大的价值。一些最成功的企业都依赖于类似的技术运行他们的业务。但是，对于那些完全采用云应用程序的公司，他们需要对云供应商可以提供这些相同的功能有足够的信心。

　　有很多初创公司正专注于大数据和预测分析。一些针对传统的分析与现代方法由SAS和IBM主导的市场，而另一些则专注于新的分布式基础设施，如Hadoop。现在，是时候采用各种最好的新方法，使云系统变得更加智能化了。