补救一下。 预测分析的大多数早期用途dou集中在消费者应用程序上， 在这些应用程序中Ke以从大量用户那里收集大量数据，从而geng容易证明在数据采集、处理和模型开发方面的大量投资是合理的。hen难了解预测分析的投资回报率，主要原因是这是一项复杂的工作。它远远超越了传统的统计和概率技术， 通常使用机器学习，甚至在某些情况下采用进行预测。数据驱动的方法非常适合于自动化IT系统管理， 主要原因是现在的基础设施Ke以提供大量的事件日志、系统遥测、性Neng指标。

预测性存储分析的功Neng介绍

栓Q了... 系统软件geng新和修补功Neng主动应用修补程序，包括解决以前发现的系统问题的修补程序。一些供应商使用分析使beta或alpha级别的代码， 仅对遇到特定问题并满足硬件或其他系统要求的站点可用，希望该修复程序Neng够解决紧急问题，而不会不必要地危及其他客户的可靠性。

由于企业在监管要求下必须以负责且透明的方式使用客户数据，对客户隐私和数据的关注也将增多。预测性分析在客户智Neng中发挥着至关重要的作用，帮助企业获得对客户行为、偏好和需求的宝贵洞察。通过识别潜在客户、 分析客户行为、预测客户需求、个性化客户体验和留存客户，企业Ke以使用预测性分析在市场中获得竞争优势。企业还必须意识到预测性分析的挑战和局限性， 包括数据质量和数量、对预测模型的过度依赖以及伦理方面的考量。

预测性存储分析的应用案例

因为企业不断收集和分析大量数据，对预测性分析软件和工具的需求只会继续有增无减。由于企业在监管要求下必须以负责且透明的方式使用客户数据， 我开心到飞起。 预测性存储分析和其他人工智Neng衍生技术作为未来产品评估的关键点。

案例分析：HPE公司的InfoSight

比方说 除了在客户意识到问题之前预测和解决问题之外HPE公司声称InfoSight将管理和解决存储相关问题所花费的时间减少了85%，并节省了79%的运营费用，累并充实着。。

由于训练数据集仅由存储软件供应商用于预测模型开发， 所以呢不需要识别特定客户的信息，并且每个客户部署Ke以从其他客户的经验中受益。先说说存储供应商使用聚合数据来改进所谓的机器学习或深度学习培训阶段的预测模型。 离了大谱。 然后他们将模型推送到系统管理软件，该软件在推理阶段从各个系统中提取实时监控数据。其他模型用于系统配置、容量规划和故障排除，以施行根本原因分析。

预测性存储分析的未来展望

预测算法正在成为存储平台上的标准设备， 与存储管理的被动方法相比，它具有许多优势。这些包括：，这事儿我可太有发言权了。

• 支持自动化预测并防止性Neng、容量、可用性和平安问题。
• 容量管理是预测性存储分析软件Zui常见的应用程序。
• 模型Ke以实时分析每个设备、 数量和应用程序的使用情况，并在达到使用目标时主动发出警报。

预测性存储分析工具正在成为企业采用的标准设备。人们需要了解它们的功Neng、 掉链子。 工作方式以及提供的好处。

这一需求促使边缘环境成为一个数据密集型的活动中心， 要求geng强大的本地计算和存储Neng力， 差不多得了... 以实现高效的实时分析、预测性维护和运营优化。