当前位置:CIO频道技术探讨 → 正文

克服基于预测分析的炒作,以获得更好的业务成果

责任编辑:cres 作者:Philip Kushmaro |来源:企业网D1Net  2018-10-19 10:13:54 原创文章 企业网D1Net

随着数据驱动的解决方案成为常态,企业需要准确了解所有这些流行语背后发生的情况。
 
毫无疑问,机器学习和预测分析已进入公众意识。有几样事情促成了这样的结果。首先,计算能力变得更快、更经济,数据传输速度和存储成本大大提高,这一切都使人工智能(AI)算法能够扩展到高度美化的大数据。但是,企业在匆匆展开人工智能事业前必须警惕各种流行语和人工智能万能的承诺。虽然业务领袖可能对他们所希望的结果有很好的认识,但是很多人都不知道如何实现这一目标,比如数据来源和类型,以及不同类型的机器学习模型的细微差别。
 
随着越来越多的供应商加入人工智能潮流,很多术语(如预测分析和机器学习)已经成为非常受欢迎的营销标签,企业在考察预测分析解决方案时应该牢记这一点。了解这些标签是克服炒作的关键,通过真正的自助式服务解决方案为你的运营团队提供真正的价值,以直接应对团队所面临的业务难题。
 
路灯效应
 
有这样一个老掉牙的笑话,这是关于一个在灯柱周围找东西的人(我听过很多个版本)。他的朋友问他在做什么。他说:“找钥匙。钥匙掉在那边了”,说毕指着一堆灌木丛。朋友问道:“那你为什么要看这里”?那家伙说:“因为这里光线更好”。这个故事俗称路灯效应,该效应描述了一种名为观察偏差的东西,指的是哪里最便于找东西就在哪里找的这样一种习惯。人们在谈论预测分析和机器学习时,当开发人员把算法应用到这样的地方时,即他们认为会找到最佳洞察或发现问题,路灯效应可能会出现在预测分析中,这也是需要考虑的因素。。
 
例如,如果一家公司说它正在应用机器学习,但这只是一个小小的功能,开发人员仍需手动配置搜索参数(例如游戏开发中的‘错误’检测),那么,对分析师来说,这样的功能和操作产生的影响并不大。直到最近,大多数机器学习模型都准确地预测了人们训练它们预测的东西,因此它们所做的预测并不比用于提供训练的数据高明到哪里去。新一代真正的机器学习算法(人们无需告诉它去哪里考察数据,它可以从经验中学习)有望彻底改变企业的运营方式。最终,这些算法应该为分析师提供真正的自助式运营预测,而不依赖于数据科学(Data Science)和数据运维(Data Ops)团队。你得到的是哪一种结果?
 
静态数据还是实时数据?
 
另一个很重要的问题是数据源本身正在迅速变化。直到最近,我们一直局限于使用“静止数据”——独立且固定的数据集。“静止数据”提供了有价值的历史背景,这样的背景使人们可以根据过去的经验进行业务预测。但是,物联网(IoT)技术、传感器等连接起来的数据源以及社交媒体方面的信息来源如今为我们提供了新的有意义的数据来源,这些来源随时间的变化而变化。
 
实时数据的应用开辟了一个令人兴奋的预测分析的新分支,该分支名为异常(或离群值)检测,或开辟了发现异常行为的能力。当我们谈论企业的由数据驱动的洞察时,这样的能力显然是无价的——发现你不知道会发生的问题,而且这些问题可能会导致你必须在未来处理问题。
 
异常检测如何改善驾驶体验
 
事实上,异常检测已经得到了利用。最近,最受欢迎的众享导航系统Waze向一家总部设在特拉维夫的名为Anodot的公司求助,希望后者能帮它找到无法预料的问题。Waze分析小组的经理Orna Amir博士说:“Anodot正在帮助我们发现异常现象,并找出司机可能察觉不到的问题,但我们可以从大方向上看出差异。这些变化不会使驾驶变得更快。但是,使用Anodot有助于公司了解用户偏好,例如检测某些国家/地区的趋势,或者未充分发挥潜力的功能,这将有助于我们为用户提供更好的体验。”
 
Anodot的平台从大局上把握数据的全貌。为了检测一切异常事物,机器学习将分析所有的数据历程和数据流,然后发出警报以示进一步行动,而不是让人们来告诉它要考察的对象在哪里。
 
工作场所的预测分析
 
航运巨头联邦快递(UPS)最近还宣布,他们已开始使用新一代实时预测分析算法来优化运输网络里的包裹的移动。联邦快递于2016年推出了ORION算法,但这种新的名为Harmonized Enterprise Analytic的工具是内部开发的,该工具如今将提供过去分散在不同应用程序中的功能。
 
联邦快递的首席信息官Juan Perez向华尔街日报表示:“如今,我们广泛使用数据进行规划,但是我们可以获得更多包裹状态方面的实时数据,我们可以更好地了解网络中的所有异常情况,这有助于我们生成改进的计划,从而管理整个网络”。预测分析使联邦快递可以分析需求,使它可以将卡车和飞机引导到最需要的地方,以改善服务并节省资金。联邦快递表示,该工具的下一个版本将采用人工智能实时确定最佳行动,以消除决策过程中人为因素造成的瓶颈。
 
知道的越多,结果就越好
 
尽管有成功案例颇多,但麦肯锡全球研究院于2017年公布的一项研究发现,很多业务领袖仍然不确定基于人工智能的技术究竟能为他们做些什么。好消息是,同一项研究发现,“采用工智能的公司相比于那些只是对人工智能做各种试验或只采用了一部分人工智能的公司,前者使用人工智能发展市场的可能性要高出后者27%,前者使用人工智能增加市场份额的可能性要高出后者52%。”
 
知识才是关键。随着预测分析的不断发展,对于企业领导者来说,学习和理解所有定义以及从现实中剔除炒作,这非常重要。如果有供应商告诉你,它正在使用机器学习,请确切了解机器将要做什么,你将继续做什么,以及这将以怎样的方式帮助你的运营和分析师。请你不要犹豫,赶紧提出问题并明确说出你的目标。你越了解自己能从预测分析得到的东西,你就能更快,更有效地优化业务成果。

关键字:人工智能 机器学习 预测分析

原创文章 企业网D1Net

克服基于预测分析的炒作,以获得更好的业务成果 扫一扫
分享本文到朋友圈

关于我们联系我们版权声明友情链接广告服务会员服务投稿中心招贤纳士

企业网版权所有©2010-2020 京ICP备09108050号-6

^