著名理论物理学家斯蒂芬霍金说：“人们很容易将高度智能机器的概念视为科幻小说。”
人工智能 (AI) 是全球商业界改变游戏规则的技术，包含三个不同的子学科：机器学习(毫升),自然语言处理（自然语言处理），和认知计算. 业务分析中的自动化解决方案使用所有这些子技术，但程度不同。大多数先进的分析平台都采用了 ML 或
深度学习 (DL) 技术来保持市场竞争力。
根据高德纳，到 2021 年，40% 的新企业应用程序将包含人工智能技术。另一方面，组织充斥着数据；当前的挑战是从“海量数据”中提取竞争情报。计划在数字海啸（大数据和物联网）中幸存的企业都制定了明确的业务战略，将数据、分析和
人工智能连接到整个运营环境中。
随着人工智能技术的进步，“自主分析”和自助式 BI 将逐渐成为常态而非例外。数据科学的民主化一直是业务用户不断增长的需求，现在机器学习驱动的分析将是实现它的又一步。自助
机器学习的基础知识指出嵌入式 ML 模型和本地 ML 智能之间可能存在的争斗，用户将不得不在所有自助式 BL 平台中解决这些问题。
按需洞察：背景
这一切都始于 2017 年，当时市场研究行业开始考虑市场研究实践的“民主化”。这种思维方式为市场研究专家带来了革命性的趋势：“洞察力”的民主愿景导致技术与业务流程的融合，以实时提取客户情报。
今天，这不仅仅是一种市场研究趋势。它为所有试图了解客户的行业设定了趋势。因为客户为王，所以使用具有可用客户数据的技术来更好地了解客户的偏好、品味和态度是一个好主意。按需洞察：在按需经济中取得成功，由 ITWP 首席执行官和创始人撰写，弗雷德里克-查尔斯·佩蒂，为所有营销人员和业务用户提供课程。这本书可以帮助任何读者，无论其业务角色如何，了解在按需（实时）经济中对客户洞察力的高度需求。
ML 驱动分析的本质是“按需洞察”，普通业务用户必须学会将可用技术与不断变化的市场情绪相结合，以更好地了解客户需求。这个想法是使用自动化分析解决方案来访问和应用现成的“洞察力”以进行即时决策。
大数据在业务分析中的作用正在迅速扩大，这是支持机器学习的分析最有效的领域之一。当今的商业用户和客户希望获得授权；除其他外，支持 ML 的分析承诺授权。
按需洞察：新兴企业的新前沿
这DIKW 金字塔（数据金字塔），将“数据”作为价值金字塔的最低层，将“信息”作为下一个更高层次，将“知识”作为金字塔的最高点。DIKW 金字塔的隐藏含义是：要让“数据”转化为“智慧”，必须有一个非常聪明的人或非常聪明的机器存在。最近，解决方案如IBM Cloud Pak for Data提供数据和智能机器的组合，它被描述为用于收集、组织和分析数据的自动化平台。缺乏财务实力来投资昂贵的数据中心、高端硬件和应用程序以及昂贵的人员的企业现在可以求助于云解决方案提供商来满足其所有数据中心需求，而无需任何内部投资、管理难题或运营障碍. 有趣的是，外包分析服务提供商通常配备企业级分析和 BI 系统，这将为订阅的业务用户提供即时访问“按需洞察”的机会。
支持机器学习的分析：新机遇
近期的进展自动化机器人或机器学习等技术已经在特定行业领域产生了真正的价值。例如，澳大利亚矿山的自动运输卡车使利用率提高了 10% 到 20%；Google 使用 ML 解决方案将能源使用量减少了 40%；金融服务可以通过自动化流程提高吞吐量并减少错误。
但是，全球企业如何应对当今市场上广泛使用的大量自动化分析平台？其实还挺优惠的。支持机器学习的分析的好处无处不在——亚马逊推荐引擎、关于中止（可疑）交易的银行通知，或者优步将汽车送到您家门口，这些都是支持机器学习的大
数据分析的结果。
黄鳍金枪鱼是 AI 和 ML 分析和 BI 解决方案的先驱，它向客户保证，支持 ML 的分析将显着节省成本、节省时间并提高整个企业的创新率。
支持机器学习的分析：挑战和障碍
麦肯锡报告题为分析、人工智能和自动化领域的现在和未来列出了支持 ML 的分析的以下挑战：
从大型运营中的遗留系统过渡
各种类型的数字化中采用的巨大差异
较新的数据类型
各行业的数字化不均衡——媒体、金融服务和 ICT 行业似乎正在引领自动化浪潮，而零售等劳动密集型行业则处于早期阶段
美国、法国、欧盟、德国和意大利正在向前发展，而新兴经济体则远远落后
跨境数据流突飞猛进，引发安全和隐私问题
从大量数据中分离有用的数据集以获得相关见解
用于捕获企业内跨职能数据的自治架构
缺乏内部专业知识来处理全方位的数据科学活动
修改现有业务流程以将洞察力纳入工作流程
培训人力以正确解释数据驱动的见解
过度依赖可获得行为数据的人口统计数据
数据丰富的环境中的人为偏见或错误
一个最近的麦肯锡调查 超过 500 位跨行业的高管透露，“超过 85% 的人承认，他们在实现为数据和分析计划设定的目标方面仅在一定程度上有效。”
支持机器学习的分析用例：BFSI 部门
这分析印度杂志题为AI 和 ML 支持的数据分析如何改变 BFSI 行业的文章恰当地描述了改变银行、金融服务和保险 (BFSI) 行业的自动化革命。
由于广泛的数字化颠覆和严格的监管要求，银行、金融科技和保险企业被迫对其业务运营进行现代化改造。现代化的结果主要表明技术升级，在数字化改造的银行、金融服务和保险行业中显而易见。
由于大量的客户和交易数据以及不断增长的监管要求，BFSI 部门非常适合数字化颠覆。今天的 BFSI 部门客户不仅更好地了解他们所做的选择，而且他们在购买过程中也感到更有能力。支持机器学习的分析等先进技术已经彻底改变了他们的客户体验。
在 BFSI 领域使用支持机器学习的分析的直接好处可以总结为：
通过聊天机器人、推荐器和数字助理增强客户体验
通过知情的数字助理提供量身定制的咨询服务
欺诈检测和关于可疑交易的及时警报
自动化监管合规
库存预测
自动化的未来障碍
随着疯狂的步伐自动化技术面对现代商业世界，未来的采用将取决于以下因素：
承诺解决方案的技术可行性研究
采用成本（开发和部署）
自动化与劳动力市场的比较研究
评估不仅仅是劳动力替代的商业利益
监管障碍
社会接受度
按需洞察的艰巨考验：预测分析
想想大数据中的模式识别——不，人类永远无法靠自己做到这一点。以华尔街投资者或股市为例：他们依靠先进的人工智能工具来预测市场走势。人工智能工具还可以分析公众情绪（情绪分析），与历史数据相比，可以帮助预测股票表现。使用自动化工具进行预测分析的最大好处是完全消除了“人为偏见”因素。
这个矿工帖子讨论如何将 ML 和 DL 一起用于需求、欺诈和故障预测。在零售业务中，零售商经常使用预测模型来修改产品定价。汽车经销商使用基于机器学习的预测模型来预测汽车零部件何时发生故障，从而提供及时的售后服务。
的作用未来的商业分析师在人工智能和机器学习世界的商业分析师中有所描述。在接下来的 10 年中，人类业务分析师最终将与自动化系统合作，以“分析、衡量和改进业务流程”。
扫码加好友，拉您进群
全部版块
我的主页
收藏
