數(shù)據(jù)可以成為公司最有價值的資產(chǎn)，為預(yù)測從未來收入到購買行為和客戶保留等所有方面提供基礎(chǔ)。許多公司擁有完善的商業(yè)智能(BI)團(tuán)隊，可以審查和分析歷史數(shù)據(jù)以了解績效和管理趨勢。

但是，當(dāng)公司想要超越傳統(tǒng)的歷史分析以整合預(yù)測分析和人工智能(AI)時，他們在尋找所需人才和工具方面面臨挑戰(zhàn)。數(shù)據(jù)科學(xué)家很難招聘，而且他們受過培訓(xùn)，更多地關(guān)注研究和模型準(zhǔn)確性，而不是實現(xiàn)特定的業(yè)務(wù)成果。

對于企業(yè)來說，要充分利用他們的數(shù)據(jù)，關(guān)鍵是彌合數(shù)據(jù)科學(xué)和BI之間的鴻溝。這兩個領(lǐng)域都分析數(shù)據(jù)以推動業(yè)務(wù)發(fā)展，但每個領(lǐng)域都有優(yōu)勢和局限性。

經(jīng)典商業(yè)智能

經(jīng)典BI很好理解：它主要側(cè)重于解釋過去的事件和趨勢，并將它們呈現(xiàn)在易于理解的聚合報告和儀表板中。BI的一個局限性在于，生成的洞察力通常是假設(shè)驅(qū)動的，旨在通過查看具有相似特征的大部分人來解釋過去發(fā)生特定趨勢或行為的原因。

但如果沒有機(jī)器學(xué)習(xí)(ML)，BI就無法提供精確、超細(xì)粒度的洞察，直至單個客戶級別。大多數(shù)BI團(tuán)隊也沒有實施預(yù)測建模所需的深度統(tǒng)計分析培訓(xùn)。

這就是數(shù)據(jù)科學(xué)應(yīng)該提供幫助的地方。到目前為止，數(shù)據(jù)科學(xué)常常未能實現(xiàn)對許多企業(yè)的承諾。預(yù)測性和規(guī)范性模型很難部署，而且大多數(shù)項目從未投入生產(chǎn)。與此同時，公司面臨著量化其ML和AI投資所產(chǎn)生的業(yè)務(wù)影響的挑戰(zhàn)。

為了解決人才短缺以及數(shù)據(jù)科學(xué)與業(yè)務(wù)優(yōu)先事項之間的脫節(jié)問題，新的高級分析解決方案可幫助公司利用現(xiàn)有的業(yè)務(wù)分析人才。

業(yè)務(wù)分析師通常與特定部門或業(yè)務(wù)線密切合作，因此這些專業(yè)人員知道他們的組織如何捕獲數(shù)據(jù)以及他們?nèi)绾蝿?chuàng)造和衡量業(yè)務(wù)價值。此外，今天的許多業(yè)務(wù)分析師都渴望訪問自動化統(tǒng)計分析、機(jī)器學(xué)習(xí)和數(shù)據(jù)清理，以便他們可以專注于解釋和應(yīng)用為公司提供更多價值的預(yù)測模型。

BI團(tuán)隊了解數(shù)據(jù)以及對業(yè)務(wù)重要的內(nèi)容。他們可以與業(yè)務(wù)領(lǐng)導(dǎo)者一起回答以下問題：您希望改進(jìn)哪些指標(biāo)?您是否正在嘗試增加收入、減少客戶流失或增加客戶生命周期價值?這些不同的目標(biāo)將指向分析數(shù)據(jù)的獨特方法。

應(yīng)用人工智能

將AI功能應(yīng)用于BI數(shù)據(jù)已將分析從總體上看過去轉(zhuǎn)變?yōu)轭A(yù)測單個客戶的未來并突出營銷機(jī)會。這可以幫助回答許多問題：

移動游戲發(fā)行商應(yīng)該多久向玩家提供一次特定的促銷活動以吸引他們重返游戲?

電子商務(wù)公司應(yīng)該提供多少折扣來贏回過去兩個月內(nèi)沒有購買但其預(yù)測生命周期價值使他們成為VIP類別的客戶?

如果客戶有90%的可能性會自行返回，營銷團(tuán)隊是否應(yīng)該將營銷資金用于重新定位他們或?qū)①Y金轉(zhuǎn)移到不同的計劃或活動?

BI只能向您表明玩家和客戶之間存在聯(lián)系，他們收到了特別優(yōu)惠并再次返回玩或購買-但這種聯(lián)系只表明人們喜歡免費的東西和折扣。它并沒有告訴我們哪些客戶會在未來的特定時刻真正喜歡特定的優(yōu)惠。

預(yù)測分析無需向一大群人提供相同的優(yōu)惠，而是可以確定哪些客戶最有可能自行返回，哪些需要促銷。有了這些信息，公司就可以將其營銷定位于特定客戶，這些客戶將在正確的時間對這一推動做出最好的反應(yīng)。

以精確性和自動化為基礎(chǔ)的業(yè)務(wù)效率對于獲得和保持規(guī)模至關(guān)重要，尤其是在資源因充滿挑戰(zhàn)的市場條件而受到限制時。預(yù)測模型提供了客戶未來的一瞥。當(dāng)在將BI和數(shù)據(jù)科學(xué)結(jié)合在一起的軟件平臺中構(gòu)建和部署時，許多公司都可以使用這些預(yù)測功能。

如果我們想最大限度地為能力強(qiáng)大、數(shù)據(jù)豐富的BI團(tuán)隊帶來更多的機(jī)會，為企業(yè)帶來更多價值，那么數(shù)據(jù)科學(xué)和業(yè)務(wù)分析之間的鴻溝就需要彌合。

實現(xiàn)人工智能預(yù)測的飛躍

為了開始利用他們的BI數(shù)據(jù)并實現(xiàn)AI預(yù)測的飛躍，公司應(yīng)該考慮這些步驟，以最大限度地利用他們的數(shù)據(jù)和團(tuán)隊的潛力。

從心中的問題開始。專注于您想要轉(zhuǎn)移的業(yè)務(wù)需求，并具體了解如何使用預(yù)測分析來實現(xiàn)這一目標(biāo)。如果客戶最近沒有購買過東西，那么激勵他們這樣做很重要，但找到激勵和渠道的正確組合可能會很棘手。這是人工智能可以幫助解決的問題。例如，數(shù)據(jù)分析師可以使用基于預(yù)測模型的評分系統(tǒng)來自動識別可能響應(yīng)更大折扣并保留更長時間的客戶。這種能力意味著您可以通過更深入地了解讓每位客戶回頭的原因來預(yù)測和塑造未來的客戶結(jié)果。

不要強(qiáng)調(diào)“完美”的數(shù)據(jù)。一個新的數(shù)據(jù)項目可能需要數(shù)周的驗證和數(shù)據(jù)預(yù)處理。如果您的團(tuán)隊中有業(yè)務(wù)分析師使用Looker和Tableau等工具，那么您可能有大量數(shù)據(jù)可供他們分析。您不需要確保每個數(shù)據(jù)點都被考慮在內(nèi)。您可以使用已有的數(shù)據(jù)來創(chuàng)建預(yù)測分析。如何使用您的BI-ready數(shù)據(jù)，這意味著數(shù)據(jù)已經(jīng)處于可以驅(qū)動經(jīng)典分析的狀態(tài)，并選擇一個預(yù)測分析解決方案，該解決方案可以自動化耗時的數(shù)據(jù)準(zhǔn)備以創(chuàng)建AI-ready數(shù)據(jù)集。在進(jìn)行任何特征工程并創(chuàng)建單個模型之前，它可以為您節(jié)省數(shù)月的數(shù)據(jù)預(yù)處理時間。

設(shè)計A/B測試以驗證預(yù)測的準(zhǔn)確性。A/B測試是嘗試新變化和方法(如預(yù)測建模)的最快方法之一。開發(fā)模型后，應(yīng)針對使用您的常規(guī)方法處理的控制組測試使用它的效果，例如您可能用于確定提供給客戶的報價的業(yè)務(wù)規(guī)則。如果您不測試模型如何集成到您的業(yè)務(wù)流程中并將其影響與對照組進(jìn)行比較，那么您無法確定該模型是否會產(chǎn)生您想要的業(yè)務(wù)成果。

豐富您擁有的數(shù)據(jù)。您的內(nèi)部交易和客戶數(shù)據(jù)是預(yù)測分析的理想起點。而且，盡管沒有必要，一些企業(yè)也受益于使用外部數(shù)據(jù)源豐富他們的數(shù)據(jù)，例如天氣、假期和公共衛(wèi)生數(shù)據(jù)。自動化豐富是確保額外數(shù)據(jù)流不斷為模型的準(zhǔn)確性和實用性增加價值的最快方法之一。

計劃模型監(jiān)控和再培訓(xùn)。有一個普遍的誤解，即機(jī)器學(xué)習(xí)模型會隨著時間的推移完全靠自己變得更好。事實恰恰相反——模型的保質(zhì)期通常很短。它們會在一段時間內(nèi)工作得很好，但隨著您的企業(yè)根據(jù)模型制定不同的策略以及客戶行為發(fā)生變化，它們的性能會隨著時間的推移而變化。許多雇傭數(shù)據(jù)科學(xué)家的公司發(fā)現(xiàn)他們還需要專門的機(jī)器學(xué)習(xí)操作(MLOps)團(tuán)隊來處理模型實施和持續(xù)的模型管理。但是，為了節(jié)省時間和資源，自動化解決方案可以監(jiān)控和重新訓(xùn)練模型，以便它們繼續(xù)提供高性能和業(yè)務(wù)影響。