隨著全球日益數(shù)字化，每天都會(huì)產(chǎn)生前所未有的大量數(shù)據(jù)，組織需要工具來幫助篩選和處理這些數(shù)量驚人的數(shù)據(jù)。利用機(jī)器學(xué)習(xí)(ML)，企業(yè)正在構(gòu)建能夠快速處理大量數(shù)據(jù)的模型，并以各種方式將其充分利用起來。

如果能有效利用數(shù)據(jù)，ML可以在五個(gè)關(guān)鍵方面對(duì)企業(yè)組織產(chǎn)生巨大影響:決策、預(yù)測(cè)、個(gè)性化、提高效率和管理資產(chǎn)。

掌握決策

ML已經(jīng)徹底改變了企業(yè)處理和分析數(shù)據(jù)的方式，比以往任何時(shí)候都更快地獲得洞察力。決策者獲得洞察力的速度越快，他們做出關(guān)鍵決策的速度就越快。有時(shí)候，競爭優(yōu)勢(shì)是在毫秒而不是幾分鐘或幾小時(shí)。

比如，經(jīng)過訓(xùn)練的基于ML(ML)的軟件可以識(shí)別公司安全環(huán)境中的異常情況，可以立即檢測(cè)到數(shù)據(jù)泄露，并通知組織內(nèi)部的對(duì)應(yīng)團(tuán)隊(duì)。這些ML模型的智能使這些團(tuán)隊(duì)能夠快速做出有關(guān)有效補(bǔ)救、保護(hù)客戶數(shù)據(jù)、維護(hù)他們的商業(yè)聲譽(yù)和避免昂貴的糾正措施的決策。

為了優(yōu)化ML的決策效益，組織需要收集并向數(shù)據(jù)建模環(huán)境輸入正確的數(shù)據(jù)。然后，他們需要建立有用的預(yù)測(cè)模型，并利用這些數(shù)據(jù)進(jìn)行預(yù)測(cè)。數(shù)據(jù)團(tuán)隊(duì)不應(yīng)該期望人工方式(這也是目前大多數(shù)企業(yè)的做法)去尋求這些見解——相反，應(yīng)該將這些預(yù)測(cè)反饋給決策者每天使用的系統(tǒng)。理想情況下，他們甚至可以用所謂的“反向ETL”完全自動(dòng)化決策制定過程。

ETL(Extract-Transform-Load)用來描述將數(shù)據(jù)從來源端經(jīng)過抽取(Extract)、轉(zhuǎn)換(Transform)、加載(Load)至目的端的過程。ETL一詞較常用在數(shù)據(jù)倉庫，但其對(duì)象并不限于數(shù)據(jù)倉庫。

更準(zhǔn)確的預(yù)測(cè)需求

預(yù)測(cè)的價(jià)值有時(shí)高過決策，特別是在供應(yīng)鏈可能隨時(shí)中斷和延遲的情況下。今天的企業(yè)組織(比如電商)面臨著預(yù)測(cè)市場趨勢(shì)和客戶行為的巨大壓力。將ML模型整合到數(shù)據(jù)分析中，能夠更準(zhǔn)確、更強(qiáng)大地預(yù)測(cè)需求，從而更有效地管理庫存和降低成本。

供應(yīng)鏈管理面對(duì)的是一個(gè)龐雜的運(yùn)營體系，處于眾多環(huán)節(jié)和參與者的供應(yīng)鏈天生就有混亂的本質(zhì)。它可能看起來非常不可預(yù)測(cè)，但一旦數(shù)據(jù)被分解成一個(gè)總體平均值，加上一個(gè)趨勢(shì)成分和一個(gè)季節(jié)性成分，自回歸預(yù)測(cè)模型就可以非常好地工作。這有助于減少浪費(fèi)的庫存，同時(shí)量化與最大化降低相關(guān)的風(fēng)險(xiǎn)。一旦不良事件的可能性(比如庫存耗盡)被量化，它就會(huì)變得可控。

個(gè)性化客戶體驗(yàn)

今天的終端用戶和消費(fèi)者習(xí)慣于在他們想要的時(shí)候得到他們想要的東西。創(chuàng)造這種個(gè)性化的、量身定制的體驗(yàn)是當(dāng)今市場競爭的關(guān)鍵策略。ML平臺(tái)可以用來分析用戶行為，并提供個(gè)性化建議，比如根據(jù)購買歷史添加產(chǎn)品。

全球巨頭亞馬遜在零售領(lǐng)域就是一個(gè)典型的例子，它使用ML來推薦產(chǎn)品，并向客戶提供建議。隨著ML提供更個(gè)性化的體驗(yàn)，亞馬遜的銷售額將呈指數(shù)增長。

另外兩個(gè)我們經(jīng)常拿來舉例的是Spotify和Netflix平臺(tái)上的流媒體推薦，也基于ML算法。這些算法分析用戶聽過的歌曲或看過的節(jié)目，以識(shí)別并推薦其他相關(guān)內(nèi)容。Netflix通過ML算法，將個(gè)性化和內(nèi)容推薦結(jié)合起來，從而節(jié)省了10億美元的營銷推廣費(fèi)用。

提高組織效率

ML和AI能力不僅是開啟生產(chǎn)力的關(guān)鍵，也是開啟組織內(nèi)部效率和創(chuàng)新的關(guān)鍵。隨著ML使計(jì)算機(jī)能夠接管重復(fù)性的任務(wù)——并且比人類的手更快地完成它們——組織可以將人力資源轉(zhuǎn)移到更高價(jià)值的活動(dòng)。

一個(gè)好的ML模型，它可以在人眼無法企及的速度和效率上完成掃描和交叉引用文檔，并完成詳盡的文檔搜索。這降低了與法規(guī)遵從和法律研究相關(guān)的信息檢索活動(dòng)的成本，解放了員工，使他們能夠創(chuàng)造性地參與到公司的其他工作中，以增加戰(zhàn)略價(jià)值。

更有效地管理和維護(hù)資產(chǎn)

企業(yè)有時(shí)難以準(zhǔn)確判斷其資本和資產(chǎn)何時(shí)需要維護(hù)或升級(jí)。此外，這些努力的成本可能很高。預(yù)測(cè)性ML模型可以通過收集設(shè)備和部件的性能數(shù)據(jù)來監(jiān)測(cè)它們的狀態(tài)，并計(jì)算資產(chǎn)的剩余壽命。西門子電力和燃?xì)夤驹谶@方面取得了成功，他們從渦輪機(jī)中獲取傳感器數(shù)據(jù)，以幫助優(yōu)化維護(hù)計(jì)劃。雖然剛開始部署這些AI的成本非常高，但經(jīng)濟(jì)效益非常明顯，而且隨著時(shí)間的推移，成本優(yōu)勢(shì)越來越高。

另一個(gè)行業(yè)的例子是：銀行和其他金融機(jī)構(gòu)可以使用ML模型來識(shí)別“不同尋常”的交易，并在異?；顒?dòng)發(fā)生時(shí)提醒相關(guān)團(tuán)隊(duì)。

處理大量的企業(yè)數(shù)據(jù)總是會(huì)帶來挑戰(zhàn)，但要?jiǎng)訂T企業(yè)并超越競爭對(duì)手，決策者需要利用ML釋放其全部潛力。當(dāng)然，為了在上述的ML應(yīng)用程序和其他許多應(yīng)用程序上取得最好的結(jié)果，這些機(jī)器需要被正確地訓(xùn)練，而不是僅僅輸入所有的數(shù)據(jù)。確保ML模型將使用干凈的數(shù)據(jù)集是至關(guān)重要的——組織數(shù)據(jù)的質(zhì)量與組織獲得的洞察力的質(zhì)量直接相關(guān)。