隨著全球日益數(shù)字化，每天都會產(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)。利用機器學習(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可以在五個關(guān)鍵方面對企業(yè)組織產(chǎn)生巨大影響:決策、預(yù)測、個性化、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。有時候，競爭優(yōu)勢是在毫秒而不是幾分鐘或幾小時。

比如，經(jīng)過訓練的基于ML(ML)的軟件可以識別公司安全環(huán)境中的異常情況，可以立即檢測到數(shù)據(jù)泄露，并通知組織內(nèi)部的對應(yīng)團隊。這些ML模型的智能使這些團隊能夠快速做出有關(guān)有效補救、保護客戶數(shù)據(jù)、維護他們的商業(yè)聲譽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)測模型，并利用這些數(shù)據(jù)進行預(yù)測。數(shù)據(jù)團隊不應(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，但其對象并不限于數(shù)據(jù)倉庫。

更準確的預(yù)測需求

預(yù)測的價值有時高過決策，特別是在供應(yīng)鏈可能隨時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)測市場趨勢和客戶行為的巨大壓力。將ML模型整合到數(shù)據(jù)分析中，能夠更準確、更強大地預(yù)測需求，從而更有效地管理庫存和降低成本。

供應(yīng)鏈管理面對的是一個龐雜的運營體系，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，但一旦數(shù)據(jù)被分解成一個總體平均值，加上一個趨勢成分和一個季節(jié)性成分，自回歸預(yù)測模型就可以非常好地工作。這有助于減少浪費的庫存，同時量化與最大化降低相關(guān)的風險。一旦不良事件的可能性(比如庫存耗盡)被量化，它就會變得可控。

個性化客戶體驗

今天的終端用戶和消費者習慣于在他們想要的時候得到他們想要的東西。創(chuàng)造這種個性化的、量身定制的體驗是當今市場競爭的關(guān)鍵策略。ML平臺可以用來分析用戶行為，并提供個性化建議，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提供更個性化的體驗，亞馬遜的銷售額將呈指數(shù)增長。

另外兩個我們經(jīng)常拿來舉例的是Spotify和Netflix平臺上的流媒體推薦，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，以識別并推薦其他相關(guān)內(nèi)容。Netflix通過ML算法，將個性化和內(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使計算機能夠接管重復性的任務(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)移到更高價值的活動。

一個好的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)略價值。

更有效地管理和維護資產(chǎn)

企業(yè)有時難以準確判斷其資本和資產(chǎn)何時需要維護或升級。此外，這些努力的成本可能很高。預(yù)測性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)測它們的狀態(tài)，并計算資產(chǎn)的剩余壽命。西門子電力和燃氣公司在這方面取得了成功，他們從渦輪機中獲取傳感器數(shù)據(jù)，以幫助優(yōu)化維護計劃。雖然剛開始部署這些AI的成本非常高，但經(jīng)濟效益非常明顯，而且隨著時間的推移，成本優(yōu)勢越來越高。

另一個行業(yè)的例子是：銀行和其他金融機構(gòu)可以使用ML模型來識別“不同尋常”的交易，并在異?；顒影l(fā)生時提醒相關(guān)團隊。

處理大量的企業(yè)數(shù)據(jù)總是會帶來挑戰(zhàn)，但要動員企業(yè)并超越競爭對手，決策者需要利用ML釋放其全部潛力。當然，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，這些機器需要被正確地訓練，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)。