缩小人工智能和商业智能之间的差距

　　数据可以成为公司最有价值的资产，为预测从未来收入到购买行为和客户保留等所有方面提供基础。许多公司拥有完善的商业智能(BI)团队，可以审查和分析历史数据以了解绩效和管理趋势。

　　但是，当公司想要超越传统的历史分析以整合预测分析和人工智能(AI)时，他们在寻找所需人才和工具方面面临挑战。数据科学家很难招聘，而且他们受过培训，更多地关注研究和模型准确性，而不是实现特定的业务成果。

　　对于企业来说，要充分利用他们的数据，关键是弥合数据科学和BI之间的鸿沟。这两个领域都分析数据以推动业务发展，但每个领域都有优势和局限性。

　　经典商业智能

　　经典BI很好理解：它主要侧重于解释过去的事件和趋势，并将它们呈现在易于理解的聚合报告和仪表板中。BI的一个局限性在于，生成的洞察力通常是假设驱动的，旨在通过查看具有相似特征的大部分人来解释过去发生特定趋势或行为的原因。

　　但如果没有机器学习(ML)，BI就无法提供精确、超细粒度的洞察，直至单个客户级别。大多数BI团队也没有实施预测建模所需的深度统计分析培训。

　　这就是数据科学应该提供帮助的地方。到目前为止，数据科学常常未能实现对许多企业的承诺。预测性和规范性模型很难部署，而且大多数项目从未投入生产。与此同时，公司面临着量化其ML和AI投资所产生的业务影响的挑战。

　　为了解决人才短缺以及数据科学与业务优先事项之间的脱节问题，新的高级分析解决方案可帮助公司利用现有的业务分析人才。

　　业务分析师通常与特定部门或业务线密切合作，因此这些专业人员知道他们的组织如何捕获数据以及他们如何创造和衡量业务价值。此外，今天的许多业务分析师都渴望访问自动化统计分析、机器学习和数据清理，以便他们可以专注于解释和应用为公司提供更多价值的预测模型。

　　BI团队了解数据以及对业务重要的内容。他们可以与业务领导者一起回答以下问题：您希望改进哪些指标?您是否正在尝试增加收入、减少客户流失或增加客户生命周期价值?这些不同的目标将指向分析数据的独特方法。

　　应用人工智能

　　将AI功能应用于BI数据已将分析从总体上看过去转变为预测单个客户的未来并突出营销机会。这可以帮助回答许多问题：

　　移动游戏发行商应该多久向玩家提供一次特定的促销活动以吸引他们重返游戏?

　　电子商务公司应该提供多少折扣来赢回过去两个月内没有购买但其预测生命周期价值使他们成为VIP类别的客户?

　　如果客户有90%的可能性会自行返回，营销团队是否应该将营销资金用于重新定位他们或将资金转移到不同的计划或活动?

　　BI只能向您表明玩家和客户之间存在联系，他们收到了特别优惠并再次返回玩或购买-但这种联系只表明人们喜欢免费的东西和折扣。它并没有告诉我们哪些客户会在未来的特定时刻真正喜欢特定的优惠。

　　预测分析无需向一大群人提供相同的优惠，而是可以确定哪些客户最有可能自行返回，哪些需要促销。有了这些信息，公司就可以将其营销定位于特定客户，这些客户将在正确的时间对这一推动做出最好的反应。

　　以精确性和自动化为基础的业务效率对于获得和保持规模至关重要，尤其是在资源因充满挑战的市场条件而受到限制时。预测模型提供了客户未来的一瞥。当在将BI和数据科学结合在一起的软件平台中构建和部署时，许多公司都可以使用这些预测功能。

　　如果我们想最大限度地为能力强大、数据丰富的BI团队带来更多的机会，为企业带来更多价值，那么数据科学和业务分析之间的鸿沟就需要弥合。

　　实现人工智能预测的飞跃

　　为了开始利用他们的BI数据并实现AI预测的飞跃，公司应该考虑这些步骤，以最大限度地利用他们的数据和团队的潜力。

　　从心中的问题开始。专注于您想要转移的业务需求，并具体了解如何使用预测分析来实现这一目标。如果客户最近没有购买过东西，那么激励他们这样做很重要，但找到激励和渠道的正确组合可能会很棘手。这是人工智能可以帮助解决的问题。例如，数据分析师可以使用基于预测模型的评分系统来自动识别可能响应更大折扣并保留更长时间的客户。这种能力意味着您可以通过更深入地了解让每位客户回头的原因来预测和塑造未来的客户结果。

　　不要强调“完美”的数据。一个新的数据项目可能需要数周的验证和数据预处理。如果您的团队中有业务分析师使用Looker和Tableau等工具，那么您可能有大量数据可供他们分析。您不需要确保每个数据点都被考虑在内。您可以使用已有的数据来创建预测分析。如何使用您的BI-ready数据，这意味着数据已经处于可以驱动经典分析的状态，并选择一个预测分析解决方案，该解决方案可以自动化耗时的数据准备以创建AI-ready数据集。在进行任何特征工程并创建单个模型之前，它可以为您节省数月的数据预处理时间。

　　设计A/B测试以验证预测的准确性。A/B测试是尝试新变化和方法(如预测建模)的最快方法之一。开发模型后，应针对使用您的常规方法处理的控制组测试使用它的效果，例如您可能用于确定提供给客户的报价的业务规则。如果您不测试模型如何集成到您的业务流程中并将其影响与对照组进行比较，那么您无法确定该模型是否会产生您想要的业务成果。

　　丰富您拥有的数据。您的内部交易和客户数据是预测分析的理想起点。而且，尽管没有必要，一些企业也受益于使用外部数据源丰富他们的数据，例如天气、假期和公共卫生数据。自动化丰富是确保额外数据流不断为模型的准确性和实用性增加价值的最快方法之一。

　　计划模型监控和再培训。有一个普遍的误解，即机器学习模型会随着时间的推移完全靠自己变得更好。事实恰恰相反——模型的保质期通常很短。它们会在一段时间内工作得很好，但随着您的企业根据模型制定不同的策略以及客户行为发生变化，它们的性能会随着时间的推移而变化。许多雇佣数据科学家的公司发现他们还需要专门的机器学习操作(MLOps)团队来处理模型实施和持续的模型管理。但是，为了节省时间和资源，自动化解决方案可以监控和重新训练模型，以便它们继续提供高性能和业务影响。

　　图片使用申明：原创文章图片源自‘Canva可画’平台免费版权图片素材；引用文章源自引用平台文章中所使用的原图。