随着世界变得越来越数字化，每天都会产生前所未有的数据量，组织需要工具来帮助筛选和处理这些数量惊人的数据。使用机器学习，企业正在构建可以快速处理大量数据并以各种方式充分利用这些数据的模型。当数据得到有效利用时，机器学习可以在五个关键领域对商业组织产生巨大影响：决策制定、预测、个性化、提高效率和管理资产。掌握决策制定机器学习彻底改变了企业处理和分析数据的方式，从而比以往更快地获得洞察力。决策者获得洞察力的速度越快，他们做出关键决策的速度就越快。有时，竞争优势以毫秒为单位，而不是几分钟或几小时。例如，经过培训以识别公司安全环境中的异常情况的基于机器学习(ML)的软件可以立即检测到数据泄露并通知组织内的相应团队。这些机器学习模型的智能使这些团队能够就有效补救、保护客户数据、维护他们的商业声誉以及避免代价高昂的纠正措施做出快速决策。为了优化机器学习的决策优势，组织需要收集正确的数据并将其输入数据建模环境。然后他们需要建立有用的预测模型并使用这些数据进行预测。数据团队不应期望通过手动方式（这是当今大多数企业所做的）来寻求这些见解——相反，这些预测应该反馈到决策者每天使用的系统中。理想情况下，他们甚至可以使用所谓的“逆向ETL”完全自动化决策过程。ETL（Extract-Transform-Load）用于描述从源到目的地提取、转换和加载数据的过程。ETL这个词在数据仓库中比较常用，但它的对象并不局限于数据仓库。更准确的预测需求预测有时比决策更有价值，尤其是在供应链中断和延误随时可能发生的情况下。当今的商业组织（例如电子商务）承受着预测市场趋势和客户行为的巨大压力。将机器学习模型集成到数据分析中可以实现更准确和稳健的需求预测，从而实现更高效的库存管理和成本降低。供应链管理面临的是一个复杂的操作系统，环节多、参与者多的供应链本来就是混乱的。它可能看起来非常不可预测，但一旦数据被分解为总体均值、趋势成分和季节性成分，自回归预测模型就会非常有效。这有助于减少浪费的库存，同时量化与最大限度减少库存相关的风险。一旦对不良事件（如缺货）的可能性进行量化，它就变得易于管理。个性化的客户体验如今的最终用户和消费者习惯于在需要时得到他们想要的东西。创建这种个性化、量身定制的体验是在当今市场竞争的关键战略。机器学习平台可用于分析用户行为并提供个性化推荐，例如根据购买历史添加产品。全球巨头亚马逊是零售业的一个典型例子，它使用机器学习来推荐产品并向客户提出建议。随着机器学习提供更加个性化的体验，亚马逊的销售额将呈指数级增长。另外两个我们经常拿来举例的是Spotify和Netflix平台上的流媒体推荐，也是基于机器学习算法的。这些算法分析用户听过的歌曲或他们看过的节目，以识别和推荐其他相关内容。Netflix使用机器学习算法将个性化和内容推荐相结合，节省了10亿美元的营销和推广成本。提高组织效率机器学习和人工智能能力不仅是释放生产力的关键，也是释放组织内部效率和创新的关键。由于机器学习使计算机能够接管重复性任务——并且比人手更快地完成它们——组织可以将人力资源转移到更高价值的活动中。一个好的机器学习模型，可以扫描和交叉引用文档，并以人眼无法企及的速度和效率执行详尽的文档搜索。这降低了与法规遵从和法律研究相关的信息检索活动的成本，使员工能够腾出时间创造性地参与公司的其他方面，以增加战略价值。更高效地管理和维护资产企业有时很难准确确定其资本和资产何时需要维护或升级。此外，这些努力可能代价高昂。预测机器学习模型可以收集设备和组件的性能数据，以监控它们的状况并计算资产的剩余寿命。SiemensPower&Gas在这方面取得了成功，从涡轮机捕获传感器数据以帮助优化维护计划。虽然部署这些AI的初始成本非常高，但经济效益是显而易见的，而且成本优势会随着时间的推移而增加。另一个行业示例：银行和其他金融机构可以使用机器学习模型来识别“异常”交易，并在发生异常活动时提醒相关团队。处理大量企业数据总是会带来挑战，但要调动业务并在竞争中脱颖而出，决策者需要利用机器学习来释放其全部潜力。当然，为了在上述和许多其他机器学习应用程序上取得最佳效果，需要对这些机器进行适当的训练，而不仅仅是提供所有数据。确保机器学习模型将使用干净的数据集至关重要——组织数据的质量直接关系到组织获得的洞察力的质量。
