京公网安备 11010802034615号
经营许可证编号:京B2-20210330
企业向机器学习转型所需遵循的五大步骤
导读:
如今,机器学习技术高居新兴科技技术成熟度曲线(Hype Cycle for EmergingTechnologies)的顶点,这意味着,它已经足够成熟,可以激发更加广泛的兴趣了。换言之,你的竞争对手们也在投资机器学习呢。
近九成企业已经不同程度地用上了机器学习,大部分依旧处在战略开发或试水阶段。然而,机器学习的潜力仍未完全释放。在大部分企业,很多决策仍需要人类插手。只有8%的受访者表示,其机器学习战略已经相当或高度完备。
在机器学习的普及过程中,一个常见的障碍就是保障数据质量。劣质数据会导致机器做出劣质决策,从而增加风险。
原文翻译:
假如你想修个新房,你不但得购买新建材,还得雇佣熟练的建筑工人,才能把房子修起来。首席信息官们(CIO)要想推行机器学习技术,从而在没有人类直接干预的情况下,对业绩加以分析与提升,他们也得遵循同样的规则。企业IT云服务公司ServiceNow的一项最新调查显示,大多数CIO都因为缺乏所需的人才、数据质量与预算,而无法充分利用这种技术。若你的企业即将踏上机器学习的征程,那么,要让投资物有所值,你必须遵循五大步骤。
这五大措施应尽快采取,因为说不定,大家期盼已久的机器学习时代很快就要降临了。效仿人类智能的机器虽然被炒得热火朝天,但计算机科学早已经迎头赶上。如今,机器学习技术高居新兴科技技术成熟度曲线(Hype Cycle for EmergingTechnologies)的顶点,这意味着,它已经足够成熟,可以激发更加广泛的兴趣了。换言之,你的竞争对手们也在投资机器学习呢。
最近,《全球CIO观点调查》(Global CIO Point of View Survey)向500名CIO发出了问卷。调查结果显示,企业都在为这种变革性的技术的普及摩拳擦掌,以实现自动化决策。近九成企业已经不同程度地用上了机器学习,大部分依旧处在战略开发或试水阶段。然而,机器学习的潜力仍未完全释放。在大部分企业,很多决策仍需要人类插手。只有8%的受访者表示,其机器学习战略已经相当或高度完备,相比之下,认为自己企业物联网战略相当或高度完备的占到35%,数据分析战略对应的比例则达65%。
根据麦肯锡(McKinsey)的一项调查,为实现机器学习方面的数据与分析目标,最重要的挑战有这样三个:
1)支持数据与分析活动的企业架构;
2)行之有效的技术基础设施;
3)管理层的参与。该研究还宣称,能够有效驾驭这三点的企业将能创造出显著的价值,并实现自身的差异化;办不到的企业,则会日益陷入劣势地位。
要捕获更大的价值,企业要做的不仅仅是投资于技术。对企业架构或流程的改变也必不可少,这其中包括对待人才的态度、IT管理与风险管理。要取得进步,企业必须遵循以下五个步骤:
一、改进数据质量
在机器学习的普及过程中,一个常见的障碍就是保障数据质量。劣质数据会导致机器做出劣质决策,从而增加风险。CIO要考虑实施恰当的解决方案,简化数据维护,从而加速向机器学习转型。第一步就是整合冗余或预制的IT工具,将它们变成单一的数据模型。
二、树立价值实现方式
将所有技术目标的商业价值明确表述出来,继而确定这些目标的最佳实现方式。这包括审视已有流程,找到最能得益于自动化的非结构化工作模式。知道了碎片化数据都在哪里,你也就知道了如何用自动化实现生产效率的提升。
三、创造最优客户体验
机器学习带来的自动化可以促进运营效率,但不要忘了,它也能(在不牺牲准确度的前提下)加速决策,改进客户体验,从而提高投资回报率。先设想一下你想创造的客户体验,然后在商业流程之中,找到最能提升客户体验的元素,加以重点投资。机器学习使企业或机构能够针对每一位顾客,度身定制相应的广告、呼叫中心的互动,乃至产品或服务,以及预测顾客接下去的需求。
四、设定指标并加以衡量
CIO们深知机器学习的价值,但高管团队和董事会其他成员可能就不清楚了。因此,在着手实施之前,CIO们必须树立预期,设置成功指标,并准备好充分的商业依据,在申请款项时,随时呈递给领导层。在实施机器学习技术、收获智能自动化的益处的同时,这些衡量指标也得随时调整
五、理解企业文化将受到的影响
在企业引入机器学习的同时,雇员的角色也将发生改变,这就需要CIO们调整雇佣与培训过程。这个不难,因为它所需的技能组合,包括数据科学、工程学、数学和批判性思维在内,就是云时代的必备技能组合。这种转型很可能给某些雇员造成不适,因此,请务必使机器学习的价值转化到他们的日常工作之中。机器并未接管企业,它们将雇员从繁琐的手动操作中解放了出来,使员工专注于更加战略性的项目。
但这种不适的感受,CIO们也有可能面临。他们的角色也需要不断演变,从维持技术层面的正常运转,保障企业运营,到以高管的身份与企业各个层面广泛互动,因此,其战略重要性也将迈上新的台阶。
企业要实现机器学习的投资回报,就离不开规划与严格的贯彻执行——同时参照技术转型的速度、其对雇员日常工作的影响,对雇员做出相应的调整。遵循上述五个步骤,这一转型就会格外顺畅。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
当沃尔玛数据分析师首次发现 “啤酒与尿布” 的高频共现规律时,他们揭开了数据挖掘最迷人的面纱 —— 那些隐藏在消费行为背后 ...
2025-11-03这个问题精准切中了配对样本统计检验的核心差异点,理解二者区别是避免统计方法误用的关键。核心结论是:stats.ttest_rel(配对 ...
2025-11-03在 CDA(Certified Data Analyst)数据分析师的工作中,“高维数据的潜在规律挖掘” 是进阶需求 —— 例如用户行为包含 “浏览次 ...
2025-11-03在 MySQL 数据查询中,“按顺序计数” 是高频需求 —— 例如 “统计近 7 天每日订单量”“按用户 ID 顺序展示消费记录”“按产品 ...
2025-10-31在数据分析中,“累计百分比” 是衡量 “部分与整体关系” 的核心指标 —— 它通过 “逐步累加的占比”,直观呈现数据的分布特征 ...
2025-10-31在 CDA(Certified Data Analyst)数据分析师的工作中,“二分类预测” 是高频需求 —— 例如 “预测用户是否会流失”“判断客户 ...
2025-10-31在 MySQL 实际应用中,“频繁写入同一表” 是常见场景 —— 如实时日志存储(用户操作日志、系统运行日志)、高频交易记录(支付 ...
2025-10-30为帮助教育工作者、研究者科学分析 “班级规模” 与 “平均成绩” 的关联关系,我将从相关系数的核心定义与类型切入,详解 “数 ...
2025-10-30对 CDA(Certified Data Analyst)数据分析师而言,“相关系数” 不是简单的数字计算,而是 “从业务问题出发,量化变量间关联强 ...
2025-10-30在构建前向神经网络(Feedforward Neural Network,简称 FNN)时,“隐藏层数目设多少?每个隐藏层该放多少个神经元?” 是每个 ...
2025-10-29这个问题切中了 Excel 用户的常见困惑 —— 将 “数据可视化工具” 与 “数据挖掘算法” 的功能边界混淆。核心结论是:Excel 透 ...
2025-10-29在 CDA(Certified Data Analyst)数据分析师的工作中,“多组数据差异验证” 是高频需求 —— 例如 “3 家门店的销售额是否有显 ...
2025-10-29在数据分析中,“正态分布” 是许多统计方法(如 t 检验、方差分析、线性回归)的核心假设 —— 数据符合正态分布时,统计检验的 ...
2025-10-28箱线图(Box Plot)作为展示数据分布的核心统计图表,能直观呈现数据的中位数、四分位数、离散程度与异常值,是质量控制、实验分 ...
2025-10-28在 CDA(Certified Data Analyst)数据分析师的工作中,“分类变量关联分析” 是高频需求 —— 例如 “用户性别是否影响支付方式 ...
2025-10-28在数据可视化领域,单一图表往往难以承载多维度信息 —— 力导向图擅长展现节点间的关联结构与空间分布,却无法直观呈现 “流量 ...
2025-10-27这个问题问到了 Tableau 中两个核心行级函数的经典组合,理解它能帮你快速实现 “相对位置占比” 的分析需求。“index ()/size ( ...
2025-10-27对 CDA(Certified Data Analyst)数据分析师而言,“假设检验” 绝非 “套用统计公式的机械操作”,而是 “将模糊的业务猜想转 ...
2025-10-27在数字化运营中,“凭感觉做决策” 早已成为过去式 —— 运营指标作为业务增长的 “晴雨表” 与 “导航仪”,直接决定了运营动作 ...
2025-10-24在卷积神经网络(CNN)的训练中,“卷积层(Conv)后是否添加归一化(如 BN、LN)和激活函数(如 ReLU、GELU)” 是每个开发者都 ...
2025-10-24