數(shù)據(jù)可以成為公司最有價(jià)值的資產(chǎn)，為預(yù)測(cè)從未來(lái)收入到購(gòu)買(mǎi)行為和客戶(hù)保留等所有方面提供基礎(chǔ)。許多公司擁有完善的商業(yè)智能(BI)團(tuán)隊(duì)，可以審查和分析歷史數(shù)據(jù)以了解績(jī)效和管理趨勢(shì)。

但是，當(dāng)公司想要超越傳統(tǒng)的歷史分析以整合預(yù)測(cè)分析和人工智能(AI)時(shí)，他們?cè)趯ふ宜枞瞬藕凸ぞ叻矫婷媾R挑戰(zhàn)。數(shù)據(jù)科學(xué)家很難招聘，而且他們受過(guò)培訓(xùn)，更多地關(guān)注研究和模型準(zhǔn)確性，而不是實(shí)現(xiàn)特定的業(yè)務(wù)成果。

對(duì)于企業(yè)來(lái)說(shuō)，要充分利用他們的數(shù)據(jù)，關(guān)鍵是彌合數(shù)據(jù)科學(xué)和BI之間的鴻溝。這兩個(gè)領(lǐng)域都分析數(shù)據(jù)以推動(dòng)業(yè)務(wù)發(fā)展，但每個(gè)領(lǐng)域都有優(yōu)勢(shì)和局限性。

經(jīng)典商業(yè)智能

經(jīng)典BI很好理解：它主要側(cè)重于解釋過(guò)去的事件和趨勢(shì)，并將它們呈現(xiàn)在易于理解的聚合報(bào)告和儀表板中。BI的一個(gè)局限性在于，生成的洞察力通常是假設(shè)驅(qū)動(dòng)的，旨在通過(guò)查看具有相似特征的大部分人來(lái)解釋過(guò)去發(fā)生特定趨勢(shì)或行為的原因。

但如果沒(méi)有機(jī)器學(xué)習(xí)(ML)，BI就無(wú)法提供精確、超細(xì)粒度的洞察，直至單個(gè)客戶(hù)級(jí)別。大多數(shù)BI團(tuán)隊(duì)也沒(méi)有實(shí)施預(yù)測(cè)建模所需的深度統(tǒng)計(jì)分析培訓(xùn)。

這就是數(shù)據(jù)科學(xué)應(yīng)該提供幫助的地方。到目前為止，數(shù)據(jù)科學(xué)常常未能實(shí)現(xiàn)對(duì)許多企業(yè)的承諾。預(yù)測(cè)性和規(guī)范性模型很難部署，而且大多數(shù)項(xiàng)目從未投入生產(chǎn)。與此同時(shí)，公司面臨著量化其ML和AI投資所產(chǎn)生的業(yè)務(wù)影響的挑戰(zhàn)。

為了解決人才短缺以及數(shù)據(jù)科學(xué)與業(yè)務(wù)優(yōu)先事項(xiàng)之間的脫節(jié)問(wèn)題，新的高級(jí)分析解決方案可幫助公司利用現(xiàn)有的業(yè)務(wù)分析人才。

業(yè)務(wù)分析師通常與特定部門(mén)或業(yè)務(wù)線(xiàn)密切合作，因此這些專(zhuān)業(yè)人員知道他們的組織如何捕獲數(shù)據(jù)以及他們?nèi)绾蝿?chuàng)造和衡量業(yè)務(wù)價(jià)值。此外，今天的許多業(yè)務(wù)分析師都渴望訪(fǎng)問(wèn)自動(dòng)化統(tǒng)計(jì)分析、機(jī)器學(xué)習(xí)和數(shù)據(jù)清理，以便他們可以專(zhuān)注于解釋和應(yīng)用為公司提供更多價(jià)值的預(yù)測(cè)模型。

BI團(tuán)隊(duì)了解數(shù)據(jù)以及對(duì)業(yè)務(wù)重要的內(nèi)容。他們可以與業(yè)務(wù)領(lǐng)導(dǎo)者一起回答以下問(wèn)題：您希望改進(jìn)哪些指標(biāo)?您是否正在嘗試增加收入、減少客戶(hù)流失或增加客戶(hù)生命周期價(jià)值?這些不同的目標(biāo)將指向分析數(shù)據(jù)的獨(dú)特方法。

應(yīng)用人工智能

將AI功能應(yīng)用于BI數(shù)據(jù)已將分析從總體上看過(guò)去轉(zhuǎn)變?yōu)轭A(yù)測(cè)單個(gè)客戶(hù)的未來(lái)并突出營(yíng)銷(xiāo)機(jī)會(huì)。這可以幫助回答許多問(wèn)題：

移動(dòng)游戲發(fā)行商應(yīng)該多久向玩家提供一次特定的促銷(xiāo)活動(dòng)以吸引他們重返游戲?

電子商務(wù)公司應(yīng)該提供多少折扣來(lái)贏回過(guò)去兩個(gè)月內(nèi)沒(méi)有購(gòu)買(mǎi)但其預(yù)測(cè)生命周期價(jià)值使他們成為VIP類(lèi)別的客戶(hù)?

如果客戶(hù)有90%的可能性會(huì)自行返回，營(yíng)銷(xiāo)團(tuán)隊(duì)是否應(yīng)該將營(yíng)銷(xiāo)資金用于重新定位他們或?qū)①Y金轉(zhuǎn)移到不同的計(jì)劃或活動(dòng)?

BI只能向您表明玩家和客戶(hù)之間存在聯(lián)系，他們收到了特別優(yōu)惠并再次返回玩或購(gòu)買(mǎi)-但這種聯(lián)系只表明人們喜歡免費(fèi)的東西和折扣。它并沒(méi)有告訴我們哪些客戶(hù)會(huì)在未來(lái)的特定時(shí)刻真正喜歡特定的優(yōu)惠。

預(yù)測(cè)分析無(wú)需向一大群人提供相同的優(yōu)惠，而是可以確定哪些客戶(hù)最有可能自行返回，哪些需要促銷(xiāo)。有了這些信息，公司就可以將其營(yíng)銷(xiāo)定位于特定客戶(hù)，這些客戶(hù)將在正確的時(shí)間對(duì)這一推動(dòng)做出最好的反應(yīng)。

以精確性和自動(dòng)化為基礎(chǔ)的業(yè)務(wù)效率對(duì)于獲得和保持規(guī)模至關(guān)重要，尤其是在資源因充滿(mǎn)挑戰(zhàn)的市場(chǎng)條件而受到限制時(shí)。預(yù)測(cè)模型提供了客戶(hù)未來(lái)的一瞥。當(dāng)在將BI和數(shù)據(jù)科學(xué)結(jié)合在一起的軟件平臺(tái)中構(gòu)建和部署時(shí)，許多公司都可以使用這些預(yù)測(cè)功能。

如果我們想最大限度地為能力強(qiáng)大、數(shù)據(jù)豐富的BI團(tuán)隊(duì)帶來(lái)更多的機(jī)會(huì)，為企業(yè)帶來(lái)更多價(jià)值，那么數(shù)據(jù)科學(xué)和業(yè)務(wù)分析之間的鴻溝就需要彌合。

實(shí)現(xiàn)人工智能預(yù)測(cè)的飛躍

為了開(kāi)始利用他們的BI數(shù)據(jù)并實(shí)現(xiàn)AI預(yù)測(cè)的飛躍，公司應(yīng)該考慮這些步驟，以最大限度地利用他們的數(shù)據(jù)和團(tuán)隊(duì)的潛力。

從心中的問(wèn)題開(kāi)始。專(zhuān)注于您想要轉(zhuǎn)移的業(yè)務(wù)需求，并具體了解如何使用預(yù)測(cè)分析來(lái)實(shí)現(xiàn)這一目標(biāo)。如果客戶(hù)最近沒(méi)有購(gòu)買(mǎi)過(guò)東西，那么激勵(lì)他們這樣做很重要，但找到激勵(lì)和渠道的正確組合可能會(huì)很棘手。這是人工智能可以幫助解決的問(wèn)題。例如，數(shù)據(jù)分析師可以使用基于預(yù)測(cè)模型的評(píng)分系統(tǒng)來(lái)自動(dòng)識(shí)別可能響應(yīng)更大折扣并保留更長(zhǎng)時(shí)間的客戶(hù)。這種能力意味著您可以通過(guò)更深入地了解讓每位客戶(hù)回頭的原因來(lái)預(yù)測(cè)和塑造未來(lái)的客戶(hù)結(jié)果。

不要強(qiáng)調(diào)“完美”的數(shù)據(jù)。一個(gè)新的數(shù)據(jù)項(xiàng)目可能需要數(shù)周的驗(yàn)證和數(shù)據(jù)預(yù)處理。如果您的團(tuán)隊(duì)中有業(yè)務(wù)分析師使用Looker和Tableau等工具，那么您可能有大量數(shù)據(jù)可供他們分析。您不需要確保每個(gè)數(shù)據(jù)點(diǎn)都被考慮在內(nèi)。您可以使用已有的數(shù)據(jù)來(lái)創(chuàng)建預(yù)測(cè)分析。如何使用您的BI-ready數(shù)據(jù)，這意味著數(shù)據(jù)已經(jīng)處于可以驅(qū)動(dòng)經(jīng)典分析的狀態(tài)，并選擇一個(gè)預(yù)測(cè)分析解決方案，該解決方案可以自動(dòng)化耗時(shí)的數(shù)據(jù)準(zhǔn)備以創(chuàng)建AI-ready數(shù)據(jù)集。在進(jìn)行任何特征工程并創(chuàng)建單個(gè)模型之前，它可以為您節(jié)省數(shù)月的數(shù)據(jù)預(yù)處理時(shí)間。

設(shè)計(jì)A/B測(cè)試以驗(yàn)證預(yù)測(cè)的準(zhǔn)確性。A/B測(cè)試是嘗試新變化和方法(如預(yù)測(cè)建模)的最快方法之一。開(kāi)發(fā)模型后，應(yīng)針對(duì)使用您的常規(guī)方法處理的控制組測(cè)試使用它的效果，例如您可能用于確定提供給客戶(hù)的報(bào)價(jià)的業(yè)務(wù)規(guī)則。如果您不測(cè)試模型如何集成到您的業(yè)務(wù)流程中并將其影響與對(duì)照組進(jìn)行比較，那么您無(wú)法確定該模型是否會(huì)產(chǎn)生您想要的業(yè)務(wù)成果。

豐富您擁有的數(shù)據(jù)。您的內(nèi)部交易和客戶(hù)數(shù)據(jù)是預(yù)測(cè)分析的理想起點(diǎn)。而且，盡管沒(méi)有必要，一些企業(yè)也受益于使用外部數(shù)據(jù)源豐富他們的數(shù)據(jù)，例如天氣、假期和公共衛(wèi)生數(shù)據(jù)。自動(dòng)化豐富是確保額外數(shù)據(jù)流不斷為模型的準(zhǔn)確性和實(shí)用性增加價(jià)值的最快方法之一。

計(jì)劃模型監(jiān)控和再培訓(xùn)。有一個(gè)普遍的誤解，即機(jī)器學(xué)習(xí)模型會(huì)隨著時(shí)間的推移完全靠自己變得更好。事實(shí)恰恰相反——模型的保質(zhì)期通常很短。它們會(huì)在一段時(shí)間內(nèi)工作得很好，但隨著您的企業(yè)根據(jù)模型制定不同的策略以及客戶(hù)行為發(fā)生變化，它們的性能會(huì)隨著時(shí)間的推移而變化。許多雇傭數(shù)據(jù)科學(xué)家的公司發(fā)現(xiàn)他們還需要專(zhuān)門(mén)的機(jī)器學(xué)習(xí)操作(MLOps)團(tuán)隊(duì)來(lái)處理模型實(shí)施和持續(xù)的模型管理。但是，為了節(jié)省時(shí)間和資源，自動(dòng)化解決方案可以監(jiān)控和重新訓(xùn)練模型，以便它們繼續(xù)提供高性能和業(yè)務(wù)影響。