机器学习驱动的分析和商业智能的“死亡”
简单来说
机器学习正在彻底改变分析、检测、个性化和自动化，模糊了传统商业智能和高级分析之间的界限。
任何工具的价值都在于如何运用它来实现结果。同样，公司明白成功并不取决于他们拥有的数据，而是取决于他们如何利用这些数据。
数据的规模和重要性正在迅速增加，推动商业智能 (BI) 和数据分析领域进入永久转型状态。随着传统分析变得更加动态和强大，一些人将其视为我们所知的 BI 的终结。
这种转变主要归功于机器学习（ML），这是一种自我改进的数据分析过程，其作用在业务运营的几乎每个方面都变得越来越关键。依赖 BI 进行数据分析的公司越来越发现自己需要机器学习功能。
以下是数据管理者和企业需要了解的有关保持机器学习领先地位的知识。
数据分析的传统角色
商业智能长期以来与数据分析同义，通常涉及从数据仓库中存储的数据收集的仪表板和报告，或者 湖屋 帮助组织了解历史趋势和模式。
这种传统方法已不足以适应当前的数据洪流。对于简单的仪表板读数或分析报告来说，数据太多，无法充分反映任何给定数据集的见解。
虽然商业智能技术使用数据来跟踪一段时间内的趋势并获得否则会被忽视的有价值的见解，但它通常将数据作为独立的信息包进行分析。因此，人类分析师和相关决策者必须根据这些信息做出预测。
机器学习的兴起
尽管机器学习对于企业技术堆栈来说仍然是一个相对较新的补充，但它已迅速成为推动数据分析向前发展的主要驱动力。与生成式人工智能一样，机器学习已经变得如此流行，以至于企业高管经常要求数据经理在用例确定之前实施它。
机器学习不像 BI 那样被动地评估收到的数据，而是使系统能够主动从数据中学习、独立做出预测并相应地适应新信息。
以下是机器学习的一些属性，这些属性使其能够从根本上改变业务分析格局：
- 预测分析 – 机器学习使企业能够做的不仅仅是理解过去的数据，因为机器学习可以更准确地预测未来的结果。通过辨别数据集中的模式和关系，机器学习模型可以做出预测，帮助决策者主动制定策略、优化资源分配并降低潜在风险。
- 实时分析 – 与传统商业智能的定期报告不同，机器学习驱动的分析提供实时洞察。这种实时分析使组织能够快速响应不断变化的环境、利用新出现的机会并做出明智的决策，从而营造更加敏捷和适应性更强的业务环境。
- 异常检测 – 机器学习算法可以自动识别数据中的异常值和异常值，帮助组织比以往更快地检测欺诈、错误和安全漏洞。通过快速检测和标记异常，机器学习提高了风险管理的效率，从而能够采取主动措施来防范潜在威胁。
- 自动化和干细胞工程 – 机器学习可以自动执行重复性任务，减少数据分析所需的手动工作。通过从历史数据和模式中学习，机器学习算法可以接管平凡且耗时的任务，使人员能够腾出时间来处理更具战略性和创造性的工作。
BI 和 ML 之间的模糊界限
随着越来越多的公司采用 ML 进行分析，传统数据分析和 ML 驱动分析之间的区别变得越来越不明确。
许多传统上与 BI 相关的活动（例如报告和仪表板创建）现在依赖于 ML 支持的算法来获得更准确、更可行的见解，并实时调整。例如，企业可以使用机器学习算法自动生成报告，而不是手动创建报告，突出显示最相关的信息和过去的趋势，同时预测这些趋势未来可能如何变化。
这种转变模糊了商业智能和机器学习之间的界限，凸显了分析实践比任何给定工具或方法都更广泛。相反，它正在演变成一个动态的、可预测的领域。有些人开始将机器学习称为“高级分析”是有原因的。
商业智能重生
随着机器学习成为一种更加常见和广泛的工具，商业智能将不再局限于历史数据分析。相反，机器学习将改变数据分析，从根本上重塑业务格局。
为了保持竞争力并做出数据驱动的决策，组织必须适应不断发展的范式，并将机器学习集成到其数据分析流程中。尽管不同公司的采用过程的速度会有所不同，但所有依赖数据的组织都会投资适当的机器学习技术，提高员工的技能，并培育一种重视机器学习见解的数据驱动文化。
如果 BI 被视为一种流程或业务方法，而不是一种工具，那么 ML 的兴起并不意味着 BI 的“死亡”。相反，它意味着重生——向更加智能、先进和自动化的未来开始的转变。
免责声明
在与行 信托项目指南，请注意，本页提供的信息无意且不应被解释为法律、税务、投资、财务或任何其他形式的建议。 重要的是，仅投资您可以承受损失的金额，并在有任何疑问时寻求独立的财务建议。 如需了解更多信息，我们建议您参阅条款和条件以及发行人或广告商提供的帮助和支持页面。 MetaversePost 致力于提供准确、公正的报告，但市场状况如有变更，恕不另行通知。
SQream产品副总裁
