Автоматизация более полезна, если она дает вам понимание бизнеса, необходимое для принятия более взвешенных решений, а не тенденции и данные о том, что происходило в вашей компании или отрасли в прошлом. До недавнего времени бизнес-аналитика была общим термином, который использовался для описания страницы за страницей фактов, цифр и цифр. Сегодняшние достижения в области бизнес-аналитики означают, что пользователи компаний по всему миру могут получать более подробную информацию по мере необходимости, чтобы быстрее принимать более взвешенные решения. Это позволяет им ковать железо, пока горячо, и использовать новые возможности по мере их появления и до изменения рыночных условий.

Gartner утверждает, что машинное обучение, обеспечивающее прогнозную и расширенную аналитику, является самой быстрорастущей областью в отрасли. По данным исследовательской организации, прогнозная и предписывающая аналитика будет привлекать 40% новых инвестиций предприятий в бизнес-аналитику к 2020 году. По прогнозам, целые предприятия будут разрушены, поскольку более 50% крупных компаний по всему миру будут конкурировать с передовой аналитикой и проприетарными технологиями. алгоритмы к 2018 году.

Смотреть в будущее стало проще благодаря новым достижениям в области бизнес-аналитики

Вместо того, чтобы сообщать о прошлых выводах и данных, прогностический анализ делает прямо противоположное: он собирает данные для расчета будущих возможностей. Способность рассчитывать тенденции и фактически указывать возможности на рынке, которые можно использовать, выводит эти типы аналитики на совершенно другой уровень, чем это было достигнуто с помощью других инструментов BI, таких как отчеты SQL и Tableau.

Некоторые из рекомендаций, которые может дать расширенная предиктивная аналитика, часто относятся к информации, которую отдел маркетинга или команда по оценке рисков сочли бы полезной. Это позволяет использовать упреждающий подход, чтобы избежать ловушек до того, как они произойдут, и воспользоваться преимуществами до того, как закроются окна возможностей. Группа анализа рисков, например, может использовать эти инструменты для выявления рисков мошенничества до обработки транзакций. Маркетинговые команды, с другой стороны, могут использовать прогнозный анализ, чтобы лучше понять воронку продаж, по которой следуют их различные целевые аудитории, возможности перекрестных продаж на рынке и причины, по которым потенциальный лид исчезает с радаров.

Медицинские компании также внедряют системы машинного обучения, которые отслеживают все, от качества воздуха до нетипичного поведения, чтобы свести к минимуму несчастные случаи или угрозы в опасных средах.

Последствия машинного обучения

В прошлом, если вы хотели, чтобы машина делала что-то новое, вам приходилось ее программировать. Программистам пришлось бы расписывать — с мельчайшими подробностями — каждый шаг, который вы хотите, чтобы компьютер выполнил для достижения вашей цели. Если вы хотите, чтобы машина делала что-то, чего вы не умеете делать сами, то программирование ее для достижения определенных целей будет большой проблемой.

Первым коммерческим примером успешного машинного обучения является Google. Google показал, что можно найти информацию с помощью компьютерного алгоритма, основанного на машинном обучении. С тех пор было много примеров коммерчески успешных систем и инструментов машинного обучения. Такие компании, как Netflix и Amazon, используют машинное обучение, чтобы предлагать продукты, которые могут вас заинтересовать, или фильмы, которые вы, возможно, захотите посмотреть. Алгоритмы машинного обучения часто могут граничить с таинственностью или волшебством (хорошим примером этого являются предложения «люди, которых вы можете знать» в LinkedIn и Facebook). Алгоритмы научились делать предложения на основе данных, а не программироваться руками разработчика.

Машинное обучение становится частью нашей повседневной жизни, от поиска в Google до вождения автомобиля

Машинное обучение также является причиной того, что сегодня мы можем видеть беспилотные автомобили. Важно уметь отличать дерево от пешехода, и хотя программисты не знают, как писать эти программы вручную, алгоритмы систем машинного обучения позволяют беспилотным автомобилям Google преодолевать тысячи миль и продолжают различать деревья и людей.

Компьютеры могут научиться делать вещи, которые мы иногда не умеем делать сами, или даже делать что-то лучше, чем мы. Компьютеры также могут слушать и понимать. Было множество примеров систем программирования на естественном языке, где человек может говорить по-английски и переводить его в режиме реального времени, например, на китайский. Еще одна вещь, которую многие люди не ожидали, это то, что компьютеры могут видеть. На конкурсе в Германии под названием Немецкий тест распознавания дорожных знаков для распознавания дорожных знаков использовалась система машинного обучения. Мало того, что эта система могла распознавать дорожные знаки лучше, чем любая другая система, но и таблица лидеров соревнований показала, что она примерно в два раза лучше распознавала дорожные знаки, чем люди.

Машинное обучение также может работать с беспрецедентной скоростью, недостижимой для человека. В прошлом году Google объявил, что они нанесли на карту каждое место во Франции за два часа. Они сделали это, передав изображения в алгоритм машинного обучения для распознавания и чтения номеров улиц. Многим людям потребовалось бы много лет, чтобы нанести на карту всю эту информацию, чтобы охватить такой же объем пространства.

Машинное обучение и автоматизация в промышленности

На данный момент преуспели те компании, которые инвестируют в ресурсы, необходимые для цифровой трансформации. Инновации, которые делают компании более устойчивыми и эффективными, означают изменение наших представлений о больших данных и бизнес-аналитике. По словам Херайна Оберой из команды Microsoft Cortana Analytics, клиенты ищут системы, которые делают гораздо больше, чем предоставляют информацию — они хотят знать, какие логические шаги им следует предпринять. «Основная проблема клиента не изменилась; как мне перейти от данных, которые у меня есть, к получению некоторой информации, чтобы фактически активировать действие или продвигать что-то вперед?, — сказал Оберой Cio.com.

Извлечение знаний из данных

Интерес к возможностям машинного обучения и достижениям в этом отраслевом сегменте всегда высок. Машинное обучение, которое относится к способности компьютера извлекать знания из данных без обязательного программирования для этого, позволяет компаниям с большим успехом решать сложные задачи, связанные с интенсивным использованием данных. Хотя может показаться, что модели машинного обучения сосредоточены на устранении человеческого вмешательства за счет автоматизации, для эффективного внедрения и использования этих инструментов по-прежнему требуются талантливые специалисты по данным.

Во всем мире машинное обучение используется для улучшения обслуживания клиентов, управления рисками и соблюдения нормативных требований, маркетинга, а также для развития новых направлений бизнеса. Как дисциплина, которая обогащает практически все отрасли, в которых она применяется, машинное обучение бросает вызов общепринятым границам, где бы оно ни происходило. Чтобы узнать больше о том, как Tellius раздвигает предполагаемые границы с помощью аналитики на основе поиска, свяжитесь с нами.

Об авторе:

Аджай Кханна — генеральный директор и основатель Tellius, стремящийся переосмыслить анализ данных, объединив возможности поиска с прогнозной аналитикой. Аджай имеет опыт создания и развития успешных инновационных стартапов. Он увлеченный технический новатор с опытом создания новых технологий и прорывных бизнес-моделей.