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
在MySQL数据库数据查询与数据分析中,GROUP BY与ORDER BY是使用频率极高的核心关键字。二者语法结构相似,常搭配使用,但核心功 ...
2026-09-14随着数字化治理、智慧运营、数字孪生技术的普及,数字体征成为衡量业务状态、系统运行、城市治理与企业经营健康度的核心体系。数 ...
2026-09-14 很多数据分析师沉迷于复杂的模型和算法,却忽略了数据分析的一项基础能力——描述性统计。事实上,大量商业分析问题,用描述 ...
2026-09-14在MySQL数据库运维与开发实践中,经常出现一种典型现象:数据库实际存储的数据量很小,数据表条数少、文件体积低,但服务器整体 ...
2026-09-11 很多数据分析师能熟练计算均值、标准差,但当被问到“总体和样本有什么区别”“参数和统计量有什么关系”“数据级别的高低如 ...
2026-09-11CDA数据分析师 出品 作者:李诗怡 定义: 将同一时间段内因具备相同属性或共同经历的用户划分为群体,分析其留存与生命周期价值 ...
2026-09-11在零售、商超、餐饮、线下门店等实体商业运营中,客流与销售额是衡量门店经营状态的两大核心指标。销售额是门店经营的最终结果, ...
2026-09-10在数据可视化体系中,柱形图是最基础、应用最广泛的图表类型,其中**累计柱形图(堆积柱状图)**是兼顾整体总量与内部结构的核心 ...
2026-09-10 许多数据分析师精通Excel函数和SQL查询,但当面对一张上万行的销售明细表,要快速回答“哪个地区销量最高”“哪款产品增长最 ...
2026-09-10在Python Pandas数据分析中,DataFrame是承载结构化数据的核心载体,数据清洗、数据修正、条件赋值、字段更新等实操场景,都离不 ...
2026-09-09 很多数据分析师掌握了Excel函数、会写SQL查询,但当被问到“数据从哪里来”“数据加工有哪些步骤”“如何使用分析工具连接数 ...
2026-09-09卡方检验(Chi-Square Test)是统计学中针对分类数据的经典显著性检验方法,核心用于判断两个离散分类变量是否相互独立、数据实 ...
2026-09-09CDA数据分析师 出品 作者:李诗怡 1. 销售漏斗阶段判断 题目:销售漏斗模型中,通过广告、社交媒体等方式触达品牌信息(如浏览品 ...
2026-09-07在Python数据分析中,Pandas库的DataFrame是最核心、最常用的结构化数据表对象,类似于Excel的二维表格,具备规整的行列结构、字 ...
2026-09-07在数据分析、经营复盘、业绩预测与经济统计工作中,平均增速(平均增长率)是衡量数据长期变化趋势、业务发展快慢的核心指标。不 ...
2026-09-07 很多数据分析师精通Excel单元格操作,但当被问到“表结构数据的基本处理单位是什么”“字段和记录的本质区别”“为什么表结 ...
2026-09-07随着大数据技术的快速发展,商业竞争逐步从传统的经验式经营转变为数据驱动的精细化运营。海量的用户行为数据、交易数据、运营数 ...
2026-09-04CDA数据分析师 出品 作者:李诗怡 1. 波士顿矩阵(BCG Matrix) 定义: BCG于1970年提出的业务组合分析工具,以"市场增长率"(纵 ...
2026-09-04 数据分析师八成以上的时间在和数据表格打交道,但许多人拿到Excel后习惯性地先算、先分析,结果回头发现漏了一列关键数据, ...
2026-09-04数据透视表是Excel与Power BI中最核心的数据分析工具,具备快速汇总、维度拆分、动态筛选的能力,可高效完成数据归类与统计展示 ...
2026-09-03