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
B+树作为数据库索引的核心数据结构,其高效的查询、插入、删除性能,离不开节点间指针的合理设计。在日常学习和数据库开发中,很 ...
2026-01-30在数据库开发中,UUID(通用唯一识别码)是生成唯一主键、唯一标识的常用方式,其标准格式包含4个短横线(如550e8400-e29b-41d4- ...
2026-01-30商业数据分析的价值落地,离不开标准化、系统化的总体流程作为支撑;而CDA(Certified Data Analyst)数据分析师,作为经过系统 ...
2026-01-30在数据分析、质量控制、科研实验等场景中,数据波动性(离散程度)的精准衡量是判断数据可靠性、稳定性的核心环节。标准差(Stan ...
2026-01-29在数据分析、质量检测、科研实验等领域,判断数据间是否存在本质差异是核心需求,而t检验、F检验是实现这一目标的经典统计方法。 ...
2026-01-29统计制图(数据可视化)是数据分析的核心呈现载体,它将抽象的数据转化为直观的图表、图形,让数据规律、业务差异与潜在问题一目 ...
2026-01-29箱线图(Box Plot)作为数据分布可视化的核心工具,能清晰呈现数据的中位数、四分位数、异常值等关键统计特征,广泛应用于数据分 ...
2026-01-28在回归分析、机器学习建模等数据分析场景中,多重共线性是高频数据问题——当多个自变量间存在较强的线性关联时,会导致模型系数 ...
2026-01-28数据分析的价值落地,离不开科学方法的支撑。六种核心分析方法——描述性分析、诊断性分析、预测性分析、规范性分析、对比分析、 ...
2026-01-28在机器学习与数据分析领域,特征是连接数据与模型的核心载体,而特征重要性分析则是挖掘数据价值、优化模型性能、赋能业务决策的 ...
2026-01-27关联分析是数据挖掘领域中挖掘数据间潜在关联关系的经典方法,广泛应用于零售购物篮分析、电商推荐、用户行为路径挖掘等场景。而 ...
2026-01-27数据分析的基础范式,是支撑数据工作从“零散操作”走向“标准化落地”的核心方法论框架,它定义了数据分析的核心逻辑、流程与目 ...
2026-01-27在数据分析、后端开发、业务运维等工作中,SQL语句是操作数据库的核心工具。面对复杂的表结构、多表关联逻辑及灵活的查询需求, ...
2026-01-26支持向量机(SVM)作为机器学习中经典的分类算法,凭借其在小样本、高维数据场景下的优异泛化能力,被广泛应用于图像识别、文本 ...
2026-01-26在数字化浪潮下,数据分析已成为企业决策的核心支撑,而CDA数据分析师作为标准化、专业化的数据人才代表,正逐步成为连接数据资 ...
2026-01-26数据分析的核心价值在于用数据驱动决策,而指标作为数据的“载体”,其选取的合理性直接决定分析结果的有效性。选对指标能精准定 ...
2026-01-23在MySQL查询编写中,我们习惯按“SELECT → FROM → WHERE → ORDER BY”的语法顺序组织语句,直觉上认为代码顺序即执行顺序。但 ...
2026-01-23数字化转型已从企业“可选项”升级为“必答题”,其核心本质是通过数据驱动业务重构、流程优化与模式创新,实现从传统运营向智能 ...
2026-01-23CDA持证人已遍布在世界范围各行各业,包括世界500强企业、顶尖科技独角兽、大型金融机构、国企事业单位、国家行政机关等等,“CDA数据分析师”人才队伍遵守着CDA职业道德准则,发挥着专业技能,已成为支撑科技发展的核心力量。 ...
2026-01-22在数字化时代,企业积累的海量数据如同散落的珍珠,而数据模型就是串联这些珍珠的线——它并非简单的数据集合,而是对现实业务场 ...
2026-01-22