分析演进的四个阶段:从电子表格到 AI 工作台

文章 (25) 2021-12-30 20:58:09

许多年前,我去寻找一些“桌面人工智能”——一种能让我梳理数据趋势的人工智能。我知道IBM 的 Watson,所以我访问了该网站,希望能上传数据并访问一些机器学习。“这不是它的工作原理,”当时在 IBM 工作的一位朋友告诉我。“你不能只按一个按钮就得到人工智能。”

现在已经不是这样了。今天,AI 工具和工作台允许您点击进入一些非常高级的建模技术,而无需任何编码或编程语言知识。这当然并不意味着每个人都可以成为数据科学家。但是今天的商业专业人士可以使用人工智能进行基于数据的预测。有时,就像单击一个显示“预测器”的按钮一样简单。

为了正确看待这一点,让我们检查一下面向业务人员的数据分析技术的四个阶段——三个阶段将我们带到了这一点,然后是未来。

第一阶段——简单的数据管理
多年来,企业一直在电子表格(最著名的是 Excel)上组织信息以运行分析,例如按组进行汇总统计。当然,要从工具中获得价值,用户需要了解输出;否则,这个练习就毫无意义——而且在根据尚未完全了解或理解的事物做出决定时可能会很危险。

例如,在电子表格时代,数据分析师可能已经比较了不同群体或细分市场的客户购买行为。假设分析显示第 1 部分的平均购买量高于第 ​​2 部分,从而得出第 1 部分客户对业务更重要的结论。对可变性稍微深入的分析可能会揭示,第 2 部分的客户实际上是更一致的购买者。也就是说,更好地了解工具可以产生什么可以更有效地使用工具。

虽然电子表格是满足日常业务专业人士分析需求的良好开端,但它可能是一个生硬的工具,没有必要的细微差别以获得更深入的洞察力。

第二阶段 - 强大但无法访问的工具
下一阶段将用于分析数据的先进 AI 技术带入商业世界的主流。但直到几年前,最强大的 AI 分析还仅限于使用代码构建模型的程序员和开发人员。如果有人想比较 10 个不同的模型以查看哪个模型在预测结果方面最有效,则有必要为 10 个不同的模型编写代码。

第三阶段 – 强大、可访问的 AI 工作台

当今面向消费者的新型技术工具将强大的算法与出色的用户界面相结合。与阶段 2 工具不同,AI 工作台不再需要编码知识来构建许多 AI 模型。此外,最好的 AI 工作台可以轻松地同时运行多个模型并确定数据的最佳模型。

然而,与最初的简单数据管理相比,理解结果的重要性没有改变。当算法产生结果时,使用该结果的方法有对有错,简单而微妙。

回到客户细分的例子,如果人工智能模型表明某个客户细分可能会增加价值,人类仍然需要决定如何处理它。他们是否应该更多地与这些客户互动以确保取得良好的结果;还是保持现状,因为这些客户可能会自己带来好的结果?换句话说,它需要人类的专业知识,而人工智能提供有价值的输入来补充这些专业知识。

最近,当我看到一个业务团队决定如何在来年部署销售团队人才和资源时,我看到了这一点。在没有任何正式的数据科学培训的情况下,该团队构建了一个 AI 生成的图形,可以高度准确地预测 AI 定义的客户群的购买行为。

五年前,这个团队需要昂贵的外部数据分析资源来处理这个项目。但更有可能的是,他们一开始就从未想过要建立一个预测模型。不过,如今,这种分析已成为他们开展业务的方式的一部分。

《哈佛商业评论 》最近的一篇文章指出,从 Covid 大流行中出现的数字化转型表明,数据分析和人工智能对商业领袖的重要性。它引用了The AI Journal最近的一项调查,该调查发现 72% 的商业领袖认为人工智能将在未来发挥积极作用。

那么,问题是面向消费者的人工智能工具的未来会是什么样子。

第四阶段 – 分析技术的下一个前沿

展望未来,随着分析洞察力融入日常业务流程和工作流程,生产力的新前沿正在出现。目前,常见的“桌面人工智能”工具可以显示各种因素如何与结果相关;因此,采取下一步并使用这些关系来规定一些最佳的输入组合并不是一个繁重的计算提升。明确地说,我不只是想看看模型背后的东西(即“玻璃盒 AI”);我希望模型向我展示所有潜在结果的最佳输入组合,并将其与我的特定决策正确的好处和错误的成本联系起来。

我对未来的愿望清单还包括改进数据集成。通过相关的外部数据,人工智能越来越好。这似乎表明,围绕人工智能识别有价值的外部数据集并轻松集成和配置它们的能力,未来市场将蓬勃发展。

从那里,很自然地想象出一套可以真正定制的决策工具,将人工智能工具的力量放在商业专业人士的指尖。这不会将他们变成数据科学家,也不会稀释专业数据科学家的价值。然而,只要结果得到充分理解,将人工智能更无缝地集成到日常业务中将增加其价值和可用性。

THE END
内容页下方广告位

发表评论