您的位置首页 >网络行情 >

大数据与机器学习相结合可帮助企业做出更明智的决策

如今,机器学习和大数据对企业的重要性不容忽视。两者都在革新业务运营,并不断提供许多新机会。尽管机器学习的历史可以追溯到1950年代,但它现在比以往任何时候都更受实际大规模应用的支配。另一方面,在发现全球数据的90%是在前两年中产生之后,大数据在2013年就成为了事物。

因此,大量的数据生成既是挑战也是机遇。作为一种机会,大数据使企业能够洞察各种市场情况并确保更好地了解消费者的行为和喜好,从而使企业不必在黑暗中摸索,而是做出明智的实时决策。

但是,值得注意的是,大数据本身没有什么价值。为了有用,它必须通过各种分析方法来进行操作,其中许多分析方法不仅仅提供统计上的见解。

机器学习可通过为复杂的业务问题制定和实施解决方案来揭示大数据的潜在潜力,因此非常有用。

通过以下四种方式将大数据与机器学习相结合可以帮助改善商业智能,以及为企业所有者提供的一些外卖服务。

1.促进客户细分

在企业的客户群中找到不同的群体并不少见-每个群体都包含有着广泛相似性的个人。实际上,发现这样的群体是每个企业应采取的关键步骤。

幸运的是,机器学习聚类算法非常适合实现这种细分。许多此类算法不受监督,因为它们不需要特殊的人工指导即可操作。而是,无监督的聚类算法仅需要用于探索的数据,以便发现相似性和差异(存在它们的地方),并基于许多功能提出不同的聚类。

2009年,Orbitz成立了一个机器学习团队,以促进细分,其中还有其他原因。三年后,它从可支配的数据中发现了一种模式:与Windows用户相比,Mac用户愿意在酒店房间每晚多花30%的费用。这项发现使(Orbitz)很快就会付诸实践,因为它显然有助于为根据不同酒店类型支付的相对倾向来细分业务的客户群奠定基础。

您的企业还可以利用机器学习和大数据的力量来实现细分。但是,首先,您需要发现细分是否对您的组织有任何潜在的好处。如果您相信的话,那么就必须在数据分析上进行大量投资,使您的业务机器学习做好准备,然后雇用机器学习团队。就像您将很快看到的那样,机器学习不仅有助于准确,高效地理解您所使用的数据,而且还有助于实施核心业务策略。

2.使目标切实可行:

仅仅知道您的客户群是由不同的群体组成的,并不能削减它-您必须设计手段来满足不同的需求。

Orbitz通过针对不同的客户群来回应早先所说的发现:向Apple用户展示价格更高的酒店。有理由认为此举是明智之举,因为这样的战略目标一定是非常有利可图的。

另一方面,有时有必要将自己的客户群视为具有不同偏好的不同个人,而不是由不同群体组成的集团。这种观点将使根据每个人的特定行为和感知的偏好为他们量身定制产品变得更加务实。同样,在大数据的支持下,机器学习对此起到了促进作用。

例如,Google使用大数据来更好地理解您的偏好,并将其与复杂的(机器学习)算法结合起来,以为您进行的每个查询提供理应相关的结果。这就是为什么您过去的选择(例如,您访问过的网站)最终会影响显示的某些结果的原因。

机器学习和大数据也在有针对性的广告领域取得突破。举例来说,皮克斯(Pixar)会根据学习到的偏好,以不同的电影广告来吸引观众。Netflix还估计,由于“ Netflix上瘾”,其算法每年可从客户保留方面创造10亿美元的价值,这主要是受到用户和基于项目的协作过滤所提倡的准确建议的刺激。

换句话说,企业所有者需要理解,以不同的方式瞄准消费者非常有意义,而机器学习则可以实现个性化,这对于提供更好的用户体验至关重要。假设您经营一家电子商务企业,机器学习可以帮助您个性化广告,使人们只看到最有可能满足其需求的产品。无疑,这将为您的平台增添一丝亮丽的色彩,并可以通过增加销售额和提高客户保留率来改善您的利润。同样,“ Netflix成瘾”充分说明了机器学习引起的定向的潜力。

3.促进预测分析:

从大数据中了解消费者行为之后,您将需要使用机器学习来进行概括,从而对各种业务问题做出预测。

换句话说,机器学习模型可以从数据中学习行为模式,并确定一个人或一组人采取某些行动(例如订阅服务)的可能性。这样就可以预测事件并做出未来的决策。

美国运通公司(American Express Company)使用大数据通过从历史交易中学习来分析和预测消费者行为。通过这种方式,它可以预测其澳大利亚市场中有24%的帐户将在四个月内关闭。T-mobile还使用大数据来预测消费者的波动。

要做出此类预测,您必须聘请机器学习专家来帮助应对您的业务数据。分类算法通常用作此类预测的基础。

4.为风险分析和监管奠定基础:

大数据使机器学习模型能够广泛地分析和规范风险。

对于欺诈检测,美国运通将机器学习应用于分析大型历史数据集。实际上,机器学习系统被认为与先前存在的欺诈检测系统有所不同,后者仅包含手动创建的规则,并且性能更好,因为它可能会随着更多数据输入而得到改善。伯纳德·马尔说,这也为公司节省了数百万美元。

您的企业还可以利用机器学习来减少财务违规行为。实际上,许多组织正在开发系统以简化流程。例如,IBM在IBM z / OS上为金融机构提供了机器学习系统,以帮助进行金融风险管理。该系统特别关注信用评分,其目的是推导其用于评估风险的信用价值。

使用机器学习模型可以在确保反洗钱合规性,检测胭脂交易和其他交易异常方面大有帮助,因此最好不要使您的企业对这些理智的因素感到饥饿。

机器学习和大数据目前正在获得应有的关注,毫无疑问两者都取决于彼此的优势。更重要的是,两者一直对我们开展业务运营的方式产生重大影响。本文揭示了将机器学习和大数据结合起来的四种方法(如果应用的话)可以成为商业智能的基础。因此,留给您的是作为企业家的游戏。

郑重声明:本文版权归原作者所有,转载文章仅为传播更多信息之目的,如作者信息标记有误,请第一时间联系我们修改或删除,多谢。