分析是未来. 这也是现在,但你已经知道了. 你的公司正在收集数据(很可能已经这么做很多年了), 你可能已经有一两个系统从数据中收集见解,做出更明智的决定. 但就在你掌握分析程序的时候, 你开始听说“增强分析”,现在你担心你也需要采用这种方法来保持在这个不断变化的世界中的竞争力.

好消息是,增强分析将使你的生活变得更容易! 增强分析(根据Gartner, 会知道), 使用机器学习和人工智能等技术来协助数据准备, 了解一代, 以及洞察性解释,以增强人们在分析和BI平台中探索和分析数据的方式.”

无论你做什么,无论你怎么做, 增强分析可以从数据中提供更深入的情报,而不需要那么繁重的工作. 在这篇文章中, 彩乐园将介绍增强分析如何改善你的分析用户体验和结果, 不管你的技术水平如何.

从Gartner获得关于增强分析趋势、供应商工具和建议的指南:

Gartner指南下载

数据科学和人工智能:增强BI过程中的每一步

下面您将看到传统的BI流程:您从一个希望使用数据和智能试图解决的问题开始, 希望你能一步步做到这一点. 增强分析将改善这一古老过程的每一步. 数据科学和人工智能因为各种各样的原因结合在一起,可以帮助所有技能水平的用户从他们的数据中收集可操作的智能. 让彩乐园看看是如何做到的:

分析圆

增强分析通过扩展来发展上述循环 自助式BI 让不太直接参与数据科学的用户更容易理解分析. 每一步都融入了人工智能元素,使所有技能水平的用户能够发现他们需要的可操作的智能,以发展他们的业务. 像Sisense这样的平台引领了人工智能分析的发展趋势,并将这些系统的智能注入到用户的工作流程中, 以及应用程序和体验.

数据准备, 随附数据质量评估, 连接到数据集并执行分析本身, 有用的AI元素, 无形地集成到平台中, 使分析更流畅、更直观. 传统上, 数据分析划定了编码人员和业务用户之间的界限, 但增强分析弥补了这一差距. 

人工智能交易的工具

AutoML

增强分析就是尽可能地自动化和改进分析周期. AutoML的目标是自动化机器学习模型的开发. 每个分析用户都可以从这种类型的增强中受益. 具体地说, 所有ML项目所共有的熟悉任务现在可以标准化和自动化了. 大致说来,这些任务包括:

  • 数据准备
  • 工程特性
  • 模型生成
  • 模型评价

正如你所看到的,这变得非常复杂. 将这些工具交到金融分析师(称为量化分析师)和保险精算师手中,迅速解决了准入问题,并打开了受众. 描述这些方法的典型数据科学文本是1000页的方程和算法. 今天,很多数学已经自动化了. 重点是,这些方法在许多范围内都是标准化的, 值得注意的服务已经存在, 如谷歌云 AutoML. 在人类努力的每一个领域都能获得收益.

数据科学家的代码驱动分析

而AutoML中存在低代码和无代码平台,极大地扩展了人工智能用户领域, 拥有更多编码能力的用户可以期待从人工智能中获得更多的好处,这是事实. 例如, 对于为什么数据准备(上面提到的ML的四个主要步骤中的第一个步骤)对训练ML模型很重要,有一些基本了解的用户将确保模型产生的预测结果更准确.

而人工智能系统有时是公司寻求构建的目标产品, 作为一种开发工具,人工智能本身也可以让高技术用户受益. 具有数据技能(包括SQL)的团队成员, Python, R, 和其他原型设计方法可以直接用于增强Sisense等分析建模平台. 更多的技术用户可以编写代码为高级分析准备数据, 构建更复杂的数据模型, 创建物化视图, 做情绪分析, and more; the imagination is the only limit. 换句话说, 数据专家可以将他们的编码技能与人工智能功能相结合,从而生成更复杂、更准确的模型. 而人工智能是工具 处于开发阶段, 作为一种开发工具,人工智能本身也可以让高技术用户受益. 具有数据技能(包括SQL)的团队成员, Python, R, 和其他原型设计方法可以直接用于增强Sisense等分析建模平台. 更多的技术用户可以编写代码为高级分析准备数据, 构建更复杂的数据模型, 创建物化视图, 做情绪分析, and more; the imagination is the only limit. 换句话说, 数据专家可以将他们的编码技能与人工智能功能相结合,从而生成更复杂、更准确的模型. 

一个受过统计训练并对深度学习神经网络如何运作有一些基本知识的ML用户,可以从收入和年金列开始,生成包括平均值在内的附加特征, 标准偏差, 并利用峭度增强模型训练数据,从而提高预测精度. 潜在的好处是无限的. 这些方法已经变得如此标准化,以至于出现了一种新的人工智能开发模式,寻求获得DevOps的开发效率:AIOps.

AIOps

AIOps是关于应用DevOps方法来解决人工智能领域的挑战, 软件的一种特殊分支,包含一种特殊的开发方法. 特别是, DevOps的实践希望实现服务开发的运营效率,而这些服务现在必须在人工智能开发中实现.

根据DevOps范式,将应用程序作为服务不断开发和发布,这种做法现在已经被广泛采用,而且几乎被普遍接受, 随着云计算的迅速发展. 随着高效构建和维护软件服务的规模和复杂性的不断增加,同样的DevOps解决方案也在随着AIOps的不断发展而展现出了类似的有效性, 对工程师和最终用户都有好处.

提高客户满意度是AIOps的许多预期好处之一. 例如, 智能客服系统可以独立行动解决客户问题: 

在理想的情况下, 基于人工智能的应用或服务可以在工作时学习, 与客户交互并建议配置调整,以提高自身的性能. 呼叫中心已经报告称,人工智能聊天机器人获得的客户评分高于人工代理! 

像这样的智能系统的使用与工程是密切相关的:AIOps的开发周期同样也包括基于人工智能的开发工具 与他们创造的工具进行交流! 因此,提高工程生产率是AIOps的一个同时好处. 越来越多地, 工程师和最终用户将从繁琐和重复的任务中解脱出来, 从而有更多的时间来提升整个系统的智能化.

增强分析:发展数据专家的角色

由于增强分析的出现,数据科学家和商业用户的角色发生了转变和演变, 新问题出现. 鉴于技术障碍减少了, 所有的业务用户都应该在数据情报和决策中发挥作用吗?

传统上, 哪些团队成员完成哪些任务是严格基于能力定义的:编码ML算法曾经是数据团队成员的专家领域知识. 但是现在任何人都可以插入数据发现工具(特别是使用模型锦标赛概念的工具), 从理论上讲, 几乎任何人都可以评估数据模型.

为什么各行各业的商业人士都不能参加呢 构建和部署新的数据模型 以满足他们的分析需求? 信任和信誉问题将在决定谁可以构建和部署什么方面发挥作用, 不管未来科技会给彩乐园带来什么.  

从Gartner获得关于增强分析趋势、供应商工具和建议的指南:

Gartner指南下载

Inbar Shaham 是Sisense的高级产品经理吗. 她有11年的产品管理经验, 在Clarizen工作过, Takadu, 和ICQ, 等. 

标签: |