數據可以成為公司最有價值的資產，為預測從未來收入到購買行為和客戶保留等所有方面提供基礎。許多公司擁有完善的商業智能(BI)團隊，可以審查和分析歷史數據以了解績效和管理趨勢。

但是，當公司想要超越傳統的歷史分析以整合預測分析和人工智能(AI)時，他們在尋找所需人才和工具方面面臨挑戰。數據科學家很難招聘，而且他們受過培訓，更多地關注研究和模型準確性，而不是實現特定的業務成果。

對于企業來說，要充分利用他們的數據，關鍵是彌合數據科學和BI之間的鴻溝。這兩個領域都分析數據以推動業務發展，但每個領域都有優勢和局限性。

經典商業智能

經典BI很好理解：它主要側重于解釋過去的事件和趨勢，并將它們呈現在易于理解的聚合報告和儀表板中。BI的一個局限性在于，生成的洞察力通常是假設驅動的，旨在通過查看具有相似特征的大部分人來解釋過去發生特定趨勢或行為的原因。

但如果沒有機器學習(ML)，BI就無法提供精確、超細粒度的洞察，直至單個客戶級別。大多數BI團隊也沒有實施預測建模所需的深度統計分析培訓。

這就是數據科學應該提供幫助的地方。到目前為止，數據科學常常未能實現對許多企業的承諾。預測性和規范性模型很難部署，而且大多數項目從未投入生產。與此同時，公司面臨著量化其ML和AI投資所產生的業務影響的挑戰。

為了解決人才短缺以及數據科學與業務優先事項之間的脫節問題，新的高級分析解決方案可幫助公司利用現有的業務分析人才。

業務分析師通常與特定部門或業務線密切合作，因此這些專業人員知道他們的組織如何捕獲數據以及他們如何創造和衡量業務價值。此外，今天的許多業務分析師都渴望訪問自動化統計分析、機器學習和數據清理，以便他們可以專注于解釋和應用為公司提供更多價值的預測模型。

BI團隊了解數據以及對業務重要的內容。他們可以與業務領導者一起回答以下問題：您希望改進哪些指標?您是否正在嘗試增加收入、減少客戶流失或增加客戶生命周期價值?這些不同的目標將指向分析數據的獨特方法。

應用人工智能

將AI功能應用于BI數據已將分析從總體上看過去轉變為預測單個客戶的未來并突出營銷機會。這可以幫助回答許多問題：

移動游戲發行商應該多久向玩家提供一次特定的促銷活動以吸引他們重返游戲?

電子商務公司應該提供多少折扣來贏回過去兩個月內沒有購買但其預測生命周期價值使他們成為VIP類別的客戶?

如果客戶有90%的可能性會自行返回，營銷團隊是否應該將營銷資金用于重新定位他們或將資金轉移到不同的計劃或活動?

BI只能向您表明玩家和客戶之間存在聯系，他們收到了特別優惠并再次返回玩或購買-但這種聯系只表明人們喜歡免費的東西和折扣。它并沒有告訴我們哪些客戶會在未來的特定時刻真正喜歡特定的優惠。

預測分析無需向一大群人提供相同的優惠，而是可以確定哪些客戶最有可能自行返回，哪些需要促銷。有了這些信息，公司就可以將其營銷定位于特定客戶，這些客戶將在正確的時間對這一推動做出最好的反應。

以精確性和自動化為基礎的業務效率對于獲得和保持規模至關重要，尤其是在資源因充滿挑戰的市場條件而受到限制時。預測模型提供了客戶未來的一瞥。當在將BI和數據科學結合在一起的軟件平臺中構建和部署時，許多公司都可以使用這些預測功能。

如果我們想最大限度地為能力強大、數據豐富的BI團隊帶來更多的機會，為企業帶來更多價值，那么數據科學和業務分析之間的鴻溝就需要彌合。

實現人工智能預測的飛躍

為了開始利用他們的BI數據并實現AI預測的飛躍，公司應該考慮這些步驟，以最大限度地利用他們的數據和團隊的潛力。

從心中的問題開始。專注于您想要轉移的業務需求，并具體了解如何使用預測分析來實現這一目標。如果客戶最近沒有購買過東西，那么激勵他們這樣做很重要，但找到激勵和渠道的正確組合可能會很棘手。這是人工智能可以幫助解決的問題。例如，數據分析師可以使用基于預測模型的評分系統來自動識別可能響應更大折扣并保留更長時間的客戶。這種能力意味著您可以通過更深入地了解讓每位客戶回頭的原因來預測和塑造未來的客戶結果。

不要強調“完美”的數據。一個新的數據項目可能需要數周的驗證和數據預處理。如果您的團隊中有業務分析師使用Looker和Tableau等工具，那么您可能有大量數據可供他們分析。您不需要確保每個數據點都被考慮在內。您可以使用已有的數據來創建預測分析。如何使用您的BI-ready數據，這意味著數據已經處于可以驅動經典分析的狀態，并選擇一個預測分析解決方案，該解決方案可以自動化耗時的數據準備以創建AI-ready數據集。在進行任何特征工程并創建單個模型之前，它可以為您節省數月的數據預處理時間。

設計A/B測試以驗證預測的準確性。A/B測試是嘗試新變化和方法(如預測建模)的最快方法之一。開發模型后，應針對使用您的常規方法處理的控制組測試使用它的效果，例如您可能用于確定提供給客戶的報價的業務規則。如果您不測試模型如何集成到您的業務流程中并將其影響與對照組進行比較，那么您無法確定該模型是否會產生您想要的業務成果。

豐富您擁有的數據。您的內部交易和客戶數據是預測分析的理想起點。而且，盡管沒有必要，一些企業也受益于使用外部數據源豐富他們的數據，例如天氣、假期和公共衛生數據。自動化豐富是確保額外數據流不斷為模型的準確性和實用性增加價值的最快方法之一。

計劃模型監控和再培訓。有一個普遍的誤解，即機器學習模型會隨著時間的推移完全靠自己變得更好。事實恰恰相反——模型的保質期通常很短。它們會在一段時間內工作得很好，但隨著您的企業根據模型制定不同的策略以及客戶行為發生變化，它們的性能會隨著時間的推移而變化。許多雇傭數據科學家的公司發現他們還需要專門的機器學習操作(MLOps)團隊來處理模型實施和持續的模型管理。但是，為了節省時間和資源，自動化解決方案可以監控和重新訓練模型，以便它們繼續提供高性能和業務影響。