企业如何释放大数据的潜力

2019-01-10    来源:raincent

容器云强势上线!快速搭建集群,上万Linux镜像随意使用

专家们预测,到2025年,数据宇宙(或称数据宇宙)的范围将达到180泽字节。这是一个真正令人难以置信的数字,突出了大数据的指数增长。《数据战略:如何从大数据,分析和物联网世界中获利》一文章的作者Bernard Marr提供了一些观点,并指出世界上90%的现有数据是在过去两年中产生的。

 

企业如何释放大数据的潜力

 

不幸的是,可用数据的数量和种类并不总是等同于价值。

企业如何有效利用大数据?哈佛大学的Gary King认为“大数据与数据无关!”他写道,“尽管数据的数量和多样性的增加令人叹为观止,但数据本身并不是大数据革命所带来的。分析使数据在过去几十年中可行的进展也是必不可少的。“这就是人工智能(AI)的用武之地。

让人工智能走出科幻领域

人工智能经常被误解,根植于好莱坞电影对机器人和操纵大型机的刻板印象。但人工智能的现实远没有那么邪恶。人工智能可以分为两种主要类型:

狭义-也称为弱人工智能,狭义人工智能可以为特定任务利用大数据。例如,预测分析可用于识别数据中的模式和相关性,从预测天气到分析新闻数据以预测风险。

通用-也称为强人工智能,通用人工智能涉及人类的认知能力。尽管如此,这些认知技能还是有限的。机器学习属于这种类型;虽然它不能实现抽象的'思想',但它确实支持适应和持续改进。

有些人认为人工超级智能是第三种类型,但是现在,它更具理论性而非实际性。IBM公司的Watson击败Jeopardy冠军或亚马逊的Alexa回应请求可能模仿人类的反应,但到目前为止,计算机还没有真正的认知飞跃。相反,他们只是以比人类更快的速度访问大量大数据。就目前而言,人类终结者仍然是一个虚构小说-但是那些未能接受人工智能风险的对手的存在,这些竞争对手更快采用,并从数据实施中提取价值。

Netflix是数据驱动的领导者的主要例子。随着流媒体视频的普及和视频租用的不断增加。Netflix开始使用数据分析来增加用户群,增强客户保留率并为编程决策提供信息。该公司表示,其算法每年为客户保留节省10亿美元。此外,分析激发了Netflix制作的几个广受好评和粉丝喜爱的系列,其中包括House of Cards,Stranger Things和Orange是NewBlack。

克服从大数据中提取价值的挑战

虽然大多数公司都认识到实施大数据计划的重要性,但许多公司仍然在艰苦努力。许多挑战都是组织性的,从吸引和留住数据专家到打破组织数据孤岛,以更好地利用内部数据集。根据2017年“哈佛商业评论”的一篇文章,近70%的公司将建立数据驱动型文化作为优先考虑事项,但只有40%的公司达到了目标。

那么应该从哪里开始?首先,确定想要回答哪些关键业务问题。然后查看发现答案所需的数据类型。一些数据可能在内部提供。有些人可能需要一些努力从各个部门的孤岛中提取;有些可能在公共领域可用;有些可能通过数据即服务(DaaS)提供商提供。此外,考虑如何与主要利益相关者分享发现的见解。使数据可访问意味着消除技术术语,并讲述令人信服的故事。数据可视化为原始数据注入活力,使其在展示基本要点时更容易消化。

然而,通过适当的人员,流程和数据集,组织可以从机器学习、预测分析和其他数据实施中获得可操作的商业智能和可衡量的投资回报率(ROI)。

发现隐藏的见解-人工智能可以帮助公司检测从客户流失的根本原因到可以激发新产品或服务的新兴趋势的模式。使用公司、行业和经济数据进行回归建模可以帮助组织了解政府政策或市场变化的实时影响和长期后果。新闻和社交媒体数据的分析可以补充内部客户数据,以增强营销范围和有效性。

自动化业务流程-对冲基金可利用先进的人工智能分析实现高频交易,从识别导致执行不良交易的模式和从这些模式中“学习”,以改善未来的交易表现,从而根据历史和目前的市场数据。银行可以利用机器学习算法和预测分析来自动化欺诈检测,或快速识别客户的制裁风险。

减少中断-缺乏洞察力往往是破坏性事件的核心。借助预测分析和物联网(IoT)数据,制造商可以通过了解何时需要进行预防性维护来避免生产放缓,从而避免装配线上的中断。同样,数据分析使PR和营销组织能够在危机或机遇出现时加快响应速度。

实现节约-大数据和分析支持的运营效率可以减少开支,同时为人工智能无法完成的工作释放人力资源。此外,优化决策的能力-无论是与股票交易者的买入/卖出决策相关还是推出新产品-都为创造可衡量的价值打开了大门。

随着机器学习和预测分析变得更加复杂,企业可以根据证据做出决策,深度学习将更加突破界限,更好地解决问题和理解语言。那么你准备好了吗?

标签: 大数据 媒体 数据分析

版权申明:本站文章部分自网络,如有侵权,请联系:west999com@outlook.com
特别注意:本站所有转载文章言论不代表本站观点!
本站所提供的图片等素材,版权归原作者所有,如需使用,请与原作者联系。

上一篇:AI/机器学习2018年度进展综述

下一篇:2018年Top 10影响力AI研究论文