2016年机器学习全力变革十大商业领域

机器学习正在提供市场所需的算法、应用,以及提高企业数据价值和预测精度的框架,帮助各种公司战略更快获得成功,创造比以前更多的收益。

摘要:机器学习正在提供市场所需的算法、应用,以及提高企业数据价值和预测精度的框架,帮助各种公司战略更快获得成功,创造比以前更多的收益。

正受机器学习影响的产业

现在,对企业来说,有一个好消息:多年储备的所有数据可以转变成竞争优势,而且有助于完成企业战略目标。企业的收益团队正在利用机器学习,优化促销,赔偿以及销售返利等策略,以驱动销售渠道的各种可欲行为。机器学习可以用于预测所有销售渠道的购买倾向,为客户制作个性化的产品推荐,预测客户的长期忠诚度,以及供应商和采购商的潜在信用风险等。图1 为我们展示了不同行业机器学习的大致应用情况。

016年机器学习全力变革十大商业领域"

016年机器学习全力变革十大商业领域"

机器学习正在变革销售和营销业

机器学习与先进的分析技术不同,后者常以寻找因果关系为首位,而前者的设计目的是,基于大规模数据集的预测价值,寻求制定最优决策的可能性。数据集由结构化数据和非结构化数据组成,随着社交网络正在全球遍地开花,也推动了非结构化数据的增长。有证据证明,机器学习可以高效执行预测任务,包括定义哪种行为最有望驱动可欲销售和营销结果。一些雄心勃勃且客户众多的企业,已经开始先知先觉地应用机器学习解决销售和营销难题。在《麻省-斯隆管理评论》一篇文章中, Sales Gets a Machine-Learning Makeove 与 Accenture Institute for High Performance (埃森哲高性能研究所)分享了一则调查报告结果,该报告的调查对象为销售额都在5亿美元以上企业,这些企业定下了更高的销售增长目标,因为使用了机器学习。这份研究结果的主要内容如下:

  • 76%的企业表示,他们正在使用机器学习,将提高了销售增长目标。今天,通过创造和优化倾向模型( propensity models)来指导推荐销售和交叉销售,这正是机器学习为全方位渠道销售策略做出贡献的地方。
  • 利用机器学习改善销售和营销成绩的企业比例至少40%。也就是说,五分之二的公司已经在销售和营销业务中应用了机器学习。
  • 38%的企业将业绩指标的提高归因于机器学习技术。调查跟踪的指标包括新销售线索(leads),推荐销售(upsells)以及销售周期,增长了两倍或更多,而41%的企业利用机器学习,业绩指标提升了5倍或更多。
  • 有几家欧洲银行的新产品销售额提高了10%,顾客流失率减少了20%。麦肯锡(全球著名管理咨询公司)最近一项研究发现,有十几家欧洲银行都正在用机器学习替换统计建模技术。同时,这些银行的客户满意度和顾客终身价值( Customer Lifetime Value )也都得到了提升。

为什么企业越来越多地应用机器学习

机器学习能够扩展到企业所面临的各项挑战中,如合同管理,客户服务,金融,法律,Quote-to-Cash,质量,定价,生产等,这一能力要归功于机器学习会不断学习并改善表现。机器学习算法本质上是迭代、持续学习的,并且会寻找最优的输出结果。每出现一次误算,机器学习算法就会改正一次错误,然后开始下一次的数据分析的迭代计算。计算过程以毫秒为单位进行,机器学习可以异常高效地优化决策和预测输出。

加速企业采用机器学习的几项因素有,云计算、云存储的经济性,驱动物联网连接设备增长的传感器的发展,可在几分钟内读取几 G 数据移动设备的普遍使用,等。还有以下情况,搜索引擎中创建语境(creatingcontext )所面临的许多挑战,在预测最具可能后果时,优化运行所面临的复杂问题,以及既有的让机器学习蓬勃的完美条件。

以下是目前促进机器学习增长的核心因素:

  • 企业每日决策所依赖的数据正以指数级增长,有80%的数据为非结构化数据。对企业来说,需求预测,客户关系管理(CRM),企业资源计划(ERP)的交易数据,运输成本,条形码,库存管理,历史定价,服务成本,支持成本,会计标准成本等数据仅仅是每日做出决策时所需的结构化数据的几个主要来源。而非结构化数据,如社交媒体,邮件记录,通话记录,客户服务,技术支持记录,物联网的传感数据,竞争对手和合作伙伴的定价信息,供应链跟踪数据等数据的指数级增长中,常常会蕴含预测模型,而这些模型正是当今企业完全忽视的。希望成为具有强大竞争力的行业领导者的企业,正在致力于对非结构化数据的进一步洞察,并用机器学习技术将数据转变成自己的竞争优势。
  • 随着物联网(IoT)平台,系统,应用,传感器不断渗透到全球企业的价值链中,物联网,嵌入式系统和设备正在源源不断地实时生成数据,而这些数据正以指数级增长,与此同时,这些数据正是进一步优化供应链网络,提升需求预测的性能方面的理想数据。这些大规模数据集的可用性以及内在价值,则会进一步驱动机器学习应用的普及。
  • 通过合成方法生成大规模数据集的方式有,对现存的历史数据使用外推法和投影法,以创建真实的仿真数据。不论是天气预报,还是利用可生成几 TB 字节的先进模拟技术优化供应链网络,其中,调整预测能力,以及获得更好的优化结果的能力,都驱动着机器学习的应用。产品发布和销售战略方面的模拟数据集的应用,目前还处于起步阶段,但是,在研发可预测购买水平的消费倾向模型方面,其应用展现出了潜力。
  • 数字存储和云计算的经济性正结合起来,一同降低基础架构成本,让所有公司用得起机器学习。使用信用卡甚至在几分钟内就可以完成线上存储和公共云实例的在线购买。随着安全云存储的可信度的提升,由于与云平台相比,数据库的可访问性更加有限,所以,从数据库迁移遗留数据,也变得更加普遍。对很多欠缺 IT 部门的小型企业来说,云平台可以给他们一个可扩展的安全平台,用以管理企业各个地理位置的数据。

本文选自福布斯,作者:Louis Columbus;机器之心编译

本文出处:,链接:,采用「CC BY-SA 4.0 CN」协议转载学习交流,内容版权归原作者所有,如涉作品、版权和其他问题请联系「我们」处理。

发表评论

登录后才能评论

联系我们

如有建议:>>给我留言

大数据交流群

统  计  学 数据分析网-统计学

商业智能 数据分析网-商业智能

数据挖掘 数据分析-数据挖掘

数据产品 数据分析网-数据产品

QR code