机器学习和分析：专家指南

机器学习和分析已成为企业从数据中提取宝贵洞察不可或缺的工具。通过使用强大的算法和统计模型，企业可以发现隐藏的模式，制定更多数据驱动的决策，从而在当今快速发展的市场中获得竞争优势。

虽然团队可以在不使用机器学习的情况下分析数据，但结果可能达不到预期。事实上，机器学习显著提升了分析平台的功能。

什么是机器学习？

机器学习是人工智能的一个子集，它使用基于大型数据集训练的算法来识别趋势、模式和关系，然后使用这些信息进行预测或制定决策，而无需明确编程，并且只需要很少的人工干预。

机器学习技术在许多行业都有应用，包括医疗卫生、财务、营销和网络安全。这些应用通过迭代学习过程（专注于提高准确性、添加自定义和减少模型中的错误）改善结果。

什么是分析？

分析是指从数据中获取洞察并利用数据得出结论或做出决策的过程。它涉及收集、清理和组织数据，以识别趋势、关联和模式。通过使用各种统计和数学技术，分析可帮助企业做出更明智的决策，提高绩效并优化运营。

分析与统计领域相关，后者提供了基本概念，可帮助企业了解自己的数据并利用数据推动增长和成功。在商业领域中，术语“分析”通常是指使用软件对数据进行排序，找到独特的关系，并通过可视化以可访问的方式呈现结果。

关键要点

• 机器学习和分析是共生技术。
• 机器学习可以加快和扩展分析能力，能够识别其他方式经常遗漏的模式和洞察。
• 分析在适当的上下文中处理数据，以便获得具体可行的洞察，为组织创造价值。
• 对于机器学习和分析项目，请考虑持续监视，以检查隐藏的偏见和不准确性。

机器学习和分析详解

分析工作可通过运用机器学习和其他 AI 技术来显著获益。不运用机器学习的分析工具则使用静态算法，可能会错过数据中模糊但重要的模式。机器学习可以发现这些模式，还可以检查比传统分析工具能够处理的更大、更多样化的数据集（如果需要）。

分析是否包括机器学习？

分析不一定需要机器学习。多年来，企业使用基于统计分析的工具来分析数据趋势，预测未来结果，并评估策略的有效性。在不使用机器学习的情况下，他们试图回答这类问题：我们的假日折扣策略效果如何？哪些产品或服务更受此客户欢迎？哪些更赚钱？虽然传统方法可以提供答案，但不使用机器学习，这一过程在范围和可用数据点数量上都有限制。

为了寻找答案，业界多年来一直使用联机分析处理 (OLAP) 来抓取部分交易数据并使用经典统计分析方法进行分析。当数据是结构化的，例如在关系数据库中，OLAP 非常有效。然而，当数据既包含结构化又包含非结构化信息，并且包含有关业务的非数字信息时，统计分析方法无法提供相同水平的洞察力。机器学习的其他优势还包括，可以帮助分析人员识别出更复杂的非线性模式，即使是在非结构化数据源中。

随着企业将更多非结构化数据放入数据仓库，机器学习在分析所有这些数据方面将变得越来越重要。

为什么机器学习和分析对企业很重要？

机器学习和分析结合使用，可从各种数据中提取宝贵洞察和生成预测。这可以为企业带来竞争优势，因为今天的数据来源无处不在，并且在某些情况下是持续不断的：内部运营指标、供应商和供应商库存、营销活动结果、来自客户应用的数据、来自公共来源的相关数据、财务数据、物联网设备生成的数据 — 现代技术生态系统几乎从每一次交互中生成数据，并将其输送到数据仓库或云端存储库（如数据湖）。

这些海量的信息，为企业洞悉运营、营销、供应链等方面的情况提供了大量机会 — 但前提是他们能够分析大量、多样化的数据。然后是机器学习。借助机器学习，业务分析的整个流程变得更加可管理且范围更广，原因包括：

• 通过机器学习实现的自动化可以提高数据转换过程（如数据清理和识别数据质量问题）的效率。
• 分析工具中的机器学习可以根据业务用户的简单查询生成“顿悟”的洞察。
• 基于机器学习的分析工具还可以识别复杂数据中的隐藏模式，从而启发新的想法和讨论，创造新的机会。

现在，基于云技术的数据仓库和分析工具提供了可扩展性和灵活性，让机器学习驱动的分析更加令人兴奋。海量数据和复杂的机器学习算法需要大量的算力才能进行高效分析。由于这是一个快速发展的领域，希望构建和部署新模型的开发人员和数据科学家可以从专为机器学习和分析设计的在线工具和服务中受益。借助云技术，企业可以利用新的数据分析创新，同时为组织内任何具有适当凭证的人提供方便的系统访问。

在业务分析中使用机器学习

一旦企业将来自各种来源的输入收集到一个存储库中，机器学习系统就可以开始处理大量数据，以支持战略性举措。这些举措可以成为运营、营销、物流甚至社交媒体公众参与的一部分。

以下是机器学习在业务分析中的一些常见用途。

• 客户细分：机器学习在客户细分等式的两边都非常有用。为了确定哪些买家画像属于哪些客户群，机器学习可以通过分析购买历史和互动数据来生成分类。另一方面，机器学习可以快速确定特定细分市场的营销活动的效果，从而为营销团队提供一些喘息的空间来调整信息或其他营销活动因素。
• 欺诈检测：通过考虑地理位置、购买频率、购买类型、花费金额以及每笔交易的其他细节，并将其与客户画像进行比较，机器学习可以识别潜在的欺诈模式。利用异常检测功能，系统能够快速标记异常行为，并将潜在的不合法交易提交进一步调查。
• 供应链管理：供应链可能涉及来自全球的各种合作伙伴、批发商和物流服务提供商。当他们扰乱所需物资的流动时，本地事件很快可能成为数千英里之外的制造商和零售商的关注焦点。机器学习可以收集并整理来自供应商和物流公司的数据，以识别潜在和正在发生的中断情况。此外，机器学习系统还将数据与生产计划相关联，以确定临时问题并发现可能导致成本和流程优化问题的趋势，例如识别容易发生零件故障或交货延迟的供应商。
• 情感分析：情感分析从消息、记录和评论中提取文本；确定整体语气；然后进一步分析数据以获得营销和销售洞察。机器学习对于快速处理来自不同来源的大量文本数据是必要的，以便在例如某个产品经常缺少关键零件或某个客服代表存在问题时及时做出调整。
• 预测分析：没有机器学习辅助的预测分析自账簿被使用以来就一直是业务分析的基础。早期的预测分析只是将去年的销售额与今年的销售额进行简单比较，而如今统计学家们在从过去预测未来的科学方面取得了巨大进展。机器学习在这一传统基础科学上发展，能够更准确地处理更多数据并使用更复杂的方法论。机器学习还帮助分析 what-if 场景，引导企业管理层思考。
• 价格优化：什么价格能够获取更大的利润？太贵了，买的人不够多。太便宜了，利润又太低。除了消费习惯外，竞争对手的价格、季节性、天气和库存短缺等因素共同形成了一个复杂而动态的价格算法。机器学习和数据分析可以筛选所有这些数据，以创建理想的定价方案。

了解分析

回顾您采取的措施以确定是否达到理想结果总是很有用的。回顾过去的表现通常会在下一次带来改进。分析应该始终有这样的目标 — 通过在数据中发现具体可行的洞察，您可以实现哪些目标？

对数值数据进行统计分析是一个值得的出发点。但这可能会导致大量数据未被分析，或者至少会产生缓慢的结果，同时容易出现人为错误。机器学习可以帮助拓宽分析范围，发现其他方法不易察觉的洞察。

分析类型

企业有各种各样的分析类型和技术可供选择，而某个项目的理想方法通常取决于团队希望从数据中获得什么成果。以下是分析的四个类型。

• 描述性分析。描述性分析系统利用历史数据确定模式和指标，以此得出创建情境分析所需的洞察。例如，一个财务模型可以从销售、营销、人力资源和费用中获取数据，为组织创建季度分析。仪表盘通常以可视化方式呈现描述性分析。
• 诊断性分析。诊断性分析系统利用历史数据来寻找导致某种情况、趋势或关系的根本原因。例如，如果一家企业发现关于某个特定产品质量的投诉激增，则可以使用诊断性分析工具来分析从供应链开始一直到产品交付的数据，确定根本原因是否出在某种特定材料、制造步骤或其他原因上。
• 预测性分析。预测性分析系统基于相关的当前和过去数据创建未来绩效预测。预测可以涉及任何事物，包括天气模型、理想库存水平、营销活动中的客户行为。数据越多，就越能创建一个情境概况，从而提供预测性洞察。
• 规范性分析。规范性分析类似于预测性分析，但它更进一步，对发现的问题提出解决方案。例如，预测性分析系统可能会预测下个季度的销售额将保持平稳。规范性分析可以结合历史数据和市场分析，制定规范性措施以应对低落的销售预测。

分析过程的步骤

通常，这个过程需要收集和清理数据、选择技术、解释结果，并向利益相关者传达洞察。数据分析师、领域专家和决策者之间的协作有助于确保生成的洞察具有相关性和影响力。

1. 确定问题。所有分析都应针对某个业务问题。您是否在尝试分析营销数据？想弄清员工流失的原因？想发现供应链中的薄弱环节？确定问题将为分析项目创建一个起点。
2. 收集和清理数据。现在，项目目标已经确定，请确定分析平台所需的数据源。选项包括使用一个将数据源连接起来的 iPaaS 系统，或连接一个存储库（如数据湖或数据仓库）。为了确保兼容性和准确性，数据还需要适当的格式来处理。清理通常涉及在分析之前删除重复条目和去标准化数据。对于可重复的数据源，机器学习可以帮助自动化部分清理和转换过程，以提高效率。
3. 了解和可视化数据。使用分析工具，您可以创建数据可视化并生成初始洞察。此过程将产生总体发现结果，确定任何数据驱动假设的参数，这些假设将作为数据模型的基础，包括哪些数据集提供了更大的价值。
4. 对数据建模。对目标和可用数据源有了基本了解后，数据工程师可以构建模型来构造和组织数据，弥合原始数据与可供分析应用存储和检索的数据之间的差距。
5. 评估模型。这就是您进行分析的地方。在准备好数据模型之后，团队可以开始分析过程，以实现项目的初步目标。数据分析可以涉及不同形式的统计分析，包括使用编程语言和分析工具。
6. 部署和监视。现在，是时候采取行动了。在准备好报告和可视化之后，用户可以向利益相关者展示发现结果，开始就关键决策进行讨论。通过分析，推荐从数据中发现的证据，并通过可视化清晰呈现 — 通常比传统或人工评估技术提供更深入的洞察。

分析中的关键技术

分析实践基于统计学领域确立的多种技术建立，然后通过机器学习技术实现规模化。分析中使用的一些常见技术有：

• 回归分析。回归分析是数据和统计建模的主要技术之一。通过回归分析，机器学习模型分析数据，以确定哪些变量影响结果以及影响程度。回归分析涵盖了一系列技术，包括线性回归、非线性回归和逻辑回归。
• 聚类。聚类是一种用于无监督机器学习模型的分析方法。通过聚类，机器学习模型探索数据集以寻找较小的相关数据组，然后从这些较小的数据组中推导出联系和模式，从而产生更深入的理解。
• 时间序列分析。在统计学和数据建模中，时间序列分析研究在特定时间范围内收集的数据点，以了解变量的模式、更改和影响，从而创建预测模型。时间序列分析的一个常见例子是全年天气数据，用于预测季节性模式。
• 关联规则挖掘。一些深刻的数据洞察可能来自于在大型数据集中识别模式和发现有趣的关系 — 这是图形分析的主要理念之一。关联规则挖掘是一种机器学习方法，用于发现变量关系中的隐藏联系和共性。例如，一家快餐连锁店可能会使用关联规则挖掘来找出常被一起下单的商品，然后将这些商品作为折扣套餐提供，以吸引顾客。
• 文本挖掘。文本挖掘是一种无监督机器学习形式，它从电子邮件、网站评论或社交媒体帖子等来源获取输入文本，然后使用自然语言处理来提取有意义的模式。随后可以将这些模式与其他变量（如互动指标或销售数据）关联起来，以促进对意图和情感的理解。

了解机器学习

从根本上讲，机器学习是在数据中寻找联系和模式。机器学习使用从简单的决策树到复杂的神经网络等技术，其中神经网络的深层能够提供数据中的非线性关系。然而，无论采用何种方法，机器学习都能帮助企业改进繁琐的流程并深入分析数据，从而提高工作效率并改善决策。

机器学习的类型

根据项目的资源、目标和限制，有各种各样的机器学习模型。了解不同类型的机器学习技术可以让团队为其项目做出正确的选择。常见的机器学习类型包括以下几种：

• 监督学习：在监督学习中，机器学习算法通过有标注的数据集进行训练，目的是识别已知模式，进而迭代地提高输出的准确性。这个过程称为监督学习，因为所涉及的已知参数数量允许清晰地衡量模型的改进。
• 无监督学习：无监督学习使机器学习模型能够在没有明确目标或指标的情况下处理无标注数据集。无监督学习方法通过模式检测、关系检测或其他形式的生成洞察，为有机学习提供了一个沙箱环境。当成功时，通过无监督学习训练的模型将能够正确模拟数据集所呈现的环境，从而形成准确的预测。
• 半监督学习：半监督学习结合了监督学习和无监督学习方法，以加快机器学习过程。通过半监督学习，模型可以利用少量有标注数据获得一个良好的开端。在处理完该数据集之后，模型随后开始探索一个更大的无标注数据集，以应用在第一步中学到的基础知识，然后以一种有机的无监督学习方式优化预测结果。
• 强化学习。强化学习是指让模型探索数据集以实现特定目标的过程。学习过程中的每一个决定都会产生正向或负向强化反馈，然后这些反馈会指导模型进一步修订，以预测对各种情况的适当响应。

机器学习过程的步骤

无论您的机器学习模型的目标和参数如何，这些项目通常都会遵循一个标准过程。在启动项目之前了解这一过程，可为整个机器学习生命周期中的资源分配和预算提供路线图。

以下是开发机器学习模型的常见步骤。

1. 确定问题。您的机器学习模型的目标是什么？更重要的是，别人是否已经为这项任务制作了模型？如果是，那么这个模型是否足以实现您的目标？每个项目都需要能够解决一个问题，该解决方案的质量应该定义项目参数（从起点到决定成功的指标）。
2. 收集和清理数据。要推动任何机器学习项目，您需要数据。这意味着要识别训练数据的来源（这些数据与训练后的模型在实际使用中会遇到的数据相似），然后收集这些数据并将其转换为统一、兼容的格式，确保没有重复和错误。在这一步上偷工减料可能会产生偏差，从而扭曲甚至破坏整个项目。花时间仔细管理项目的数据集，是确保成功的一种投资。
3. 特征工程。并非数据集中的所有内容都需要用于训练机器学习模型。机器学习的一个关键早期步骤是确定项目的重要参数，然后整理包含这些参数多样性的数据集。特征工程需要专家主导的迭代，最终通过添加、删除或组合数据来推动转化，从而提供更丰富的上下文并提高模型的准确性。
4. 选择和训练模型。您的项目目标将决定一份机器学习技术的简短清单。实际限制（例如计算资源、项目时间表、优质数据源的可用性以及团队成员的经验等）会缩小选择范围，并决定项目的匹配模型。一旦选定模型，该模型便会在精心整理的训练数据集上进行迭代训练，不断优化结果与输出，直到达到稳定的准确性。
5. 评估模型。经过成功训练的模型能够提供可重复、可解释且准确的结果。使用实际数据评估您训练的模型，衡量它在训练数据集之外的表现如何。评估可以告诉团队该项目与实现初始目标的接近程度。
6. 部署和监视。如果一个模型能够持续稳定地处理实际的测试数据，那么它就可以投入生产环境使用。虽然部署应该仅在满足特定基准之后进行，但这并不意味着模型进化的终结。团队必须持续监控模型的结果，以确保其保持准确性、一致性和其他期望的结果 — 如果结果出现偏差，需要找出原因。

机器学习中的关键技术

如今许多机器学习技术都得到使用，但并非每种技术都必然适用于项目的目标或限制。成功的机器学习秘诀在于根据自己的项目参数选择合适的技术。

机器学习中常用的技术包括以下几种：

• 决策树：决策树使用监督学习来了解在项目通过工作流程时需要考虑的各种选项。例如，当收到新发票时，必须在支付发票之前做出某些决策。决策树可以辅助回归分析和聚类分析，例如，确定一张账单是否有效，是否有完整的发票，或者是否可能存在欺诈行为或缺少付款所需的数据。
• 随机森林。单个决策树只能提供对情况的有限视角。随机森林是指将多个决策树组合在一起（即森林）的技术，创建具有更广泛视角的累计结果。随机森林克服了决策树的许多局限性，并在功能和范围上提供了更大的灵活性。例如，在欺诈检测中，关于交易是否合法的决定可能取决于许多因素，例如发起交易的地点、客户购买的商品组合对客户而言是否典型，以及购买金额是否异常。森林中的决策树可以处理每个评估参数。
• 支持向量机。有时数据自然会形成簇，无论这些簇是否明显。支持向量机 (SVM) 是一种监督学习方法，旨在寻找尽可能增加两组数据簇之间的差异或距离的方法。有时候，数据分组之间有明显的线性分界线，有时分界函数是非线性的。如果在二维视图中没有明显的聚类，SVM 可以使用更高维度的分析来寻找数据的聚类方式。
• 神经网络：神经网络排列计算节点的方式类似于我们大脑中的神经元网络。神经网络中的每一层都会应用独特的函数来确定输入数据的分类方式，以及是否可以根据输入数据进行预测。
• 梯度提升：每个机器学习模型的预测都有一定的置信度。例如，置信度为 1.0 表示完全确定，假设某笔交易看起来像是欺诈，其置信度则为 0.8。这是一个相当自信的预测。当模型进行评估时，评估过程中有些计算会对预测做出重大贡献，有些则几乎没有贡献。在许多模型中，低贡献者会被忽略，因为它们单独出现时被视为噪声。梯度提升旨在将这些低贡献者中的一些结合起来，使它们能够对预测做出更显著的贡献，从而降低错误率并提高置信度评分。

分析和机器学习面临的挑战

机器学习和分析依赖许多相同的技术。因此，无论是单独进行还是作为一个组合的“由机器学习驱动的分析”项目进行，这两种工作都面临类似的挑战。以下是项目团队面临的一些常见挑战。

• 数据质量：机器学习需要大量数据。但是，当这些数据充斥着格式不一致、重复和其他问题时，会扭曲模型的训练过程。数据质量是创建有效模型的主要挑战之一，但请注意，在机器学习中，“质量”意味着数据格式正确，并且能够反映模型在实际场景中将会遇到的数据情况。如果训练数据过于干净而无法代表模型在实际生产中会遇到的实际的多样性，模型可能会对训练数据过拟合 — 也就是说，无法应对真实数据集中存在的多样性和复杂性。组织应采用策略来保持数据质量，包括审核数据来源、使用适当的数据转换技术以及定期进行去重。但他们需要保持平衡，既要清理数据以去除噪音和错误，又要保持多样性。
• 算法选择和优化：每个项目都有特定需求，应根据项目的目标选择合适的技术和算法。有时这些选择显而易见，例如当您知道决策树的结构化特性适用于手头问题的范围和性质时。在其他情况下，模型选择不那么明确。记录您的数据特征，例如大小、类型和复杂性，然后考虑您要解决的问题。训练和使用该模型需要多少处理能力，它能否扩展以处理您的数据？您可以从简单算法开始，然后逐渐增加复杂性。像 AutoML 这样的工具可以帮助您自动化测试和选择适合您项目的算法。
• 过拟合和欠拟合：如果训练数据未能为模型提供适当的广度和质量平衡，就可能出现过拟合或欠拟合。当训练数据只包含某些类型的数据时，就会发生过拟合。如果您想要一个可以识别歌曲名称和歌手的应用，但在训练时只提供了乡村音乐，那么当遇到摇滚或节奏布鲁斯时，它就无法识别了。欠拟合是指与之相反的情况 — 模型训练不够充分，甚至无法处理本应显而易见的查询或原始状态的输入。
• 可理解性和可解释性：可理解性和可解释性是 AI 模型的相似但不同的属性。当 AI 模型的输出是可解释的时候，我们能够理解它告诉我们的内容，并能够从整体上了解答案的来源。如果生成式 AI 写了四段董事会会议摘要，您就可以阅读会议纪要，并了解系统如何选择写出这些内容。或者，如果一个模型预测某产品今年的销量将增长 3%，您可以查看销售报告，了解这个数字的依据。这就是可解释性。
  
  可理解性意味着理解模型是如何得出其答案的具体内容的。在总结那次董事会会议时，GenAI 系统为什么会以它选择的顺序选择那些词语？它使用了哪些计算来得出那 3% 的销售增长预测？当 AI 引用其信息来源时，它可以提高可解释性。但随着模型变得越来越复杂，它们的可理解性会越来越低。

分析和机器学习的优秀实践

分析和机器学习在数据源、算法和评估指标等方面有共同的实践。以下内容介绍了分析和机器学习的常见做法。

1. 定义问题和成功指标：您的分析项目的目标是什么？这个简单的问题是之后发生的一切的基础。要清楚您正在尝试解决的问题，随后的算法和数据源选择等决策也由此而来。这个问题设定了起点，但终点也需要明确。如何衡量成功？这两个问题为项目提供了宏观框架，从这里出发，团队就可以开始填充具体细节。
2. 使用高质量、多样化的数据集：项目的结果取决于其源数据的质量。存在重复和不切实际的统一来源等问题的低质量数据集会带来问题 — 好的情况下会导致结果偏差，糟糕的情况下会导致错误结论，从而让公司浪费时间和金钱，丢失客户。对于分析和 AI 来说，数据集必须是新的，能反映真实情况，同时呈现一系列相关且多样化的视角。
3. 选择合适的算法和模型架构：机器学习技术是为特定目标而开发的。异常检测系统不同于层次聚类或对象识别系统。一些机器学习方法需要更多的处理能力，对于简单的应用可能不是很好的选择。同样，分析模型也有其最佳用途。尝试在您的数据上使用几种不同的算法并比较它们的性能是非常值得的。
4. 规范化和优化模型：在机器学习中，当模型的训练集缺乏在实际使用中将会存在的多样性时，就会发生过拟合。如果一个模型在有限的数据集上经过高度训练，它可能无法理解与其训练集不同的输入。规范化旨在消除过拟合，使模型更具普适性。优化通过迭代微调模型，确保高准确性。
5. 清晰传达结果：上述列出的做法介绍了项目的技术要素。然而，一个常被忽视的潜在成功要素是：传达结果。团队可能专注于微调模型或审计数据源，而忘记了关键利益相关者需要了解项目的进展情况。这需要通过切实可行的指标进行清晰的沟通，并对“进展如何？”进行简要的评估。

分析和机器学习的使用场景和应用

分析和机器学习在现实世界中如何应用？只要有数据，任何行业的组织都可以整合分析和机器学习。事实上，不同的部门（例如工程、运营、营销和销售）可以以不同的方式使用这些技术。以下内容仅涵盖各行各业和职能领域中少数几个展示分析和机器学习优势的用例 (PDF)。

• 营销：营销部门通过各种途径获取数据：电子邮件和社交媒体帖子的互动跟踪、购买记录、应用使用情况、浏览行为等。该如何处理这股信息洪流？机器学习系统可以对其进行编译以寻找特定模式，并为业务用户构建基于分析的个人客户和细分群体画像。由此，数据驱动的决策可以激活进一步的策略，例如针对特定人群的微定向优惠或季节性互动活动。
• 财务：当企业各部门的数据整合后，财务部门可以使用机器学习来编译这些海量数据，以便通过分析进行解读。由此产生的数据驱动的洞察可以更深入地了解关键因素，例如现金流、薪资趋势和资产购买模式。分析可以通过趋势检测和基于模型的预测，获得更高级别的洞察，同时还可以协助进行欺诈检测。
• 医疗卫生：通过电子病历、联网设备以及来自医疗机构的运营指标，机器学习和分析可以协同工作，帮助医疗机构优化运营并提供更好的个性化护理。在运营方面，人员配备可以根据使用周期的实际情况进行增减，这些使用周期通常由季节和天气等因素触发。对于个人来说，数据驱动的洞察可以提供关于何时预订某些筛查或有前途的新疗法的提示。
• 机器人：从制造周期到最终的生产产品，几乎每一次使用机器人技术都会生成数据。对于后者，数据可能来自温度传感器、CPU 使用情况以及机械关节和电机等来源。分析可以利用大量数据，旨在优化生产的各个方面（例如制造采购和电机维护），进而降低维护成本。
• 经济：机器学习可以在多个方面惠及经济研究和分析。简单地说，它可以处理大量数据并生成可视化图表。然而，经济分析师也使用机器学习来研究相关数据点（例如基于文本的情绪），为特定发现结果的方式和原因提供更多背景。

Oracle：使用分析和机器学习来帮助改善业务

Oracle Analytics 系统提供与机器学习集成的强大功能，不仅适合数据科学家使用，还界面直观，便于业务用户操作。借助 Oracle Analytics 产品，您可以通过自然语言处理来探索数据，在无代码界面中构建可视化，并享受一键式 AI 驱动的洞察。Oracle 通过无代码和 AutoML 类型的功能，在数据访问和 AI/机器学习可访问性实现民主化的同时，帮助企业获得信息上下文。

机器学习和分析为革新企业和推动创新提供了巨大潜力。通过利用数据的力量并运用前沿技术，企业可以获得宝贵的洞察，做出数据驱动的决策，并有可能获得竞争优势。随着技术的持续发展，机器学习在分析中的应用也将持续扩大，为各种规模的企业提供令人兴奋的机会。

机器学习和分析常见问题解答

机器学习与分析有什么区别？

机器学习是评估大型数据集以识别模式并构建预测模型的过程，无论是用于小型自动化任务，还是用于需要批判性思维的更大、更复杂的过程。分析是指对数据和统计进行系统分析的科学。通过集成机器学习来生成数据模型，分析可以从中受益，但除非有目的地一起使用，否则这两个概念是独立存在的。在当今的商业环境下，结合使用机器学习与分析可以助力企业取得成功。

使用机器学习的分析类型有哪些？

一般来说，只要分析平台支持并且正确连接到数据存储库，任何类型的分析都可以使用机器学习。从功能上讲，几乎任何分析项目都可以通过使用机器学习来加快数据处理过程，从而受益。

如何利用机器学习和分析来进行业务预测？

分析可以通过处理历史数据、识别某种模式（如销售周期、市场趋势、客户行为甚至制造流程），帮助企业做出业务预测。通过对其中任何方面进行预测性洞察，企业可以做出决策，以充分利用发现结果，从而获得更好的业务成果。

企业如何确保其机器学习和分析项目取得成功？

对于机器学习和分析项目，请考虑以下实践，这些实践可能有助于项目取得成功，包括：

• 两者结合使用：使用高质量的数据源。
• 分析：确保在使用前，由数据工程师确认建模和数据符合标准。
• 分析：选择能够在项目目标与实际资源之间取得良好平衡的技术。
• 机器学习：解决过拟合和欠拟合等问题。
• 机器学习：在模型部署后持续监控，以确定是否需要进一步修订和调整。