什么是机器学习？
机器学习的类型：两种学习方法
算法是驱动机器学习的引擎。一般来说，机器学习算法主要分两种：监督学习和无监督学习。这两者的区别在于如何学习数据从而做出预测。
| 监督机器学习 | 监督机器学习算法最为常用。在该模型下，数据科学家扮演向导，告诉算法它应该得出什么结论。就像孩子通过在图画书中记住水果来学习识别水果一样，在监督学习中，算法是由已经标记并具有预定义输出的数据集进行训练的。 监督机器学习的例子包括算法，如线性和逻辑回归，多类别分类和支持向量机。 |
| 无监督机器学习 | 无监督机器学习相对而言更加独立，在该模式下，计算机会在无人类持续提供密切指导的前提下学习识别复杂的过程和模式。无监督机器学习包括根据没有标签的数据或特定的、定义好输出的数据进行训练。 就如上文使用幼儿教学作类比，无监督机器学习类似于孩子通过观察颜色和图案来识别水果，而不是在老师的帮助下记住水果的名字。孩子（算法）会自己寻找图像之间的相似性，对图像分组，为每一个小组分配一个新标签。无监督机器学习的算法有 K 均值聚类、主成分和独立分量分析以及关联规则。 |
| 如何选择？ | 哪种方法更符合您的需求？在现实中，选择监督还是无监督机器学习算法，取决于一些与数据结构和数据量相关的因素以及具体使用场景。目前，机器学习已在很多行业中实现了蓬勃发展，广泛应用于各种业务目标和场景，包括：
|
机器学习和开发人员
开发人员刚开始使用机器学习时，将逐渐积累学习，依靠他们在统计、概率和微积分方面知识来创建模型。凭借这些领域中的敏锐技能，开发人员应能够轻松学习其他开发人员用来训练现代 ML 算法的一些工具。开发人员还可以决定自己的算法是否受监督。开发人员可以在项目的早期做出决策并建立模型，然后让模型自主学习，而无需开发人员进一步参与。
开发人员和数据科学家之间的界限通常比较模糊。开发人员有时从机器学习模型中合成数据，而数据科学家将为最终用户开发解决方案做出贡献。这两个学科之间的协作可以让机器学习项目实现更大的价值和作用。
机器学习的业务目标：客户终身价值建模
客户终身价值建模不仅对电子商务至关重要，同时也适用于许多其他行业。在此模型中，企业使用机器学习算法来识别、洞察和留住最有价值的客户。这些价值模型将评估海量的客户数据，以识别贡献营收最多的消费者，忠诚度最高的拥趸，或者这些特质的组合。
客户终身价值模型在预测一定时期内客户将为企业带来多少收入上尤其有效，它让企业能够将营销重点放在激励高价值客户更频繁地与品牌互动上。此外，客户终身价值模型还可以帮助企业精确投放营销支出，吸引与现有高价值客户类似的新客户。
基于机器学习的客户流失建模
与维持现有客户的满意度和忠诚度相比，吸引新客户更耗时，成本也更高。通过对客户流失建模，企业可识别哪些客户可能会停止互动以及背后的原因。
一个有效的客户流失模型可基于机器学习算法提供全面的洞察，从单个客户的流失风险评分到按重要性排序的客户流失动因。这些洞察对于算法性客户维系策略的开发至关重要。
在深入了解客户流失数据后，企业可以优化折扣优惠、电子邮件营销活动和其他精准营销活动，促成高价值客户购买和再次光顾。
如今消费者和过去相比有更多的选择，他们可以即时比较各种渠道的价格。动态定价（也称为需求定价）让企业能够适应不断变化的市场动态，根据目标客户的兴趣水平、购买时的需求以及是否参加了营销活动等因素对产品进行灵活定价。
要想获得这样的业务敏捷性，企业需要一个可靠的机器学习策略，以及大量关于不同客户在各种场景下付费意愿如何变化的数据。动态定价模型可能很复杂，但为了充分提高收入，目前航空公司和拼车服务等企业已经成功实施了动态价格优化策略。
机器学习的业务目标：基于客户细分精准定位客户
成功的营销总是在适当的时机为适当的人提供合适的产品。就在不久前，营销人员还需要依靠自己的直觉对客户进行细分，将客户分成几个小组，然后有针对性地投放营销活动。
如今，机器学习使数据科学家能够使用聚类和分类算法，根据特定的变量将客户分组到各角色中。这些角色考虑了多个维度的客户差异，例如人口统计数据、浏览行为和亲和度。精通数据的企业将这些特征与购买行为模式联系起来，就能推出高度个性化的营销活动，进而更有效地促进销售。
随着企业可用数据的增长和算法日趋复杂，个性化功能将会越来越多，让企业更贴近理想的客户群。
机器学习的业务目标：发挥图像分类的强大力量
机器学习不仅适用于零售、金融服务和电子商务等场景，它在科学、医疗卫生、建筑和能源应用领域也有巨大的潜力。例如，在机器学习算法的帮助下，图像分类可将一组固定的标签分配给任意图像。它使企业能够基于 2D 设计对 3D 建筑计划进行建模，支持在社交媒体中进行照片标记以及通知医疗诊断等功能。
神经网络等深度学习方法经常被用于图像分类，因为它们可以根据潜在联系有效识别图像的相关特征。例如，它们可以识别图像中的视角、光照、缩放或杂斑量的变化然后进行补偿，提供相关度最高的高质量洞察。
推荐引擎
推荐引擎对于交叉销售和追加销售以及改善客户体验必不可少。
Netflix 表示自家的推荐引擎每年在内容建议方面创造的价值高达 10 亿美元，而亚马逊则表示自家的推荐引擎系统每年带来了 20% 至 35% 的年销售额增长。
推荐引擎使用机器学习算法筛选大量数据，预测客户购买商品或浏览内容的可能性，然后为用户提供个性化建议。这有助于构建更加个性化、相关度更高的客户体验，促进客户互动，减少客户流失。
机器学习的使用场景
机器学习适用于一系列广泛的关键业务使用场景。它如何提升企业竞争优势？机器学习最引人注目的一大特点是自动化和加快决策速度，更快创造价值。它能为企业提供更高的可见性，增强企业协作。
“我们通常发现，人们无法在一起协作。”Oracle 分析事业部产品战略副总裁 Rich Clayton 表示。“在 Oracle 分析云中添加机器学习，工作人员就可以有序组织工作，构建、培训和部署这些数据模型。它是一种协作工具，其价值在于加快流程，并帮助不同业务部门开展协作，从而提供更高的质量和更好的模型供您部署。”
例如，财务部门往往被反复执行的差异分析过程所累，即比较实际情况和预测结果。这是一项低认知性工作，尤其适合机器学习技术。
Clayton 表示：“在嵌入机器学习后，财务部门可以更加快速、智能地在机器处理的基础上开展工作。”
预测的力量
机器学习另一个振奋人心的功能是能够预测。过去，业务决策通常是基于历史结果做出的。如今，机器学习使用丰富的分析来预测将要发生的事。组织可以做出前瞻性的主动决策，而不是依赖历史数据。
例如，预测性维护可帮助制造商、能源公司和其他行业占据主动权，确保运营的可靠性和优化状态。在拥有数百台钻机的油田中，机器学习模型可以发现在不久的将来有故障风险的设备，然后提前通知维护团队。这种方法不仅能尽可能提高生产率，还可以改善资产性能，延长正常运行时间和使用寿命。它还可以尽可能降低员工风险，减少不利因素并改善合规性。
预测性维护的优势可扩展至库存控制和管理。通过实施预测性维护，企业可以避免计划外设备停机，更准确地预测备件和维修需求，从而显著降低资本和运营支出。