什么是面向分析的机器学习？

分析和机器学习 (ML) 已经存在了几十年，但随之而来的挑战限制了 ML 的采用率。ML 是处理器密集型的，需要一些尚未能够广泛获得的专业技能和工具。然而，云计算的到来使得更多的企业能够更容易以更低的成本获得运行 ML 所需的计算能力。借助智能手机和笔记本电脑强大的处理能力，几乎任何人都能够通过 ML 访问和使用分析，并做出更明智的数据驱动决策。

分析的定义

分析是指发现、解释和传达数据中的重要模式的过程。分析有助于基于各种数据源生成有意义的洞察。业务分析侧重于利用从数据中获得的洞察来制定更明智的决策，进而帮助企业提升销量、减少员工流失、优化交付路线和改善其他业务，助力企业取得成功。

机器学习的定义

机器学习是一种人工智能 (AI) 应用，可帮助计算机在不需要显性编程的情况下自动学习和改善体验。ML 需要基于人们所开发的数据访问模型，并利用这些模型进行自主学习，然后给出推断、建议和预测。要训练这些模型，首先您需要拥有处理器密集型计算资源，以此为模型提供大量的观测或历史数据。然后，您可以将经过训练的模型应用于新的数据集，从而发现和生成数据驱动的洞察。

面向分析的机器学习的定义

模型分析的机器学习指的是使用机器学习算法来辅助分析过程（包括评估数据和发现洞察），以便做出能够改善业务结果的决策。

面向分析的机器学习可通过以下两种方式来帮助分析师：

• 1. 提供分析驱动的洞察。 ML 生成的结果或预测分析结果都是从数据衍生而来的，主要由分析驱动（而不是基于人类经验），这意味着这种方法可以减少偏见。面向分析的 ML 有助于识别数据中的异常值或趋势。如果不使用 ML，而您又从来没想过要针对某个领域仔细检查，这些问题可能永远都无法被发现。借助基于云计算的强大功能，ML 在回答问题时可以将更多的场景纳入考量范围，这一点是传统的非机器学习方法无法做到的。

•  

• 2. 提高分析师的工作效率。 现代分析平台中的 ML 功能可帮助分析师加快从获取数据到制定决策的时间。这些平台内置的功能可以自动分析数据集，并生成带有评论的可视化情境，帮助分析师快速构建数据故事。AutoML 是另一个有助于分析师提高工作效率的工具，它能够自动测试各种 ML 算法，帮助分析师为相关使用场景找到更准确的模型。

为什么要将机器学习与分析结合使用？

如果没有 ML，分析过程仅凭人类分析师来创建分析、发现洞察并根据他们的理解来给出建议。在很大程度上，分析结果将取决于分析师的专业经验和意见。

您可以结合使用 ML 与分析改进分析流程，主要有以下两种方式：

• 1. ML 通过识别传统分析无法注意到的模式、趋势和相关性来增强传统分析。这些洞察和建议完全基于所提供的数据而生成，旨在减少人类对直觉和经验的依赖或偏见。

•  

• 2. ML 可帮助决策者提高分析流程的效率，例如自动评估数据集并针对调查结果给出可视化推荐方案，或者加快数据的准备和扩充速度。这些功能可以将 ML 驱动的洞察快速呈现在仪表盘上，有助于加快决策速度。

在分析中使用 ML 并不是必需的，您只需在适当的时候加以使用。以正确的方式使用 ML 增强分析可增强现有决策流程。例如，在处理新数据集时，ML 可用于自动分析数据，并以文本叙述和可视化形式提供数据派生的洞察。

机器学习在 Oracle 分析平台中的五种使用方式

一个好的分析平台可为所有级别的用户提供 ML 功能，包括从了解常用算法以及如何调整算法的高级用户，到想要通过简单的无代码方式将 ML 应用到数据集的用户。

一键将分析驱动的洞察添加到数据故事

对于完全没有 ML 经验或只有少许经验的用户，他们只需点击一下，即可向可视化项目添加高级计算，例如预测（预测分析）、集群、参考线和趋势线。此方法采用了通用算法，可突出显示数据中可能需要进一步调查的潜在异常。

下面的示例是一个简单的图表，显示了某段时间内的收入，灰色阴影表示自动生成的预测结果。您可以轻松监测未来的预期收入。在这种情况下，所预测的未来模式与预期一致；没有明显异常。

使用高级分析的典型角色：
没有编码经验的业务用户

使用机器学习来解释新数据集

在使用不熟悉的数据创建新的可视化结果时，业务分析师可能会感到无从下手。这种情况意味着分析师会回到他们的专业经验来指导他们构建分析的过程。然而，这种方法会存在人为偏见，并导致不准确的结果。因此，更理想的方法是允许 ML 先评估所有数据，再以可视化方式突出显示结果，并附上描述性叙述。然后，分析师就可以根据数据告诉他们的内容开始分析。

下面的示例使用内置的 ML 功能，即“自动生成洞察”分析了一个新的数据集。该功能从数据中发现了分析师可能从未考虑过的几个模式和趋势。我们只需点击一下，即可将这些查找结果添加到工作簿画布中。这支持分析驱动的数据叙述方法，并提供可能遗漏的洞察。

使用自动化洞察的典型角色：
业务用户、公民数据科学家

由公民数据科学家训练的模型，可供任何人使用

对于熟悉不同类型的 ML 算法及其数据的用户，他们可以使用点击拖拽式数据流，无需编写代码即可构建、优化、测试和发布定制的 ML 模型，以此推动预测分析。这些专门构建的 ML 模型可为特定的使用场景创建比通用使用场景更准确的预测。

第一步，训练和测试 ML 模型。为此，用户需要将历史数据源与已知结果连接起来，选择适当的 ML 算法，并设置此特定使用场景的参数。然后，利用新数据进行测试模型，以判断其准确性。如果模型的预测结果是可以被接受的，那么该模型就可以发布给更广泛的受众使用。然后，任何用户都可以将已发布的模型用于新的数据集。这种集中构建和测试模型的方法可以确保由受过培训并具备相关经验的开发者来构建值得信赖的模型。该方法也让大多数用户能够轻松访问模型，再也无需依赖 IT 人员来帮助他们运行模型。

训练无代码 ML 模型的典型角色：
公民数据科学家、高级用户

适用于需要专用 ML 模型的特定使用场景

ML 可分为很多种类型，因此分析平台不可能包括所有类型的 ML。然而，可扩展的分析平台支持与其他 AI 服务相集成，从而扩大了分析用户的 ML 产品选择范围。分析平台的用户甚至可能不知道自己正在使用的是一个提供该功能的单独服务。

例如，如果图像分类尚未内置到分析平台中，则可以将其集成到分析解决方案中，以便用户能够提供新的数据集，使用扩展服务处理该数据集，然后在仪表盘中呈现结果。此示例说明了 Oracle Cloud Infrastructure (OCI) Vision 所分类的图像，以及随后在 Oracle Analytics Cloud 中呈现的结果。

集成数据科学服务的典型角色：
数据科学家、公民数据科学家、IT 应用专家

面向业务用户的预构建机器学习功能

分析应用是指针对业务职能专门构建的分析，例如 Oracle Analytics for HCM 或 Analytics for ERP。这些分析应用使用了上述 ML 方法，但提供了针对特定使用场景预构建的 ML 模型。例如，ERP 分析应用可以提供现成的 ML 来进行准时付款预测或费用异常检测，而 HCM 分析应用可以提供模型，例如员工流失预测。

典型用户角色：
部门业务用户、业务分析师

后续步骤

将 ML 嵌入到分析中是一项强大的能力，可以增强随着云计算快速发展的分析流程。ML 可以提供预测分析，发现数据中的模式、趋势和关联，否则这些信息就会被忽略。ML 模型还有助于减少意外的偏见，并使利益相关者能够做出更好且更明智的决策。一个优秀的分析平台可为所有级别的用户提供 ML 功能。无论用户的技术能力如何，他们都能更轻松地在分析中使用 ML。

借助现代分析平台，开启一段 ML 旅程比您想象中要简单。ML 不会取代您当前的分析流程，而是通过推荐新选项来增强分析流程，助您做出更好的业务决策。