分析是未来。这也是现在,但你已经知道了。您的公司正在收集数据(并且可能已经这样做),并且您可能有两个系统或两个数据从该数据中的洞察力进行更聪明的决策。但就像你在你的分析计划上获得句柄一样,你开始听到“增强分析”,现在你担心你需要采用它在不断发展的世界中保持竞争力。

好消息是增强分析会让你的生活更容易!增强的分析(根据Gartner,它知道),使用技术“如机器学习[ML]和AI,以协助数据准备,洞察生成和洞察力解释,以增加人们如何探索和分析分析和BI平台中的数据。 “无论你做什么,无论你做到什么,增强的分析都可以从较小的举重的数据中提供更深的智力。在本文中,无论您的技术技能水平如何,我们都会通过增强分析将改善分析用户体验和结果的方式。

人工智能联合分析增强了每个应用程序!

使用ai简化分析

数据科学与人工智能:加强BI过程中的每一步

下面你会看到传统的BI进程:你从你想使用数据和智能来尝试解决的问题,你通过朝向希望这样做的步骤来工作。增强分析将改善这种令人尊重的过程的每一步。数据科学和人工智能融合了各种原因,可以帮助所有技能水平的用户从他们的数据中获取可操作的智能。让我们看看如何:

分析圈

增强的分析通过延伸来发展上面的周期自助服务BI并使分析更易于直接参与数据科学的用户更可访问。 AI元素纳入所有技能水平的每个步骤Empower用户,以发现他们需要发展其业务的可操作智能。像Sisense这样的平台引发了越来越多地访问AI供电的分析和从这些系统注入智能的趋势,进入用户工作流程以及应用程序和经验。

数据准备,随着数据质量评估的话,要连接到数据集并执行分析本身,有用的AI元素,无形地集成到平台中,使分析更平滑,更直观。传统上,数据分析制定了编码器和业务用户之间的边界,但增强了分析桥接此间隙。 

AI交易的工具

自动化

增强的分析是关于自动化和改进尽可能多的分析周期。 Automl的目标是自动化机器学习模型的开发。每个分析用户都可以受益于这种类型的增强。具体而言,所有ML项目都有共同之处的熟悉任务现在可以标准化和自动化。在广泛的中风中,这些任务包括:

  • 数据准备
  • 特征工程
  • 模型生成
  • 模型评估

正如你所看到的,这很快就会变得复杂。将这些工具带入金融分析师(称为Quants)和保险精算的手中,迅速解决了访问问题并开辟了观众。概述这些方法的典型数据科学文本是1,000页等式和算法。今天,大部分数学都已自动化。关键是这些方法对于许多范围标准化,并且已经存在了值得注意的服务,例如Google Cloud Automl。在人类努力的各个领域中可以获得这些益处。

来自数据科学家的代码驱动分析

虽然在Automl中有低码和无代码平台,但大大扩展了AI用户的领域,仍然是具有更多编码能力的用户可以预期AI的更多好处。例如,具有一些基本洞察为什么数据准备的用户 - 上面提到的ML中的四个主要步骤中的第一个 - 对于训练ML模型是重要的,这将确保模型产生的预测结果中的更高准确性。

虽然启用了AI的系统有时是公司寻求构建的目标产品,AI本身也可以使高度技术用户受益作为开发工具。具有数据技能的团队成员,包括SQL,Python,R和其他原型化方法可以直接工作,以增强SISENSE等分析建模平台。更多技术用户可以代码准备高级分析的数据,构建更复杂的数据模型,创建物化视图,做情绪分析等;想象力是唯一的限制。换句话说,数据专家可以通过AI功能将其编码技能讨论,以产生更复杂和更准确的模型。 虽然ai是工具正在开发中,AI本身也可以使高度技术用户受益作为开发工具。具有数据技能的团队成员,包括SQL,Python,R和其他原型化方法可以直接工作,以增强SISENSE等分析建模平台。更多技术用户可以代码准备高级分析的数据,构建更复杂的数据模型,创建物化视图,做情绪分析等;想象力是唯一的限制。换句话说,数据专家可以通过AI功能将其编码技能讨论,以产生更复杂和更准确的模型。 

具有统计培训的ML用户以及深度学习神经网络如何运营的基本知识可以从收入和年金列开始,并产生额外的特征,包括平均值,标准偏差和峰度,以增强模型训练数据,从而提高预测准确性。潜在的好处是无限的。这些方法已经变得如此规范,即新的AI开发范式已经出现,寻求加勒于Devops:Aiops的发展效率。

Aiops.

AIOPS是关于Devops方法在AI领域解决挑战的关于,这是一种特殊的软件分支,暗示了特殊的开发方法。特别是,Devops实践希望能够实现现在必须在AI开发中实施的服务的运营效果。

根据Devops Paradigm的持续开发和释放作为服务现在普遍且几乎普遍采用,以及云计算的快速增殖。与有效的建设和维护软件服务的不断增长和维护软件服务的规模和复杂性出现的挑战相同的Devops解决方案现在正在展示类似的有效性,同时发展为AIOP,对工程师和最终用户的益处。

改善客户满意度是AIOP的许多预期效益。例如,智能客户服务系统可以采用独立操作来解决客户问题: 

理想情况下,基于AI的APP或服务可以在其工作中学习,与客户交互并推荐配置调整以提高自己的性能。呼叫中心已经报告说,AI Chatbots比人类代理商收到更高的客户等级! 

使用这种智能系统与工程一起使用:AIOPS开发周期同样包括基于AI的开发工具 与他们创造的工具沟通!因此,改善的工程生产率是通过AIOP预期的并发福利。越来越多地,工程师和最终用户将免于繁琐和重复的任务,因此有更多的时间来提高系统的整体智能。

增强分析:演变数据专家的角色

由于数据科学家和商业用户的角色转移和演变,因此由于增强的分析,出现了新问题。鉴于技术障碍降低,所有商业用户都应该在数据智能和决策中致力于作用吗?

传统上,哪些团队成员根据能力密切定义哪些任务:编码ML算法是曾经是数据团队成员的专家领域知识。但现在任何人都可以插入数据发现工具(特别是使用模型锦标赛概念),理论上,几乎任何人都可以评估数据模型。

为什么不应该’所有地层中的企业会员参加构建和部署新数据模型为他们的分析需要提供动力?信任和可信度的问题将在决定谁可以建立和部署谁时发挥作用,无论技术如何在未来都能赋予我们。  

将可操作的智能注入工作流,产品和经验是分析和AI的未来。

探索可操作的分析

inbar shaham. 是SISENSE的高级产品经理。她在产品管理方面拥有11年的经验,为Clarizen,Takadu和ICQ等工作。 

标签: |