分析
它是什么,它为什么重要
分析的历史
在过去,数据存储和处理速度限制了分析。如今,这些限制不复存在,这开了通向更复杂的机器学习和深度学习算法的大门,这些算法可以处理多个通道中的大量数据。
因此,分析的标准描述性、说明性和预测性功能通过学习和自动化得到了增强,从而迈入了人工智能时代。
这意味着我们已经从询问发生了什么和应该发生什么变成了让我们的机器自动进行自动化并从数据中学习,甚至是告诉我们应该问什么问题。
如今,大多数组织都将分析视为一种战略资产,而分析对于许多职能角色和技能来说至关重要。
由机器学习推动的分析的一个正在发展的领域是自然语言处理。计算机使用 NLP 来解释语音和文本。聊天机器人使用 NLP 通过在线聊天窗口回答客户服务问题或提供投资建议。它们还可以向现场呼叫中心员工提供建议脚本。
机器学习和人工智能还为我们带来了有用的应用,例如自动驾驶汽车和推荐引擎,这些应用可以保证在我们横扫根据我们口味推荐的下一部电视连续剧的同时帮我们打车。
当然,分析改变的不仅仅是我们的休闲时光。有了速度更快、功能更强大的计算机,就会有很多使用分析和人工智能的机会。无论是确定信贷风险、开发新药、寻找更有效的方式来交付产品和服务、预防欺诈、发现网络威胁还是留住最有价值的客户,分析都可以帮助您了解推动组织成功的因素以及其对于周遭世界的重要性。
当今世界的分析
利用这些资源将您的分析项目付诸实践。查找计划项目、恢复对数据的信任和制定分析策略所需的内容。
为什么信任对分析来说很重要
从分析和 AI 等新兴技术中获得更多价值始于信任。分析领导者如何建立对数据和分析的信任?麻省理工学院斯隆商学院对 2,400 名商业领袖进行了调查,以找出答案。
谁在使用分析?
最近的技术发展增加了分析的潜力。更多数据、更好和更便宜的存储选项、更强大的计算能力、分布式和共享的处理能力以及更多算法,使在各行业中将分析应用于大问题并从数据中得出答案变得更加容易。
制造
制造和物流公司是数字化转型的领导者。机器人技术和自动化的应用正在简化供应链。尽管某些行业努力通过 IoT 创造价值,但制造商却擅长使用传感器数据来揭示产品缺陷并优化重型机械维护。
医疗保健
数字化转型正在加速诊断、护理和监控等领域的改进。使用 AI 将是改进癌症检测的不二之选。数字工具带来了借助预测模型进行更精确诊断和更好地确定治疗目标的希望。简而言之,使用技术可以让我们活得更长久、更健康。
能源
更优秀的预测技术可帮助能源公司节省数百万美元。还有助于为能源匮乏的国家和地区提供更持续的动力。涡轮机上的传感器可帮助公共事业组织从现有机械中获取价值,并在机械发生故障之前主动解决机械问题。
政府
智慧城市。网络防御。数字服务。公共部门越来越多地使用技术来改善公民的生活状况。政府拥有大量可用的大数据,因此有充足的机会进一步削减成本并增加收入。而更改管理和培育创新文化是关键。
保险
保险公司通常会受到传统技术限制,它们正在投资云基础架构,以支持采用新技术和敏捷流程。在许多情况中,公司内部的业务单元正在推动数字化转型–将其作为将数字技术嵌入业务中其他部分的概念验证。
数据和分析是我们所有工作的核心。我们开发的分析产品已成为公司最大的增长引擎。 April Wilson Vice President of Analytics and Marketing RevSpring
民主化分析
来自数字世界的压力正在冲击着我们每个人,数据过载已不再只是组织内“和数字打交道的人”所面临的问题。您能指出组织中有谁没有对速度、敏捷性、灵活性和创新性的需求吗?这就让分析成为了几乎所有人(而不仅是统计学家和数据科学家)的一个优先事项。
因此,组织正在寻找方法,以便通过将易于理解的洞察交到更多员工手中、将洞察直接嵌入到一线应用程序中或自动化相关决策,来让更多用户能够使用分析。
提供动态、自动模型构建点击式流程的技术正在提升能够使用分析的用户数量。最佳模型在后台构建并由自然语言生成解释该模型,同时,您可以选择一个数据源并说明您的目标,即使是复杂问题也可以得到解答。
以分析为领导的组织可以有望脱颖而出、获得超额回报,有时还可以实现长期生存。
以合适的方法提供最合适的选择
了解 Levi Strauss & Co.如何应用 SAS® 来建立分析驱动、便于决策的文化,以帮助建立与热爱其服装的人们之间的联系。
这家受欢迎的零售商使用分析来优化计划,并通过商品计划、分配和库存管理来预测机会。
分析如何工作
每项业务都是分析业务。每个流程都是分析流程,为改进做好了准备。每位员工在某种程度上都可以成为分析用户。无论您打算利用分析实现什么目标,所有分析项目首先需要的都是数据。获得数据后,您需要对其进行分析。然后,您需要部署分析结果以推动决策。组织越快完成分析生命周期,就能越快从分析投资中获得有形价值。
在 SAS,我们将数据、发现和部署这三个类别视为分析生命周期的迭代步骤。无论您项目的范围或规模如何,都应包括所有这三个步骤。让我们更详细地看看每个步骤。
数据
当今的数据快速、庞大而复杂。分析解决方案需要分析各种类型的数据,包括传统的结构化数据和新兴格式数据,例如流传感器数据、图像和视频。
要访问、准备、清理和管理这些数据,您还需要一种数据管理策略。
您将如何收集、清理和存储数据?据估计,数据准备所花费的时间多达分析项目总时间 80%。这段时间可以被更好地利用在建立模型上吗?
一个智能分析平台可借助本地访问引擎、集成的数据质量和数据准备工具(使用 AI 自动化耗时任务)来简化数据准备工作。
最后,数据监控可确保您能够信任自己的数据,因为您知道源和内容并可以监控数据质量。数据监控还让在适当的时候保护数据变得容易。
发现
发现即是探索、可视化和模型构建。寻找正确的算法通常是一个反复试验的过程。而当记录、保存和比较这些试验变得容易时,该过程的效率将达到最佳水平。
选择正确的算法取决于几个事实部署因素,包括数据大小、业务需求、培训时间、参数、数据点等等。在尝试多种方法之前,即使是最有经验的数据科学家也无法告诉您哪种算法性能最好。
事实上,在发现阶段比较以不同编程语言编写的具有不同数据功能的不同模型是很常见的。
例如,最近的一个分析项目使用对象检测来识别肝脏医学扫描中的肿瘤,该项目始于对几个神经网络的探索以及数周对不同模型结果的比较和记录。
当具有不同技能的数据科学家可以用他们选择的语言编写代码,且非程序员可以使用直观的点击式界面来探索不同分析方法的结果时,这种协作过程是最有效。
部署
如果您希望自己的分析工作获得回报,就需要部署发现的结果并应用它们。拥有机器学习和其他模型并不意味着一劳永逸,您必须使用它们来获得业务价值。然而,部署阶段对大多数组织来说都是最艰难的阶段。
无论您构建的是单个模型还是数千个模型,从选择模型到部署模型都需要模型管理。模型管理提供版本控制,并帮助您注册、验证和集中管理模型。它可以帮助您开发用于模型部署和监控的程序和规则。还可保证数据和模型使用的透明度。
您的目标应该是一次构建模型并将其部署到任何地方–部署到执行仪表板、直接部署到操作系统中或通过 API 嵌入到其他应用程序中。
分析生态系统
分析正在蓬勃发展。分析生态系统中有数百家公司提供技术和服务,帮助组织存储、访问、分析和呈现数据。范围涵盖从数据管理和可视化到高级分析和预制分析解决方案,包括许多开源分析选项。
SAS 处于独特位置,可与生态系统中的每个参与者集成。SAS 平台可在任何供应商的硬件上运行,可摄取所有类型的数据,比较来自不同语言的模型,并提供跨分析生态系统的数据、发现和部署阶段的一致监控。
您要将数据存储在AWS 还是 Hadoop 中?从 Twitter 或 Google Analytics 中提取数据?在 Python 和 SAS 中分析数据?在英特尔或 NVIDIA 芯片上运行程序?将结果部署到台式电脑或 IoT 设备上?
SAS 平台可以处理所有这些,以及您已经采用的任何其他旧有解决方案。结果?从数据科学家到 IT 再到决策者,每个人都可以在同一分析系统中和谐地工作。此外,您还将受益于模型管理、模型监控、模型透明度、数据沿袭以及跨分析项目和包的集成。
通过协调分析生态系统中的所有元素,分析平台可帮助加快分析生命周期,将您从数据转移到有形结果。最终提高您在分析(数据、技术和人员)方面所有投资的投资回报率,并助您获得成功。
人工智能解决方案
当将学习合并到模型中时,分析将演变为人工智能,并且学习能力是自动化的。SAS 分析在 AI 方面已经具有强大的基础,并提供用于高级分析、机器学习、深度学习、自然语言处理和计算机视觉的解决方案。了解如何通过为业务领导者和数据科学家提供您实施组织转型以实现与 AI 共赴未来所需的技术、技能和支持,以为 AI 的未来做好准备。
Recommended reading
- 文章 Viking transforms its analytics strategy using SAS® Viya® on AzureViking is going all-in on cloud-based analytics to stay competitive and meet customer needs. The retailer's digital transformation are designed to optimize processes and boost customer loyalty and revenue across channels.
- 系列 Meet the data scientist: Daymond LingDaymond Ling believes the right personal traits are more important than technical skills when it comes to being a successful data scientist.
- 文章 AI marketing: What does the future hold?AI marketing uses artificial intelligence and analytics to improve marketing results while enhancing customer experiences through real-time personalization.
自1976年以来,SAS得到全球企业的信赖。