Как компаниям лучше использовать собираемые ими данные.

Предсказательная аналитика становится все более важным инструментом для компаний, стремящихся лучше использовать все данные, которые они собирают. Машинное обучение может придать дополнительный импульс развитию аналитики, предоставив в распоряжение предприятий еще более мощный ресурс данных.

Аналитики данных все шире применяют методы машинного обучения для предсказательной аналитики, поскольку они «стремятся превзойти статистические методы прогнозирования проблем», считает независимый консультант и автор книги «Прорывная аналитика» (Disruptive analytics) Томас Динсмор.

«Когда организации широко развертывают машинное обучение, они повышают эффективность бизнес-процессов, — утверждает он. — Выигрыш для бизнеса зависит от того, как и где организация использует прогнозирование».

Например, улучшенное прогнозирование в процессе обработки страховых исков может снизить долю мошеннических претензий и повысить удовлетворенность клиентов. В маркетинге более совершенное прогнозирование улучшает целенаправленность рекламы, выбор аудитории и оптимизацию предложения. А в розничных торговых операциях более совершенное прогнозирование маршрутов движения по магазину помогает оптимизировать количество персонала. «Список потенциальных сфер применения прогнозирования в бизнес-операциях обширен», — сказал Динсмор.

Машинное обучение предоставляет возможность делать то, что без него было бы невозможно, считает он. Например, машинное обучение позволяет оценить ущерб от урагана по снимкам зданий или районов, диагностировать рак или определить уникальную «подпись» пользователя компьютера.

Методы машинного обучения дают в целом более точные прогнозы, особенно если предсказываемое поведение встречается нечасто, отметил Динсмор: «Они лучше работают с грязными данными, с „широкими“ наборами данных (наборами с очень большим числом свойств) и с непомеченными данными».

Алгоритмы машинного обучения хорошо масштабируются для больших объемов данных, и их легче включать в масштабные приложения.

В этом году Динсмор рассчитывает увидеть больше производителей систем машинного обучения, которые будут утверждать, что они обеспечивают определенную степень автоматизации. «Имеется переполненный рынок десктопных систем предсказательной аналитики, доступных бизнес-пользователям. Некоторые существующие стартапы, вероятно, будут поглощены, — сказал он. — Новые стартапы, скорее всего, сфокусируются на адресных решениях для бизнеса в области маркетинга, финансовых услуг, здравоохранения и безопасности».

«Через несколько лет мы увидим более широкое использование машинного обучения в связи с тем, что предприятия осуществляют цифровую трансформацию, — считает Динсмор. — Преобразование аналогового в цифровое порождает огромные объемы новых данных, а дешевизна хранения означает, что мы можем сохранять данные, которые привыкли удалять. Машинное обучение дает возможность выявлять в этих данных шаблоны и структуры».

Рост в организациях числа людей, способных применять и использовать машинное обучение, ускоряет процесс выявления ценности в этих данных.

Движки машинного обучения с открытым исходным кодом будут получать все более широкое распространение, считает Динсмор: «Производители коммерческого ПО уже различными способами реагируют на эту проблему. Как правило, они будут концентрировать усилия на проблемах высшего уровня, на удобстве использования, тогда как проблемы аналитики, относящиеся к среднему и базовому уровню, будут все больше решаться с помощью открытого ПО».

Будь то в публичном, частном или виртуальном частном облаке либо в виртуализированном собственном ЦОДе, предсказательная аналитика и машинное обучение являются естественным дополнением модели «эластичного» компьютинга, заявил Динсмор. В гораздо большей степени, чем, например, хранилища данных или бизнес-интеллект.

«Это означает, что такие производители как AWS, Microsoft и Google будут добиваться присутствия на рынке машинного обучения наряду с традиционными лидерами в области аналитики», — заключил он.