首先，計算能力變得更快、更經濟，數據傳輸速度和存儲成本大幅提高，所有這些都使得人工智能(AI)算法能夠向高度美化的大數據擴展。但是，企業在涉足人工智能領域之前，應該警惕術語和它的萬靈藥承諾。盡管商業領袖可能對他們想要的結果有很好的認識，但他們中的許多人對實現目標所需的知識缺乏了解，比如數據源和類型的差異，以及不同類型機器學習模型的細微差別。

　　隨著越來越多的供應商加入到人工智能的大潮中，許多術語，如預測分析和機器學習，已經成為非常流行的營銷標簽，企業在尋找預測分析解決方案時應該記住這一點。理解這些標簽是克服炒作的關鍵，并通過真正的自助服務解決方案為您的運營團隊直接管理他們的業務挑戰獲得真正的價值。

　　有一個古老的笑話——我聽過很多版本——講的是一個人在路燈柱周圍的地上搜索。一個朋友過來問他在做什么。“找我的鑰匙。”他指著灌木叢說。“那你為什么要看這里?”他的朋友問。“光線更好，”那人說。這個被稱為“街燈效應”的故事描述了一種被稱為“觀察偏差”的現象，指的是人們在最容易搜索的地方尋找東西的習慣。在談論預測分析和機器學習時，這也是一個值得考慮的問題。當算法被應用到開發者認為他們能找到最好的洞察力的地方或者他們能找到問題的地方時，街燈效應就會在預測分析中顯現出來。

　　例如，如果一家公司說它正在應用機器學習，但它只是一個很小的功能，開發者仍然需要手動配置搜索參數(比如游戲開發中的“bug”檢測)，那么分析師的功能和操作只會受到很小的影響。直到最近，大多數機器學習模型準確地預測了他們所接受的訓練，所以他們的預測僅僅和他們訓練所用的數據一樣好。新一代真正的機器學習算法，不需要被告知在哪里觀察和從經驗中學習，承諾將徹底改變多少企業將運營。最終，它們將為分析師提供真正的自助操作預測，而不依賴于數據科學和數據操作團隊。你得到了什么?

　　另一個大問題是數據源本身正在迅速變化。直到最近，我們還局限于使用“靜態數據”——自包含且固定的數據集。“靜止數據”提供了有價值的歷史背景，使基于過去的經驗進行業務預測成為可能。但是，物聯網(物聯網)技術、傳感器之類的連接數據源和社交媒體feed現在為我們提供了有意義的新數據來源，而且隨著時間的推移會發生變化。

　　實時數據的應用為預測分析開辟了一個令人興奮的新分支，稱為異常(或異常值)檢測，即在異常行為發生時識別異常行為的能力。當我們談論企業的數據驅動洞察力時，這種發現你不知道的問題的能力可能會出現，并且可能導致將來不得不處理的問題，這顯然是很有價值的。

　　事實上，異常檢測已經在發揮作用。廣受歡迎的大眾共享導航系統Waze最近求助于一家名為Anodot的Tel aviv公司，幫助其發現無法預料的問題。“Anodot公司幫助我們發現了一些異?，F象，并發現了一些司機可能感覺不到的問題，但是當我們從整體來看時，我們可以看到區別，”分析集團經理Orna Amir博士說。“這些變化不會讓駕駛變得更快。但是，使用Anodot公司可以幫助公司了解用戶的喜好，比如檢測某些國家的趨勢，或者功能沒有充分發揮潛力，這將幫助我們為用戶提供更好的體驗。

　　航運巨頭UPS最近也宣布，他們已經開始使用新一代的實時預測分析算法來優化包裹在其配送網絡中的移動。UPS早在2016年就推出了自己的ORION算法，但這款內部開發的新型協調企業分析工具，現在將提供過去在不同應用程序間推廣的功能。

　　UPS首席信息官胡安佩雷斯(Juan Perez)對《華爾街日報》表示:“如今，我們廣泛使用數據進行計劃。”“但是，我們對包狀態的實時數據獲取得越多，我們就能更好地了解網絡中的任何異常，從而幫助我們制定出更好的計劃來管理整個網絡。”“預測分析將使UPS能夠預測需求，這樣它就可以將卡車和飛機運往最需要它們的地方，以改善服務并節省開支。”該公司表示，下一個版本將使用人工智能來實時確定最佳行動，以消除決策過程中的人為瓶頸。

　　盡管取得了這些成功，麥肯錫全球研究所(McKinsey Global Institute) 2017年的一項研究發現，許多商界領袖仍不確定基于人工智能的技術究竟能為他們帶來什么。好消息嗎?同樣的研究發現，“與只嘗試或部分采用人工智能的公司相比，人工智能采用者報告使用人工智能來擴大市場的可能性要高出27%，報告使用人工智能來提高市場份額的可能性高出52%。”

　　關鍵是知識。隨著預測性分析的不斷進步，商業領袖學習和理解所有的定義，并從現實中區分炒作是很重要的。如果一個供應商告訴你它正在使用機器學習，找出機器將要做什么，你仍然在做什么，以及如何幫助你的運營和分析師。不要猶豫問問題，清楚地表達你的目標。