来:
http://fortune.com/featured/ACatalystForTheNextGenerationOfBusinessGenpact2018
-
虽然某些公司吃过第一口螃蟹，但缺少顶层设计。只有在那些通盘筹划的公司手中，才能用好人工智能这件“宝器”，以便应对棘手的商务问题、优化进程、提高生产效率。
-
人工智能的威力大小，取决于机器学习这种数字技术与海量数据库之间的相互系有
多密切。而无论是技术还是数据库，都与人类同处于一个无缝衔接的生态体系之内。
原文翻译：
人工智能，这项全民热议的技术，在商业界却不尽然热门。
虽然某些公司吃过第一口螃蟹，但缺少顶层设计。只有在那些通盘筹划的公司手中，才能用好人工智能这件“宝器”，以便应对棘手的商务问题、优化进程、提高生产效率。
在这些公司之中，有一些认为，人工智能相当于一个变革平台，新式企业很可能就诞生于此。这些眼光长远的公司把重心摆在消费者身上，借助人工智能来实现人与进程的连结、预测商业结果，通过新的知识形式来挖掘新赢利点。
研究显示，标准普尔
500
指数上半数企业都要在未来十年内重新洗牌。这就是说，那些小觑人工智能不过是一股风潮的，或将其简单理解成商业速效药的，都有可能被甩在队伍后面，甚至直接淘汰。另一方面，那些整装待发的企业深知，正是有了今日努力，未来他们才能准确感知和精准预测，更加明智、迅捷地做出足以颠覆客户体验的决策。
简帕特全球集团首席数字运营官史桑杰先生（
Sanjay Srivastava
）认为，当前这个形势下，并非所有企业都天生平等。“凡是把人工智能嵌入公司中枢神经系统的，都将迎来一个活力大幅增强、能力迅速发展的明天。人工智能会让他们的行事方式如同出自本能。他们能够做到的有：增广知识、预测破坏、识破威胁，包括与客户建立更紧密的关系。在其发展过程中，这类新式企业也将具备行业变革的力量，以一种闻所未闻的方式释放人类潜能。”
疯狂创新的人工智能
创造性地运用人工智能、变革消费者心中的企业价值，这在商界已经开始陆续实现了。只要把人工智能同其他技术结合起来，行动就能更迅速，客户联系就能更紧密。
想象这样一间“通联之家”：地下室一漏水，就能自动探测，然后关好龙头，评估并减小损失，同时迅速提交保险申报单。等做完这一切，房主还没下班回家。配备了相应人工智能和数据分析的保险员，会立即处理申报、开展调查、推进理赔进程。这样一来，双方的关系在发展，保险员就不仅仅是一名传播理赔措施的交易人员，而是慢慢变成救护家庭安危、值得信赖的顾问。
从医疗卫生到交通运输，这样类似的场景已经在许多产业逐步出现。
例如制药业，数据分析与机器学习正在构建一个紧密联系的生态体，对药物警戒（
pharmacovigilance
）等有机组成部分产生深刻变革。
制药企业不再被动地追踪应对不良事件，而是开创性地使人工智能与数据分析相耦合，描述出一个预测不良事件的范式，大力改善和有效保护病人健康。
思维与机器的交汇
人工智能的威力大小，取决于机器学习这种数字技术与海量数据库之间的相互系有
多密切。而无论是技术还是数据库，都与人类同处于一个无缝衔接的生态体系之内。
当然，没有一支积极迎接变革的人才队伍，是不可能取得商业创新的。只有在放眼未来的领导治下，才能管控变革，培育出一个富饶的商业土壤，将务实的方法体系、人的聪明才智、人工智能的先进性，以及客户中心主义注入其中。
在这里，人居于关键地位。将信息转化到具体情境中去，确立行动目标，与智能机器共同减少数据偏倚，确保设计过程中始终把隐私与安全放在首位。这些都需要人来完成。
“比方说，在选担保人和动手术时，人与机器顺利共事就非常重要，”史桑杰表示，“人有知识，有经验，能放手让人工智能做决定，并达成理想结果。”
很快，这些新能力的价值就会超越常规商务行动的范畴。一旦人工智能与人相结合，机器就会深邃起来，为员工开发出更具创造力的方案提供新的视角和机遇。反过来，机器的这种复杂性又会让员工拥有一条流动性更大、目标更明确的职业轨迹，也会为企业管理者提供一支更熟练、自得的劳动力队伍。
“新世纪，人会变得越来越有想象力和创造力，”史桑杰说，“有了人工智能，我们就拥有了暂时无法预见的可能。”
人的变革，不仅影响着劳动力的地位，也会对领导人的角色产生影响。高瞻远瞩的领导人会认为，人工智能的运用，绝不只是个战略选择。为员工赋能，实际上是一场机遇。妨碍创新的组织壁垒可能打破，在关键问题上的商业敏锐性可能上升，员工与客户满意度可能提高。所以，远见卓识之士会开始为明日打造人与技术的基础设施。
关于人工智能的竞赛
前瞻企业，都在有意识地利用人工智能来连接其生态网络，打破彼此的隔阂，积极开展合作（包括与竞争对手的合作），以照顾客户的利益。此外，有了人工智能，企业还能掌握海量数据——或内部，或外部；或结构化的，或非结构化的，再加上深度知识，就能形成一种预测性的范式。有了这种范式，那些企业就能抢在事情发生之前做出决策。
一个现实生活里的例子就是零售业。现在，零售业已经能够根据预期出货，在下一笔订单还没出现的时候，就提前把产品运送到离购买者最近的仓库，形成客户忠诚度与消费情报的良性循环。
这些企业不仅把人的专业技能与人工智能的先进性结合起来，还根据每个消费者的喜好，开发出高度定制化的方案，并预测消费者可能涉及的产品。
因为这些企业明白，眼下最重要的就是找准未来的发力点。他们像是冰球运动员，一边滑动，寻找冰球的地点，一边还预判冰球的移动方向。他们做出的每一个决定，都是从消费者出发，都是借助革命性的人工智能，都是把人与机器相结合，都是像本能一样行事。
一言蔽之，这就是企业的核心。
原文
:
Marketing In The Age OfMachine Learning
来:
https://www.techrepublic.com/article/how-large-enterprises-are-implementing-machine-learning-3-main-use-cases/
-
“机器学习的好坏取决于你要求它优化的东西。”
-
广撒网以尽量获取潜在客户的做法不等于客户转化和忠诚。
优秀的营销人员不是想方设法触达所有类型的潜在客户，而是利用机器学习，把触达更有价值的客户作为数字化营销投资的目标。
-
如今的客户每天花大量时间浏览移动互联网。无论你的广告多么有创意，如果你的移动端网站缓慢、复杂或者乏味，就无法吸引客户。
原文翻译：
数字客户和传统客户之间不再有界线。任何人只要有智能手机，都会不假思索地在线上和线下之间随意穿越，形成了对速度、效用和实时帮助等现代便利性的强烈偏好，也变得越来越不耐烦和挑剔。想要吸引如今的客户，必须采取现代的营销方法，用先进技术和客户优化为我所说的“顾问品牌”打好基础。顾问品牌正在改变整个游戏规则。
顾问品牌意味着放弃传统的漏斗原理和以营销为中心的理论。现在，先进的营销策略是利用机器学习和其他新兴技术来提供辅助体验，在购买旅程的每一步将意图和期望转变成增值活动。这么做不仅可以改善营销表现，还有助于企业成长。
靠自动化营销致胜的五大法则
今年早些时候，我采访了几家领先企业的首席营销官和首席数据官，他们分享了在当今形势下与时俱进的经验。他们都说，机器学习是新营销观念的基石，帮助营销人员转换日常数字信号，理解客户意图和偏好，在恰当的时间、恰当的地点、恰当的设备上自动地提供富有成效的个性化体验。
谷歌最近发表的《靠自动化营销致胜的五大法则》也讨论了机器学习的优点，作者是谷歌首席搜索布道官尼古拉斯
·达维奥-加尔诺（
Nicolas Darveau-Garneau
）和工业主管亚当·迪夫（
Adam Deif
）。在该文中，他们分享了顶尖企业利用机器学习的五个最佳实践。以下内容受到了他们的启发。
1.
优化营销的目的是增长不是效率
正如谷歌所言：
“机器学习的好坏取决于你要求它优化的东西。”
20
世纪福克斯影业总裁、首席数据科学家、媒体主管朱莉·里格（
JulieRieger
）说，营销人员如果想利用机器学习获得有价值的洞见，一个大挑战是打破他们经常怀有的认知偏见。很多时候，
营销人员往往采用传统的思维模式和评估方法，这妨碍他们发现新的营销机遇。
他们投资于创新和增长，以此换取规模和效率。而具有现代眼光的营销人员致力于增长，利用机器学习来全面了解客户，根据不断变化的需求改变营销策略。
HomeAway
增长营销高级副总裁大卫·贝克霍尔姆（
David Baekholm
）提出了类似看法。他说，机器学习以及对移动客户和长期表现而非短期投资回报的关注，帮助这家公司的营收同比增长
115%
。
2.
识别和获取正确的客户
并非所有客户都是一样的。
广撒网以尽量获取潜在客户的做法不等于客户转化和忠诚。
优秀的营销人员不是想方设法触达所有类型的潜在客户，而是利用机器学习，把触达更有价值的客户作为数字化营销投资的目标。另外，优秀的营销人员更加重视长期衡量指标，比如客户终生价值（
CLV
），而不是重视短期交易所得，比如广告支出回报。
3.
发展有意义的客户关系
优秀的营销人员利用机器学习，把数字化营销变成企业的增长引擎。结合
CLV
等指标，他们知道如何吸引现有客户，构建高质量的客户关系，从中获得更多收益。
他们致力于高价值客户的个性化交叉销售机会，而不是大众营销。这有助于减少客户流失，提高客户满意度和留存率。
4.
创造性（和有效）地为客户提供建议和指导
多年来，营销工作基本上归属于通用自动化，导致营销活动和客户意图脱节。消息灵通的客户不想被推销。他们想获得可靠的建议和指导。当客户开启发现之旅时，他们想要搜索“最适合”他们的东西。机器学习可以帮助营销人员根据关键词，
创造出大量的个性化和“响应式搜索广告”。
这使得恰当的广告被自动地重新合成，在恰当的时间向恰当的客户呈现恰当的信息。
5.
移动端
优先
不知何故，企业没有把移动端体验作为优先考虑事项。然而，如今的客户每天花大量时间浏览移动互联网。无论你的广告多么有创意，如果你的移动端网站缓慢、复杂或者乏味，就无法吸引客户。他们怎么可能会被吸引呢？他们没有耐心，他们喜欢的
APP
极为简洁直观，无需多想就能让他们看到他们想要的东西。这应该成为每家公司的标准，不管是哪个行业。优秀的营销人员利用
Progressive Web Apps
这样的新技术和由机器学习增强的竞价算法，把更多的合格客户吸引到优化的网站。体验不佳的网站很容易被不耐烦和挑剔的客户忽略。
“靠自动化营销致胜的五大法则”说明了优秀的营销人员如何利用机器学习和新兴技术获得成功。虽然这些原则说起来容易，但必须作出思维和行为上的转变，再加上机器学习，才能改变你的数字化营销以实现这些目标。
通过将机器学习整合进营销，顾问品牌可以推动企业增长而非效率，获取最有价值客户，提高客户终生价值，使动态创新个性化，提供更加直观流畅的移动端体验。这些就是你的奋斗方向。在如今的客户眼中，达不到这些要求的，就是低劣不堪的。
原文
:
Four machine learning strategies for solvingreal-world problems
来:
https://blogs.sas.com/content/subconsciousmusings/2018/10/17/four-machine-learning-strategies-for-solving-real-world-problems/
-
有的在线学习算法还会“适应”，即随时调整模型，跟随或追踪数据的变化。具体而言，它们会逐渐“遗忘”过时数据，从而适用于环境
/
模型随时变动的应用程序。
原文翻译：
机器学习有四种广受认可的形式：监督式、无监督式、半监督式和强化式。在研究文献中，这些形式得到了深入的探讨。它们也被纳入了大多数机器学习算法的入门课程。下表对这四种形式作了总结。
但一个并不广为人知的概念是机器学习策略，即以创造性的方式，运用基本的机器学习算法，解决现实世界问题。我对这些策略产生了浓厚的兴趣。在这篇文章中，我将探讨四种策略：在线学习、迁移学习、集成学习和深度学习。好在，这四项策略适用于表格中任意一种机器学习形式。
一、在线学习
在线学习使用瞬息万变的数据。这类模型跟着数据及时更新，并不存储先前的数据。
有的在线学习算法还会“适应”，即随时调整模型，跟随或追踪数据的变化。具体而言，它们会逐渐“遗忘”过时数据，从而适用于环境
/
模型随时变动的应用程序。
批量（或离线）学习使用静态的数据，可以充当在线学习的热身。在批量学习中，模型一次性完成所有数据的学习。很多在线学习算法使用一个批量
/
离线算法（以一小批数据为基础），为模型作启动前的热身。这种做法可以显著加快算法的收敛（
convergence
）速度。
二、迁移学习
迁移学习将一个领域的知识应用到另一个领域。它将旧的数据、模型和参数用于新问题的解决，对于机器学习模型的终身学习而言至关重要。
迁移学习是人与生俱来的能力。举个例子，我们会将已经掌握的语言知识（词汇、语法等），应用到新语言的学习中。两种语言越是接近，知识迁移就越简单。
三、集成学习
单学习器模型只用一个学习器（算法），而
集成学习使用多个学习器。一般的集成算法包含梯度提升、引导聚集、决策森林、堆栈集成和超级学习器。
集成学习可以结合相对较弱（很多情况下，预测精度只略高于随机猜测）的学习器，产生强大、准确的模型。
四、深度学习
深度学习包含多个层，可以学习数据的层级化或多尺度特征。与之相对的是“浅层学习”，即简单地运用普通的机器学习建模算法。通常，浅层学习离不开特征工程（
feature engineering
），以保障输入以适当的形式呈现给模型，而深度学习在训练时，就自然而然地学会了这些特征。
在用机器学习算法解决日常业务难题时，机器学习策略是我们要考虑的又一个方面。
原文
:
Building An Analytics-Centric Organization
来:
https://www.forbes.com/sites/jimmiller/2018/10/17/building-an-analytics-centric-organization/#5ab084b51119
-
将这场分析学革命仅仅视作工具的革命，雇佣几个所谓的“大数据”分析师、机器学习专家了事。就我见到的或参与的分析革命来说，但凡最后成功的，走的全是自上而下的路子，无一例外。
-
说句实话，大多数公司仍然处于数据分析的发展初期。所以既要抱负远大，又要脚踏实地。别忘了，像谷歌、亚马逊这些公司，十年前就已经启动变革的步伐。你的公司不可能一蹴而就。
-
先从小处着眼，只清理必要数据，能够回答出目标函数包含的基本问题即可。避免陷入数据清理的泥沼，不要为此消耗公司的大部分资源。
原文翻译：
1993
年，我从麻省理工大学斯隆商学院毕业。当时我并不知道，我所掌握的知识和观念范式会成为后来的“大数据”。为此，我要向母校史蒂夫·格拉夫斯教授（
Steve Graves
）
、埃里克·布莱恩约弗森教授（
Erik Brynjolfsson
）等老师致以诚挚的谢意。他们的洞见和视角，在我的思想里打下了不可磨灭的烙印。当时，
我尚不大形容得出“大数据”的全貌，但却坚定不移地认为，一个高速运转的企业，其命脉最终还是依赖于对海量数据的实时分析与执行。我甚至坚信，大数据将从根本上变革企业的运行方式，催生全新的公司形态乃至产业。
毕业后，我去了英特尔公司。当时，一个显而易见的现象是计算能力突飞猛进，互联网乃至宏观意义上的网络基础架构都将居于革命的核心地位。我明白，不论这场革命本质为何，其影响都将是巨大的，但老实说，我无论如何也设想不到，这场数字革命最终会发展成这番摧枯拉朽之势，并以这种方式持续演进下去。
上世纪九十年代中叶的一个午后，我给某企业设计经营模式。我的方案是：企业利用海量数据和自动化算法，自动优化并实时执行运营任务，将每日政策制定、运营设计与管理、长期战略决策等若干个行动领域整合在一起。这个方案的重点在于，整个企业的存在状态和行动精神都是以数据、分析为基础的。当时，这个模型付诸现实的可能性微乎其微。短短几年后，我加入了一家规模不大却生机盎然的企业（亚马逊），认识了一位具有远见卓识的管理者杰夫·贝佐斯（
Jeff Bezos
），发现他的想法几乎与我如出一辙。别提我有多惊喜了！就像一个走进糖果店的孩子，带着新奇的目光在商业帝国里东张西望。老实说，我甚至以为这是人生最美好的时刻——直到我十年后在谷歌担负起更加重大的使命。
我的整个职业生涯都在构建分析职能和在运营管理中发挥关键作用的团队。幸运的是，一路走来，大部分都是成功案例，当然也犯过一些错误。我愿将一路上的重要经验分享给大家。所以，这篇文章本质上是回顾性的。至于预言式的文章，还是放在下一篇吧！
写这篇文章，我实际上最想对各位说一句话：立刻启动变革！动起来，别再空谈误事！竞争对手已经动起来了！
不必过于紧张。说白了，只不过是再来一次企业革命。当然，这又是一场全方位的革命。强调全方位，是因为太多总裁眼光狭隘，
将这场分析学革命仅仅视作工具的革命，雇佣几个所谓的“大数据”分析师、机器学习专家了事。就我见到的或参与的分析革命来说，但凡最后成功的，走的全是自上而下的路子，无一例外。
与其说这是场新式资源与技术专家推动的革命，不如说是一场文化层面的变革。遗憾的是，时至今日，还有很多企业领导和总裁在分析和计算面前望而却步。我的建议是：迅速接受教育。所谓接受教育，不是去读一份运营研究或机器学习的硕士学位，而去找一位专家，让他把这些能力转化为公司高管口中的词汇用语。这是最易出错的，因为太多高管把这个任务委派给下级组织，而下级组织又迷失在五花八门的任务门类里。
这场革命如同之前所有良性革命一样，必须有计划、有可衡量的目标，设定时间表，配置专用资源，不能东一榔头、西一棒子。
此外，这是一场极端重要的革命，不能理解成一个无足轻重的业余项目。用一句话概括，就是既要抱负远大，又要脚踏实地。谈到数据分析，特别是机器学习、人工智能的远景，如今的媒体四处充斥着极度乐观（也是过分炒作）的故事，根本不切实际、难以置信。别被炒作带偏了。
说句实话，大多数公司仍然处于数据分析的发展初期。所以既要抱负远大，又要脚踏实地。别忘了，像谷歌、亚马逊这些公司，十年前就已经启动变革的步伐。你的公司不可能一蹴而就。
接下来，让我们深入探讨数据分析的微妙细节。通过总结在数据分析领域从业
25
年的职业经历，我提炼出几条核心经验，以飨读者。
l
始终围绕一个目标函数进行思考，从一开始就搞清楚要解决什么问题。所谓目标函数，指有待处理的头等大事。作为一名工程师，
我认为这条原则就相当于解决问题的第一性原理——必须在寻找解决路径之前，搞清楚问题到底是什么，要达到什么目标。
这个要求看起来好像不证自明或无足轻重，其实不然。走进一个会场，方案已经提出来了，但“到底在解决什么问题”这种最基本的答案都没人知道，这种情况太多了，简直震惊。事实上，我几乎每天都要问一次：“到底在解决什么问题？”
选取最重要的目标函数，并由此开始，不要试图一次解决全部问题。
l
