首先，计算能力变得更快、更经济，数据传输速度和存储成本大幅提高，所有这些都使得人工智能(AI)算法能够向高度美化的大数据扩展。但是，企业在涉足人工智能领域之前，应该警惕术语和它的万灵药承诺。尽管商业领袖可能对他们想要的结果有很好的认识，但他们中的许多人对实现目标所需的知识缺乏了解，比如数据源和类型的差异，以及不同类型机器学习模型的细微差别。

　　随着越来越多的供应商加入到人工智能的大潮中，许多术语，如预测分析和机器学习，已经成为非常流行的营销标签，企业在寻找预测分析解决方案时应该记住这一点。理解这些标签是克服炒作的关键，并通过真正的自助服务解决方案为您的运营团队直接管理他们的业务挑战获得真正的价值。

　　有一个古老的笑话——我听过很多版本——讲的是一个人在路灯柱周围的地上搜索。一个朋友过来问他在做什么。“找我的钥匙。”他指着灌木丛说。“那你为什么要看这里?”他的朋友问。“光线更好，”那人说。这个被称为“街灯效应”的故事描述了一种被称为“观察偏差”的现象，指的是人们在最容易搜索的地方寻找东西的习惯。在谈论预测分析和机器学习时，这也是一个值得考虑的问题。当算法被应用到开发者认为他们能找到最好的洞察力的地方或者他们能找到问题的地方时，街灯效应就会在预测分析中显现出来。

　　例如，如果一家公司说它正在应用机器学习，但它只是一个很小的功能，开发者仍然需要手动配置搜索参数(比如游戏开发中的“bug”检测)，那么分析师的功能和操作只会受到很小的影响。直到最近，大多数机器学习模型准确地预测了他们所接受的训练，所以他们的预测仅仅和他们训练所用的数据一样好。新一代真正的机器学习算法，不需要被告知在哪里观察和从经验中学习，承诺将彻底改变多少企业将运营。最终，它们将为分析师提供真正的自助操作预测，而不依赖于数据科学和数据操作团队。你得到了什么?

　　另一个大问题是数据源本身正在迅速变化。直到最近，我们还局限于使用“静态数据”——自包含且固定的数据集。“静止数据”提供了有价值的历史背景，使基于过去的经验进行业务预测成为可能。但是，物联网(物联网)技术、传感器之类的连接数据源和社交媒体feed现在为我们提供了有意义的新数据来源，而且随着时间的推移会发生变化。

　　实时数据的应用为预测分析开辟了一个令人兴奋的新分支，称为异常(或异常值)检测，即在异常行为发生时识别异常行为的能力。当我们谈论企业的数据驱动洞察力时，这种发现你不知道的问题的能力可能会出现，并且可能导致将来不得不处理的问题，这显然是很有价值的。

　　事实上，异常检测已经在发挥作用。广受欢迎的大众共享导航系统Waze最近求助于一家名为Anodot的Tel aviv公司，帮助其发现无法预料的问题。“Anodot公司帮助我们发现了一些异常现象，并发现了一些司机可能感觉不到的问题，但是当我们从整体来看时，我们可以看到区别，”分析集团经理Orna Amir博士说。“这些变化不会让驾驶变得更快。但是，使用Anodot公司可以帮助公司了解用户的喜好，比如检测某些国家的趋势，或者功能没有充分发挥潜力，这将帮助我们为用户提供更好的体验。

　　航运巨头UPS最近也宣布，他们已经开始使用新一代的实时预测分析算法来优化包裹在其配送网络中的移动。UPS早在2016年就推出了自己的ORION算法，但这款内部开发的新型协调企业分析工具，现在将提供过去在不同应用程序间推广的功能。

　　UPS首席信息官胡安佩雷斯(Juan Perez)对《华尔街日报》表示:“如今，我们广泛使用数据进行计划。”“但是，我们对包状态的实时数据获取得越多，我们就能更好地了解网络中的任何异常，从而帮助我们制定出更好的计划来管理整个网络。”“预测分析将使UPS能够预测需求，这样它就可以将卡车和飞机运往最需要它们的地方，以改善服务并节省开支。”该公司表示，下一个版本将使用人工智能来实时确定最佳行动，以消除决策过程中的人为瓶颈。

　　尽管取得了这些成功，麦肯锡全球研究所(McKinsey Global Institute) 2017年的一项研究发现，许多商界领袖仍不确定基于人工智能的技术究竟能为他们带来什么。好消息吗?同样的研究发现，“与只尝试或部分采用人工智能的公司相比，人工智能采用者报告使用人工智能来扩大市场的可能性要高出27%，报告使用人工智能来提高市场份额的可能性高出52%。”

　　关键是知识。随着预测性分析的不断进步，商业领袖学习和理解所有的定义，并从现实中区分炒作是很重要的。如果一个供应商告诉你它正在使用机器学习，找出机器将要做什么，你仍然在做什么，以及如何帮助你的运营和分析师。不要犹豫问问题，清楚地表达你的目标。