人们普遍预计人工智能驱动的企业将在未来的竞争中脱颖而出。作为一家分析咨询公司，帮助我们的客户实现人工智能并保持竞争力是我们的核心价值观之一。人工智能衍生的商业价值预计将在2020年达到3.9万亿美元，我们希望我们的客户能够捕获它！

从历史上看，我们将客户的计划可视化，以优化其数据使用，从数据管理到机器学习的线性进展。每个人都看到了以下视觉的版本 - 这是一种传统而舒适的计划方案，其中机器学习（预测建模和优化）留给遥远的未来：

去年，我们注意到，即使是我们较新的，分析较少的成熟客户，仍然拥有更强大的驱动力来更好地利用他们的数据资产。一方面，他们希望自助商业智能（BI）能够使企业中的每个人都使用数据进行决策。此外，他们的C级需要特别关注解决战略性的大局问题，这些问题会对他们的业务和财务产生直接影响。

这些战略性的自上而下的举措使我们的客户在竞争中处于领先地位。但是，我们认为没有理由不将自下而上的自助式BI计划与这些更具体的针头移动计划并行运行。因此，我们向客户展示的分析成熟度图表现在看起来有点不同：

第一步始终是帮助我们的客户清理和整合数据到某种集中式数据平台。这件作品往往需要最多的工作，有时甚至是最多的投资，但它很少需要采用与我们与其他客户使用不同的方法。50％的数据仓库项目都失败了，但我们认为这些失败往往是由于缺乏经验丰富的团队 - 没有完成数十个类似项目的人员造成的。一旦我们创建了清洁和整合数据的分析平台，我们就可以开启并行BI和机器学习方法。

为了考虑这在实践中的表现，让我们考虑一下消费品公司。他们的业务目标可能如下所示：

- 我可以在我们的移动设备上使用特定于帐户的仪表板为我的销售代表提供帮助，以帮助他们将更多产品推送到每个帐户吗？ - 我可以通过实时预算与预测比较实际的仪表板来控制我的销售经理，这些仪表板可以通过帐户或销售代表来标记销售差距吗？ - 我是否可以在一个地方全面，实时地查看我在所有平台上的营销支出，以便更快地调整我的广告系列？
- 我可以预测并影响客户对我产品的满意度吗？ - 什么产品将在新市场中销售最好？ - 我的哪些产品是消费者一起购买的？ - 在保持商店货架库存的同时，我的供应链如何变得更加精简？ - 将新产品推向市场需要多少单位成本？

为了实现前三个目标，我们必须与经理和销售代表合作，构建自助式BI仪表板并实施变更管理策略以供采用。与此同时，我们可以使用部门主管和最后5个C级别。这就是DataRobot的用武之地。

在开发阶段，DataRobot会自动清理，编码和解析输入数据; 从最适合生存的培训方法中排名超过50个最前沿的机器学习模型; 并记录整个过程。

DataRobot改变了我们计划和执行基于机器学习的计划的方法，这些计划可以回答战略性的大图片问题。在规划阶段，我们可以通过DataRobot简单快速地运行相关数据，以形成对我们可能为每个模型实现的评分的有根据的猜测。这有助于我们优先考虑我们的ML计划，并从淘汰低水果开始。

在开发阶段，DataRobot会自动清理，编码和解析输入数据; 从最适合生存的培训方法中排名超过50个最前沿的机器学习模型; 并记录整个过程。从本质上讲，DataRobot可以自动化经验丰富的数据科学家80％的任务。

那么，当自助式商务智能成功部署到大众时会发生什么？自上而下的战略性ML计划正在为管理层提供关键答案？我们相信这是两个轨道融合的点，因为机器学习也可用于增加几乎所有自助BI的使用案例。

让我们重温这三个描述性的例子。对于销售代表的帐户级移动设备仪表板，ML扩充可以自动建议交叉销售到帐户中的最佳新产品或部署的适当贸易营销策略。对于销售管理仪表板，ML可用于预测未来的差距，允许管理人员在问题出现之前采取预防措施。对于营销仪表板，ML增强可以确定对每个广告系列的最佳调整，并自动进行实时调整，无需人工干预。

我们的最终图形充分体现了这些扩展的可能性，为AI驱动的企业提供了优化和可访问路径的清晰演示。