素人也可成为数据科学家？Stratifyd敏捷AI+自动学习了解一下

近年来，人工智能（AI）和机器学习（ML）技术取得飞跃性的发展，但是其在商业领域的应用情况并不尽如人意。

根据麦肯锡的调查，全球有50%的公司在至少一项业务职能中采用了AI。 如果你是客户体验、市场营销亦或呼叫中心的领导者，并且必须要处理公司每年产生的海量数据，以现在的技术能力是远远不够的。可用的数据很多，从中获取的洞察力却很匮乏。

我们以客户体验组织为例， 根据麦肯锡的另一项调查，常规的客户体验调查平均只对公司7％的客户进行抽样，这样得到的调研结论仅代表了小部分客户群体的观点，对整体客户体验及价值的洞察是非常有限的。 其实，除了问卷调研，还有更多数据源可以支撑企业了解和量化客户体验，例如来自呼叫中心的通话记录，电商、社交媒体等数字化平台的体验数据等。但是，如果没有充足的资源和人力去战略性地部署AI，客户体验团队就无法从中获得有价值的洞察。

企业需要AI工具和数据科学人才的支持去挖掘和利用现有数据的价值。那么是什么阻碍了这一进程呢？

麦肯锡关于AI的同一项研究发现，在AI的成熟应用者中（high performers），只有45%的企业知道应该雇佣什么角色和技能的人去支撑AI项目，而对于AI应用并不成熟的企业，这一比例只能达到33%。 这意味着，企业对于AI辅助管理海量数据的需求和实际能构建和部署AI模型的人才之间还存在很大差距。

企业没能充分利用数据价值的另一原因是，在管理者眼中，传统AI项目的高成本和高风险与之带来的“微薄”收益相比并不匹配。传统AI项目还存在部署缓慢，且提供的见解与团队当前需求脱节的弊端。

启用敏捷AI和自动学习技术

人工智能（AI）并不是特定人群的“专属俱乐部”。无论你是数据科学家或是在拥有海量客户数据、运营数据或是行为数据的部门工作，AI都能提供帮助，不过传统AI的技术障碍让多数企业对其望而却步。

也正是基于这一点， Stratifyd推出了敏捷AI驱动的体验数据分析平台，赋能各类人群，突破传统分析障碍，让所有人都有挖掘数据背后故事的能力。 企业需要AI，所以我们让AI变得简单，在广泛人群中普及和推广AI，帮助企业发现隐藏在数据中的未知规律和洞察。

虽然我们把AI推向大众，不过不存在“黑盒”（black box）的隐忧。了解AI的工作原理可以帮助你最大化利用数据价值。这对于预测性模型尤为重要，因为你要根据这些预测做出响应的决策和行动计划。

但是问题又来了，如果你甚至都不知道该从何着手分析该怎么办？

Stratifyd数据分析平台会像一个数据科学家一样通过 自动学习（Auto Learn） 功能带领你快速入门。

什么是自动学习？

由于你并不是很清楚适用于业务目标的最佳算法是什么（尤其当你拥有多样化、非结构化的数据集时），不要担心，Stratifyd 帮助分析人员自动进行算法选择、参数调整、模型融合、模型验证等AI 建模任务，所有这些都是在「无代码」的环境下完成，大幅简化模型训练流程，利用算法竞争淘汰机制筛选出表现最好的模型返回给分析人员。

一旦将数据接入平台，你只需将自动学习功能应用到想要训练的数据上，选择你要预测的内容，然后看看哪个模型最终会基于数据产生最准确的结果。

在现实生活中这意味着什么？下文我们通过“疯狂三月”的篮球赛事数据做一些预测。

尝试训练“疯狂三月”篮球赛事数据

自动学习功能的妙处在于它可以应用于多种类型的数据。为了演示它的工作原理，我们试着对近期大学篮球锦标赛的赛事结果做了预测（事先有必要提醒：预测赛事结果是很困难的，尤其是轰动全国的“疯狂三月”（March Madness）！）。和所有优秀的模型一样，这需要对数据进行一些调整，不过模型训练非常简单，我们可以快速地进行多次迭代，以根据我们使用的数据得到最优的预测模型。

用于训练模型的数据

为了更准确地预测谁会在激烈的交锋比赛中获得胜利，我们对历史数据（过去8年的常规赛季统计数据）进行整合，通过CSV数据连接器将其导入平台并训练模型。

我们最终使用了5种不同的模型找到了最优模型（超过91%的准确率）。这意味着它可以基本预测事实，无论主队是赢还是输，超过10中9的命中率。

最终模型的精度得分

在64强的争夺战中，该模型达到了很高的预测精度，不过当我们用这个模型预测今年16支球队的比赛时，结果喜忧参半，进入8强的球队中命中了4支，爆冷频出，不得不说这确实很“疯狂三月”。

Auto Learn模型结果, 最右边栏的W/L是指对最左边栏球队的预测结果。

明年，我们计划对模型做一些修改。一是选择更好的数据进行训练：我们当前训练的数据不包括赛程强度（Strength of Schedule）。虽然高分的Oral Roberts和高分的Gonzaga分属不同的战队，从赛程强度上来看两者拥有同样的权重。同样，我们现在使用的是常规赛季的数据，如果将季后数据也一并引入的话会得到更好的训练样本。

前段时间本公众号还分享了一篇通过球迷情绪预测大学篮球赛事结果的文章，关注Stratifyd公众号回顾详情。

以上是我们为了帮助大家更好地理解自动学习和敏捷AI的使用场景，用篮球赛果的预测做的一个简单示例。其实，自动学习和敏捷AI在商业领域的应用场景有很多，通过自动学习，企业可以更好地了解客户以及业务发展情况，挖掘潜在商机，实现更高效的业绩增长。

自动学习在商业领域的三种应用方式

当你想要预测某些事件的结果，但又不确定是否需要逻辑回归模型、递归神经网络或深度神经网络模型时，自动学习会给您指引。

下面我们聊聊当今时代企业使用自动学习的几种主要方式。

一、审查客户票证以确定是否存在需要解决的合规性问题。 这对于金融服务这种受监管的行业而言尤为重要。通过对这类客户数据应用自动学习训练模型，企业可以减少合规团队的工作量，自动规避潜在风险。

二、弥补NPS调研的不足。 由于相当一部分客户不会填写企业发放的NPS调研问卷，而AI可以弥补这一不足，AI助力企业分析全渠道的客户反馈数据，更好地量化客户满意度水平，探寻客户积极、中立以及消极情感背后的真实原因。

三、根据客户行为识别流失风险。 将自动学习应用于行为数据（例如点击和订购）可以预测客户流失的可能性，基于预测结果企业快速定位可能流失的“高风险”客户，通过改进产品订购流程和服务措施降低客户流失的可能性。

在业务运营中具体应该如何使用自动学习还要取决于企业自身的需求（明确你要分析的数据有哪些以及想要预测的结果是什么）。与传统AI相比，自动学习和敏捷AI具有更快的洞察力和更大的灵活性。

END