商業智慧和機器學習有哪些相似之處？
BI 是一種描述性和診斷分析的形式，用於分析發生了什麼事。ML 也會評估發生了什麼事，但是會使用這些資訊來預測未來的行為。BI 適用於結構化資料，而 ML 也可以使用非結構化資訊，例如電子郵件和相片。這兩種類型的資料分析都有類似目的，即使用資料來引導做出明智的決策。ML 可讓 BI 系統從資料集中不是那麼明顯的資料模式擷取更深入的洞察。
以下兩者的主要差異：商業智慧與機器學習？
儘管有一些相似之處，BI 和 ML 是兩種不同的分析形式。
商業智慧
儘管能夠使用近乎即時的資料，但是 BI 代表最佳描述為描述性和診斷分析的歷史分析形式。BI 分析通常會解釋發生了什麼事、如何發生，以及為何發生。BI 是由商業分析師建立，同時包括視覺化，例如儀表板和圖表。
機器學習與人工智慧
機器學習是人工智慧的子集。ML 與 BI 之間的主要差異在於，機器學習是一門開發演算法和統計模型的科學，這些演算法和模型可以讓電腦系統根據模式和推理來執行任務，而不需要由人類輸入精確的指令。電腦系統使用機器學習演算法處理大量的資料，並從中找出資料的模式。這讓電腦能更精準地根據輸入的資料集預測結果。比如，資料科學家可以使用數百萬張 X 光片和對應的診斷結果來訓練一個醫療應用程式，讓該應用程式僅透過 X 光片就能診斷病人是否罹患癌症。
商業智慧與機器學習之間差異的摘要
|
|
商業智慧 |
機器學習 |
| 商業目標 |
識別歷史趨勢並確定發生了什麼事、如何發生以及為何發生 |
建立未來成果的預測 |
| 所需技能 |
使用儀表板精通統計分析、資料擷取和資料視覺化 |
進階程式設計、編碼、資料科學和資料探勘技能，以及進階統計資料，或使用無程式碼 ML 工具進行統計分析 |
| 資料來源 |
適用於組織良好的關聯式資料庫和資料倉儲 |
適用於大型結構化和非結構化資料湖 |
| 複雜性 |
較不複雜，但取決於分析師的商業技能和知識 |
相對複雜，需要大量資源和時間 |
| 數學 |
使用數學技術 |
依賴演算法 |
何時使用商業智慧與機器學習
以下是了解 BI 與 ML 之間的差異與使用時機的一些範例。由於這代表常見問題，因此比較分析師如何使用這些技術來發現問題並最佳化業務程序非常有用。
預測客戶流失率
客戶流失率是指與期間開始的客戶總數相比，企業在一段時間內損失的客戶數量。這是一個簡單的 BI 計算，以顯示歷史每月流失率百分比的圖形來呈現結果。機器學習流失率計算不同。這裡的演算法可以分析客戶資料庫中的特定因素，例如購買歷史記錄、人口普查資料和行銷活動，以預測未來的流失率。
客戶情緒分析
衡量客戶情緒非常重要，無論是正面，中性還是負面情緒。使用 BI，您可以使用問卷調查和評分來衡量客戶的想法。同時，ML 透過在資料集中分析情緒（包括電子郵件、客服中心通話記錄和社交媒體摘要），協助更深入探索。
AWS 如何運用機器學習轉型商業智慧？
透過使用 ML 來擴充 BI，您可以弭平過去、現在和未來之間的差距。使用 Amazon SageMaker Canvas 之類的無程式碼 ML 工具，您可以產生精確的 ML 預測，而不需要任何 ML 經驗，也不必撰寫單行程式碼，如此便能推動更好的資料驅動商業決策制定。
此外，您還可以使用 Amazon QuickSight 將從 SageMaker Canvas 產生的預測視覺化，上述工具提供超大規模的統一商業智慧 (BI)。有了 QuickSight，所有使用者都可以透過現代化互動式儀表板、分頁報告、內嵌分析和自然語言查詢，滿足來自相同的事實來源的各種分析需求。
若要開始使用 SageMaker Canvas 和 QuickSight，請參閱研討會。
