只有22%的人做对了这道数据分析题

式增长的阶段。依靠适当的算法和足够的数据进行训练，机器可以做出非常好的决策，就像有经验的人能做到的那样。

虽然这些都是简单的小任务，但是从数量和准确性中获得的好处对于一个企业或整个行业来说是非常重要的。有一些众所周知的例子：人脸识别、语音识别、语法纠正和语言翻译。

异常监控是一个特别有用的领域。长期以来，传统的数据分析方法一直用于检测欺诈事件，通常需要进行复杂且耗时的调查，以处理不同的知识领域。

事实证明，人工智能和机器学习在检测垃圾邮件方面非常有效。从那以后，人工智能和机器学习在异常监控中的应用已经扩展到信用卡欺诈监控、放射学诊断和信息安全中的系统入侵检测。

02 个性化客户体验

产品推荐在亚马逊和Netflix的案例研究中得到了充分肯定。这两家公司惊人的收入增长很大程度上是建立在产品推荐引擎上的，这些引擎是由人工智能算法和大量在线数据驱动的。即使不成为互联网巨头，也可以利用人工智能和机器学习技术来推荐更好、更相关的产品和服务。

我们在房地产行业的一个客户成功地建立了市场中最大的数字资产之一，但遗憾的是，网站上大量的匿名用户限制了企业了解他们并向合作伙伴提供有价值的洞察力的机会。

于是该企业开展了一项机器学习活动，在匿名用户进入网站时，询问他们是否首次购房。尽管客户的响应度不高，但企业依然收集到了足够的数据来训练机器学习算法。该算法检测点击流和其他浏览行为的模式，从而实时且准确地预测首次购房者。

这给企业带来了新机会，可以产生与该目标受众高度相关的首次购房报价和产品。

如果客户允许我们访问他们的更多数据(例如，位置、声音、移动、温度等感知数据，以及日历、电子邮件和社交网络等个人数据)，就可以推断出更准确、更具体的用户上下文(例如，他们的活动、环境、情绪，甚至压力水平)。考虑到这种丰富的上下文，设计师将需要做很多工作。

在机器学习时代，定义用户体验的是个体，而不是目标群体。

03 做出更好的决策

人工智能和机器学习非常擅长“大海捞针”，而人类更善于观察“针”并决定如何使用它。除了简单的小任务外，大多数业务决策都需要良好的判断力、同理心、直觉和创造力。由于认知偏见，人类实际上在模式识别方面表现很差，因为人类大脑非常不善于预测统计趋势。

大脑会被抛硬币这样简单的事情困住：在连续5次得到正面后，大多数人会想，“下次肯定是反面!”从统计上看，即使连续得到100次正面，下一次得到反面的概率仍然是1/2。只要动动脑子，大多数人都能克服这种认知偏见，得出正确的结论。

还有一个更具挑战性的问题。行为经济学先驱阿莫斯·特沃斯基(Amos Tversky)和丹尼尔·卡内曼(Daniel Kahneman)进行了一项实验：

一个城镇有两家医院。在大医院里，每天大约有45个婴儿出生;在小医院里，每天大约有15个婴儿出生。虽然大约50%的婴儿是男孩，但确切的比例每天都在变化—有时高于50%，有时低于50%。

在一年的时间里，每家医院会记录超过60%的新生儿是男孩的日期。你认为哪家医院会有更多记录?

大医院。小医院。相同。

结果：56%的人选择了选项3，22%的人选择了选项1，其余22%的人选择了选项2。

正确答案应该是2，因为更多的事件会导致更平均的概率趋势。为了应对这种认知偏见，需要花费更多的精力。

这不是一个钻牛角尖的问题，在日常活动中经常发生。为一个产品设定价格时，除了需要知道竞争对手的定价、历史定价、产品的必备性质和定制性质外，还需要预测消费者对该产品的未来潜在需求，以及供应商和供应链数据对该产品的未来潜在供应。

人工智能和机器学习技术将在基于数据预测未来趋

（编辑：潍坊站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!