:::: MENU ::::

TalkingData's Blog

现在开始,用数据说话。

Posts Categorized / Enterprise

  • Nov 13 / 2017
  • 0
Enterprise

锐眼洞察 | 人工智能如何使电子商务更睿智(翻译)

作者:Yana Yelina

原文:How AI Is Making eCommerce Smarter

译者:TalkingData解决方案架构师 张雪倩

本译文禁止商用,转载请注明来源与译者!

 

人工智能持续加速发展,向一系列领域渗透,在银行、医疗和体育业发现新价值。
电子商务不再处于边缘化的位置,为购物者提供无缝用户体验,为零售商提供有利可图的机会。这就解释了为什么42%的零售商和电子商家都在试验、应用或是扩大他们的人工智能项目。

转变顾客互动

聊天机器人正在逐渐对电子商务进行整体改观。高德纳咨询公司预测,到2020年,85%的顾客互动将会没有人类参与,到2018年底,人工智能机器人能依据声音和脸识别客户。

确实,虚拟购物助手已经证明是一项福音,电子商务很快就接受了适应人工智能环境的挑战。

在浏览网上商店寻找想买的物品时,购物者想要的是不麻烦的过程和对自己的问题的快速反应。而且,移动商务的急剧发展提出了更高的要求,使得市场者寻找顾客参与的新途径。聊天机器人的出现,提供了一种可能的解决方法,推动了精准定制服务的发展。
人工智能是聊天机器人的核心,快速地处理大量的网站数据,包括之前的回应和顾客反馈。深度学习使得聊天机器人分析收集的信息和提取重要的概念,如图像和物品名称。借助这些数据,聊天机器人可以改善和顾客的对话。

另一种向聊天机器人提供数据的方法就是将他们与购物车结合,这样系统可以抓取物品详细信息、数量和运输方式。

数据处理和利用的越多,机器算法就能得到更多的信息,使得聊天机器人想出精确的回复和提供详细的推荐。这就是为什么电子商务企业应当将他们的目光放在使用大数据顾客解决方案上,以获取全面、实时的数据资产图景和完善过的人机互动。

在高端搜索上掌握话语权

顾客通常带着想买什么的清晰目标进入一家网上商店。想象一下,他们会有多失望,如果搜出来的结果都是无关的。想要帮助客户买到合适的商品,提供给他们情景化、个性化的搜索工具至关重要。而这恰恰就是人工智能突出的地方。

例如,北面在运用人工智能系统上很成功,配备了语音输入和自然语言处理。他们的解决方案由IBM的Watson认知计算系统强化,可以帮助用户找到合适的夹克。

该系统分析了给定地区的客户的答案和天气情况,认真检查了350多种产品,然后找出了高度符合情景的商品。
相应地,eBay则认为一张图胜过千言万语。为了真正从搜索能力中获益,这家公司引进了两大创新特色–“在eBay上找”和“图像搜索”。

这些功能选择由计算机视觉和深度学习技术强化,使得用户可以买的整个互联网上的东西。消费者需要通过社交媒体分享某件商品的图片,提交一张相册里的照片,或在eBay 搜索框中输入一条URL网址,以获取与原始商品相匹配的完整产品列表。

为了使用户获得真正特别的搜索体验,eBay会处理该图像,扫描其11亿商品的目录,然后根据视觉相似性列出这些商品。

以销售智能获取收益

人工智能正通过帮助制作清晰的销售信息以触达更多的客户来进入市场线。

通过梳理大量的数据,人工智能使之前存放于网络空间的信息显现,包括购买之前、期间及之后的顾客行为,和他们的偏好、反馈、交易信息和人口信息。

获得的结果与快速小范围群组和模式相结合。这使得销售团队更好地瞄准客户,发现他们之间的相似性,了解谁最有可能买哪种商品。

除此之外,人工智能可以帮助市场者铲平道路。华盖创意公司(Getty Images, Inc.)使用图像识别和机器学习技术来分析竞争对手,追踪主要潮流,评估他们的网上商业影响,评估品牌的受欢迎度。

为了使整个过程更具影响力和在同一个地方储存所有信息,网上商店经营者可以要求销售公司将人工智能平台和公司的客户关系管理系统或企业资源计划软件结合起来。

从此以后,我们将走向何方?

本文中列出的例子表明人工智能正不断取得进展,以一系列方式帮助市场者。大数据解决方案、顾客形象识别软件和深度学习帮助个性化提案,培养顾客信任,提升销售额,扩大商业范围和限制。

显而易见,人工智能将在电子商务领域驻足相当长的时间。问题不在于企业是否相信这一技术,而是谁将首先采用人工智能驱动解决方案并在自己的营销策略中实施,使得对手望尘莫及。

  • Nov 13 / 2017
  • 0
Enterprise

锐眼发现 | 营销世界的 5 大剧变之 ① 数字化转型

作者:Scott Brinker

原文:5 Disruptions to Marketing, Part 1: Digital Transformation

译者:@文科生 ,宏原科技创始人

转载于:SocialBeta

 

TalkingData合伙人兼执行副总裁林逸飞点评:

 

  1. MarTech is eating AdTech now. 营销的范畴由于数字化、渠道多样化的冲击而扩大,跨越了单纯市场部负责的AdTech领域
  2. TalkingData的SmartDP中的营销闭环,可以回答MarTech领域的营销智能化平台
  3. 数字化已经被注入到核心业务中,不再只是一个营销的包装

 

译者前言:Scott Brinker 在 2016 年 12 月发布了一系列的文章,共计 5 篇,主题是营销的五个剧变。Scott 跟我谈到,他觉得这个系列的文章是《营销中的科学与艺术》发布 3 年之后再次深入思考的总结。

这篇文章中,我特别喜欢 Democratization of Marketing 的说法,我把它翻译成为「营销的平权」,也就是说,「营销」不仅仅是营销部门的工作职责,各个部门都有 「营销」 的责任。

在和他讨论产品和营销的关系的时候,我想起了以宝洁为例的 Marketing 职能发展沿革。很长一段时间,宝洁的 Marketing 其实就是一个广告部门负责的。那时候就叫 Advertising 部门,后来才改成了品牌经理体制。从今天的角度看,品牌经理体制中,品牌传播和产品运营是整合在一起的。现在回头来看,这个体制的改变就是当时应对电视等技术进步以及超市 / 卖场业态的发展,为了提升消费者 「体验」 而发生的整合。

今天的数字时代,随着消费者和产品在时间和空间距离上坍塌,消费者的体验方式发生了根本的变化,又到了重新定义 Marketing 的时候。这次的重新定义不仅仅是在此前定义上的延展,比如购物者营销 (shopper marketing)、数字营销(digital marketing) 等。实际上这是营销在数字时代的升级,是数字时代的营销(marketing in digital era)。

从历史的角度来看,Marketing 的内核——以消费者为中心——没有改变,但是 marketing 的外延——如何做到以消费者为中心——一直都在与时俱进。今天的互联网和大数据,让技术对于营销的影响越来越重要,推动营销转型进入营销技术 (MarTech) 时代。

一切历史都是当代史,在营销领域,也是如此。

本文翻译完之时,宏原的第一个 Marketing Technologist 刚好上任一周,并提交了第一个 Technical Marketing 方案。深度的阅读和写作,是最有效的学习方式之一。感谢 Scott 这样有原创精神和深度的作者,为我提供了在学习中实践、实践中学习的美妙机会。  

 

这不是一个典型的有关 「2017 年 5 大预测」 的故事。我承认,那些可不是我的菜。但我是认真地呼吁你为即将到来的变革之年做好准备。

我坚信,营销正处在五个剧变的过程中,这些剧变会彻底重塑这个行业和职业。我知道,这听上去很夸张,但实际上一点都不夸张。这是重大的结构性变化,而且这些变化的重要性在未来 12 个月会不断放大。

这五个剧变是:

1.    数字化转型将超越营销部门的职能范畴,重新定义 「营销」。

2.    微服务 & API(以及开源) 构成了营销基础设施的架构。

3.    纵向竞争展现出比横向竞争更大的战略性威胁。

4.    增强现实 (AR)、混合现实 (MR)、虚拟现实(VR)、物联网(IoT)、可穿戴设备、对话式界面等等,给人们带来了数字化的一切。

5.    人工智能 (AI) 让营销和商业运作的复杂性倍增。

我会在每个部分单独展开,先从第一部分「数字化转型」开始。

数字化转型远远比营销的范畴广泛——它包括销售、服务、产品、内部运营等等。在很多情况下,数字化转型会带来全新的数字化商业模式。

为什么这是一个营销的剧变?

对于很多公司来说,数字化一直都是属于营销领域的:网页营销、邮件营销、搜索营销、社会化媒体营销等等。这些都高度围绕着现存的产品和服务展开。同样的,营销就可以相对独立于其他部门运作,只需要一些输入(产品)和输出 (顾客需求)。顺便说一下,正是这种相对独立性让很多营销职能可以外包给营销代理公司——这是一个正处于变化中的模式。

数字化转型用两种方式彻底改变了营销中割裂的领域:

1.    数字化现在也涉及销售、客服、财务——最重要的是核心产品及服务的开发和运营。这就需要在这些部门中开展深入、实时的协作。

2.    在一个数字化的商业环境中,对所谓营销产出(即收入的增长和品牌的建设)影响最大的杠杆,不一定属于营销部门。它们现在可以更多地被产品和服务团队推动。

简而言之,数字化已经被注入到核心业务中,不再只是一个营销的包装。通过审视那些已经按照数字化方式运作的公司,我们就能够瞥见数字化究竟该长什么样。

数字化营销的成熟度严重不平衡。很多公司还在处于探索数字营销基础的阶段。也有一些处于长尾但是更加领先的公司——他们拥有营销技术专家和令人印象深刻的营销技术栈。

当你仔细观察那些成熟度更高的数字营销团队,你会发现他们多数本身就是数字化转型努力的组成部分。而成熟度最高的是那些数字原住民(digital natives)公司——Amazon、Facebook、Netflix、Spotify、Uber 等——几乎都是完全通过在数字领域的 「营销」 实现公司的成长。

我之所以在 「营销」 一词上打了引号,是因为这些数字原住民公司的增长不是靠那些普遍应用于很多公司、类似产品和服务「外包装」的数字营销所驱动。大部分数字原住民公司的内容营销并不多,他们在社交媒体上的存在感相对比较适度,你也不会看到很多他们的展示广告。

他们主要的营销方式其实是 「破解增长密钥」(growth hacking)。他们建立自己的数字产品以优化客户体验:容易上手、使用体验愉悦、引人注目的升级、有价值的分享、轻松的维护,持续不断发展以满足用户不断变化的喜好和期望。

破解增长密钥就是把营销注入到产品使命当中。对于绝大多数数字原住民公司来说,破解增长密钥通常都是由产品团队而非营销团队掌控。数字原住民公司肯定也有自己的营销部门。但他们更倾向于传播活动,这也属于传统营销部门的运营职能,他们通常并不负责客户体验。

如果我们把这些数字原住民公司看作是在数字营销前沿探索的先锋(lead users),那么理所应当的,最终其他公司也会跟随他们的脚步。每个人要不沿着这条曲线进步,要不就冒着被颠覆的风险。

这就对营销人提出了一个事关存在的问题:当公司的数字化程度越来越高时,谁来对客户体验负责,并掌控其中的增长杠杆?

这个问题可以有多种答案,但是请考虑以上两种替代方案:

1.    营销和产品在组织层面上被有效地整合。

2.    营销和产品在组织层面上保持独立,产品对客户体验负责,同时营销的范畴被收缩到传播活动。

第一种选项是那些有首席数字官 (CDO) 或者首席客户官 (CCO) 负责客户体验(或是 CMO 明确对数字化商业/客户体验负责)的公司正在发生的情况。根据知名 IT 咨询公司 Gartner 最近发布的 CMO 报告,这也是多数大公司的选择。

第二种选项在数字原住民公司更普遍,他们在营销部门之外创造并使他们的数字产品保持增长。对于这些公司,他们的产品领导人需要有很多技术深度,这往往超越了营销团队的能力范围。

这两个选项之间存在着一系列广泛的协作模型,将它们放置于一个正式的组织架构图中,看上去可能会相当凌乱。

欢迎来到多元融合的营销世界,这里并没有严格的界限!

如果产品和营销由两个独立的团队负责——那我们就先看看数字原住民公司的做法吧,就算它们隶属于同一个高管之下——营销对于客户体验依然发挥着不局限于「传播」的重要影响。但是「影响」 是这里的关键词,并非是营销团队需要承担的职责。

有意思的是,营销和产品的关系可能很类似于我们在营销技术专家时代(the era of the marketing technologist)所看到的 IT 和营销的融合关系。

正如那个时代我们看到 IT 的平权化——在 IT 部门的指导和统一的服务下,很多部门直接管理自己的技术——我们现在也可以看到营销的平权。销售、客服服务、财务和产品团队在他们的工作中都会有明确的营销组件(主要是产品)需要他们自己去管理。营销部门会提供品牌方面的指导,提供共享的服务和技术去支持各个相关部门。

不管你的公司采用什么模式,数字化转型都会颠覆 「营销」 在公司中的定义。机会在于主动去塑造新的营销组织的形式。

  • Nov 10 / 2017
  • 0
Enterprise

锐眼洞察 | 机器学习如何影响企业数据战略(翻译)

作者:Paramita Ghosh

原文:How Can Machine Learning Affect Your Organizational Data Strategy?

译者:TalkingData副总裁 高铎(Ted)

本译文禁止商用,转载请注明来源与译者!

摘要:

  • 随着数据在业务中的重要性日益凸显,组织的整体数据战略越发重要,这个战略既要考虑机器学习和算法,更要考虑数据质量、数据治理、数据安全和数据资产保护。
  • 机器学习带来的自动化能力,应该逐渐融合到数据清洗、数据标准化等数据治理的全过程里面。
  • 在机器学习算法自学习完善机制建立后,数据质量是机器学习成败的关键。

目前企业面临的一个最大挑战,就是数据安全和数据隐私问题。在数据管理领域,由于大数据、机器学习和IoT等新型数据技术的出现,引发了对数据治理的研究兴趣。由于多种渠道的数据流入组织,数据质量和数据治理的问题日益凸显。目前的企业数据,由于采用先进的数据技术,已经被收集、组织和存储在不同层次的分析平台中,使得整体数据处理和数据管理策略比以往任何时候都显得更加复杂。简单地说,如果没有合适的数据战略,企业数据就不能被认为是值得信赖的。

2017年的文章“三大力量驱动企业数据战略(Three Forces Driving Enterprise Data Strategy)”,描述了来自传感器网络的事物数据和来自移动与社交平台的非结构化数据,如何一致的数据使用实践。换言之,这就是数据治理。

数据治理是组织数据整体战略的核心部分,由物理层、加工处理层和应用层组成。在暂不考虑太多技术细节的情况下,可以一言以蔽之,良好的数据治理目标就是将所有的数据孤岛打造成一个互通互联的共同平台,在整个企业里规范化数据的使用。

机器学习如何影响数据战略?

SAS研究所的这个解释,有助于我们澄清不同类型机器学习的差异。由于机器学习的基本原则要求训练数据有非常高的质量,所以智能算法可以从这些可用的数据模型中学习并改进自身。

在监督学习和半监督学习中,学习算法高度依赖于输入和输出数据的准确性。因此,干净、一致和准确的数据是必须的。这就是组织的数据战略所在。当组织的数据质量、数据安全、数据治理、数据管理和数据共享策略是透明的和确定的,只有机器学习算法可以成功地帮助实现预期的业务成果。如果你读过一篇名为“机器学习麦肯锡新报告的商业理念(Machine Learning Business Ideas from the New McKinsey Report )”,的博客,你将会发现机器学习拥有如何取代大多数人工工作的潜力。

DATAVERSITY里的文章“2017年的几大数据战略趋势”,包含了行业领先的一些企业,对当前企业数据战略现状的看法和建议。

机器学习给组织的数据管理带来了什么?

本文就整体数据战略认为,对初学者,以下内容可以作为典型的让组织头大的问题进行研究。

机器学习需要为其学习算法准备海量的数据,这要求组织实施一些并行的技术方案,如大数据、Hadoop或R语言。这也导致对组织而言,数据管理策略会比较复杂。

支持机器学习的方案,通常涉及多层次数据的处理,这要求组织的数据战略团队,必须特别关注数据质量、数据治理和数据安全问题。

机器学习解决方案,旨在基于多渠道数据源或多传感器来源的数据流提供实时处理方案。这会融入到组织里原有的数据清洗、数据标准化和数据治理工作实践里面。

数据管理意味着对所有数据团队的成员有清晰的问责制和响应能力要求,这意味着在组织的数据战略架构里面,需要有一层专管监测。

《计算机世界(The Computer World )》里的文章“机器学习是企业数据的新面孔(Machine Learning Is the New Face of Enterprise Data)”,介绍了一种称之为Siri的机器学习驱动的AI系统,来处理数据的复杂性,去模拟一个人类数据分析师。同一篇文章的另一个例子,来自亚马逊云的Larry,被设计得像人类分析师一样去实时思考和决策。如果采用机器学习的AI数据分析平台有自己的进化道路,那么很快,人类数据科学家将很快被智能、有自我思考能力的系统取代。你也可以阅读这个视频播客“ How Machine Learning and AI Are Impacting the Data Industry from DATAVERSITY ”,来了解一些工业界领袖的观点。

机器学习如何影响组织的数据质量?

“机器学习影响数据质量匹配(Machine Learning Impacts Data Quality Matching )”这篇博客认为,自动化可以大大提高机器学习系统中的数据匹配过程。文中提到了Spark,这是一个有可能完全实现数据自动化匹配以提升数据质量的技术。由于数据质量和数据治理是海量业务数据的严重问题,类似Spark这样的技术,可以大大有助于数据清洗。一方面,大数据的确能助长AI和机器学习的发展,但是另一方面,在组织的数据战略实施中,数据质量和数据治理越来越受到行业领导者和实施者的关注。确实,我们坚信,最终企业将会在机器学习驱动的见解中胜出,但是在这些发生之前,实施核心数据战略来保护数据资产的未来价值必须做到位。

大数据如何影响组织的数据战略?

《计算机周刊(Computer Weekly)》刊登的“麦肯锡重新审视大数据中的艰苦工作(McKinsey Finds Hard Work to Do in Big Data Revisited)”认为,大多数企业只能从业务数据中获取30%的价值。报告也认为,虽然大数据帮助企业获取竞争情报信息,但是在应用其能力改善结果上乏力。这个报告是想表明,企业不仅需要自动化的分析解决方案,还需要自动化或半自动化的决策平台。

这意味着机器在决策层面比人更好吗?

Gartner讨论了如何基于机器学习来创建数据战略,一般认为机器学习助力的AI可以提供自动化的结果。同时也指出,即使是全自动化的分析平台,运营者也必须有坚实的数据战略,来支持数据质量、数据治理和数据安全的目标。由于机器学习拥有“预测和规定”未来产出的巨大力量,组织必须更多地关注数据战略,以获取最大化收益。

数据质量,而不是算法,是机器学习成功的关键

虽然大多数组织都很乐于在机器学习驱动的数据分析中寻找商业机会,但他们前进的最大阻力,其实是“数据“而不是算法。

这意味着,投入到完善和健全数据战略的企业,将会笑到最后。自动化将为大大小小的企业提供先进的数据分析,但市场的核心差异,将会是谁能提供“干净的治理良好的数据”。随着越来越多的数据去帮助改善机器学习算法,数据质量会成为机器学习系统成败的关键。

机器学习能否重新定义组织的数据战略?

在2016年福布斯博客的文章“机器学习正在重新定义企业(Machine Learning Is Redefining the Enterprise) ”中,我们发现,机器学习分析系统的核心目标,是为业务决策发现隐藏的商业机会。这篇文章表明,机器学习以其自我学习改进能力的无限潜能,在预测分析和竞品商业分析方面,是企业独一无二的选择。如果不是机器学习、IoT、云服务和其它相关技术的综合作用,那些通过存在于社交平台、电子邮件、客服日志、移动电商和传感器数据流中的非结构数据流发现的预测模式,将依然隐藏和沉睡着。

  • Nov 09 / 2017
  • 0
Enterprise

锐眼洞察 | 认知计算正如何变革供应链?(翻译)

作者:James Ovenden

原文:How Cognitive Computing Is Revolutionizing The Supply Chain

译者:TalkingData解决方案架构师 张雪倩

本译文禁止商用,转载请注明来源与译者!  

认知计算正如何变革供应链? 我们和IBM全球销售领导者Chris Cameron坐下谈了谈。

人工智能已经深远地影响到了各行各业。在天睿公司(Teradata)最近的一次调查中,260家企业中的80%说他们正以某种形式在人工智能上投资,随着技术的成熟,这一数字只会增长。

人工智能有着深远影响的一大领域就是供应链管理。在高德纳咨询公司(Gartner)最近的“预测2016:重新构想供应链计划能力”中,他们声称随着从工厂到物流的技术应用,供应链组织预期,他们的供应链流程在接下来的五年中,机器自动化水平会翻番。随着机器学习算法能够分析天气数据来保证对供应链的实时可见性,同时能够推荐或自动执行可以减少成本、预防事故和保证完成顾客要求的行动,物联网的崛起意味着这会无与伦比的重要。

Chris Cameron是IBM全球销售领导者。作为有着25年多电子和实体供应链方面的专家,他在超过22个国家的各个产业环节中,创建了供应与需求解决方案及其配套流程。他要在芝加哥供应链创新峰会上做展示,讨论认知技术作为一项解决方案的可应用性和机器学习在供应链上面临的挑战,在此之前,我们和他坐下来谈了谈。

你认为如今供应链管理面临的主要挑战是什么呢?

灵活性。

对组织的供应链的灵活性和适应性的要求正在与日俱增,终端消费者行为、强大的需求感知、捕捉技术方面的变化正改变供应链规划、运营和优化的方式。他们必须尽早快速适应这一循环,并迅速改进,就和软件开发差不多。所有的这些都是在管理持续需要供应链的边界提升贡献的环境下实现的。这就和对某种能力的迫切要求相类似,这种能力能够知道给定的客户订单在哪里、什么时候会送达、如预约送达日期有所延误提供积极主动的对策。

机器学习是如何帮助应对这些问题的呢?你认为这项技术对供应链来说最大的好处是什么呢?

扩大到影响力数据。机器学习和人工智能在供应链方面有各种应用,最明显的是这项技术在任务、卡车、机器和自动命令管理等方面的应用。这些既有利于经济情况又有利于工作量,因为它们比人工花费的少、犯错率低且能工作更长的时间。 但真正的好处是在供应链管理领域。这是一个相同的问题每天重复发生的领域,只是以不同的形式出现。例如,延误基本上都相似,只不过在哪和什么时候发生差不多都随机。而且,如果我们有人力来实时处理这些数据,数据就在那里可以预测这些事情。这项技术在供应链端最大的好处就是具备了这些能力:将其和人类匹配、向人工操作学习和为下一事件评估,这样,人类可以更少管理、更多创新,意味着人类驾驭了第一点中所说的灵活性。

IBM对行业特殊的贡献是什么?是什么将它与领域中的其他公司区分开来?

IBM在这一领域中基于我们的Watson平台贡献了很多解决方案,Watson的应用程序界面已经存在了一段时间,顾客运用它创建了独特的人工智能应用。

IBM正使用这些应用程序界面创建包含Watson要素的供应链管理平台。有了对人类互动的理解和对供应链的观点,我们正在训练这一平台准备好进行创新。这样,我们就能以将时间简化成价值的方式提供给客户这一平台。客户到时候需要做的训练将会是具体到客户业务的。这一加速使得商业人工智能更少的是一项科学实验,而更多的是一项准备好了的应用。

你认为机器学习将来会怎样改变供应链管理者的角色?你认为将来的供应链领导者应当仰仗并接受什么样的技能来取得成功?

这似乎是革命性的,并且是供应链管理者下一步必然要走的。十年或更久以前,供应链管理者也有一大步要走,就是优化工具进入供应链管理舞台的时候。在21世纪初,供应链管理者开始转变成为技术的评估者,这样就可以在不牺牲业务管理能力的同时扩大经营。他们使用了物流管理平台包、供应者管理门户网站、供应商管理库存系统和企业间电子商务平台,这是一步巨大的跨越。 对于人工智能革命,供应链管理者似乎完全准备好来进行同样的步骤,从如今高技术个性化的工具进化到训练过的却不需要相同维护的人工智能工具。供应链管理者所具备的新技能是批判性评估技能,能够深入挖掘人工智能是什么,如何互动并简化数据科学家的活动,如何应用于他们的商务。

你预测供应链采用机器学习有什么潜在障碍?公司可以做些什么来克服这些?

人类的感知。这不是担忧终结者开始崛起了,我说的感知是指意识到人工智能是神奇的,一旦接入,我们可以像在企业的驾驶台上操作电脑一样。机器学习和人工智能就像其他任何员工一样需要训练。然而一旦训练完成,他们不像员工一样会忘记、需要睡觉和请假之类的。

这可以由理解和评估商业用途人工智能应用的训练曲线来解决。当配合使用了合适的人来教授人工智能平台,这一途径就会创建急剧增长曲线和指数商业盈利的公式。

  • Nov 08 / 2017
  • 0
Enterprise

锐眼洞察 | 为什么企业知识图谱需要语义?(翻译)

作者:Dr. Jans Aasman,CEO of Franz Inc.

原文:Why Enterprise Knowledge Graphs Need Semantics

译者:TalkingData副总裁 高铎(Ted)

本译文禁止商用,转载请注明来源与译者!

摘要:

  • 企业知识图谱的底层框架是RDF,本体提供了快速演化的模式,标准化的分类系统则促进了整个组织内部数据一致性的定义;
  • 语义工具对数据术语定义及术语与数据的对应关系进行分类,使得语义技术拥有很强的一致性能力,为后续的数据治理、数据质量控制和数据管理奠定良好的基础;
  • 知识库通过确保标准化的模型、本体(数据)的含义和类目的一致性来进行加强和演进,来保证数据驱动战略与企业目标是一个整体。

企业知识图谱建设是每个数据驱动型组织试图去做的核心:将数据资产转化为公司独有的竞争优势。 通过将企业内外数据有效连接到一个独立的知识库,可以重复使用组织的各种用例,企业知识图谱是实现这一目标的最有效机制。在硅谷,好的用例到处使用和传播,证明了这种方法的商业价值。

然而这个过程中,语义在其中发挥的作用是鲜为人知的。语义相关技术不仅支持了企业知识图谱的范式,而且贯穿在授权、生成和使用过程中。如果没有语义学的研究,企业知识图谱要么不可能实现,要么实现的不切实际无法应用。

而且,其中的图表依赖于基本语义方法是如何组成的。RDF作为底层图形框架,本体提供了快速演化的模式,标准化的分类系统则促进了整个组织内部数据一致性的定义。这些工具的组合,能协助反映和理解企业数据与业务问题的相关性,也是企业知识图谱的自然产物。

RDF(资源描述框架 Resource Description Framework)

RDF可能是语义工具箱中足最重要的一个工具,它提供了一种把孤立数据连接在一起的方法。语义图(有的地方也叫做链接数据图)依赖RDF,为任何类型或来源的相关数据,提供独特的连接方法。语义图理清了节点之间的关系,这是衍生数据元素上下文特性和相关特性的关键。RDF为整个企业中的每个数据元素提供一个唯一的机器可读的标识符(URL),使得图表能够以相同的方式链接数据,而不用考虑原始数据系统的技术、模式、多样化结构或其它特性。

语义图的链接能力消除了数据孤岛,允许将所有数据加入到一个独立知识库中。值得特别注意的是,RDF核心部分的URL是可以查询的,这可以让企业深入了解所有数据,而不用考虑其来源的差异。

用单个知识库库链接企业的数据是知识建立的基础,这些知识有助于帮助理解其与业务流程的关联和应用。

类目和分类系统

RDF由很多包含数据意义和数据模型的语义标准来支撑。他们通过分类系统和类目来区分,分类系统和类目帮助厘清了RDF中链接在一起的各种数据的含义。类目的重要性在于,确保企业知识图谱中所有链接的数据,其相同的术语有相同的含义。考虑到大数据出现后,数据的来源与数据结构的变化,这个工作需要花费相当大的精力。

利用这些语义工具,对数据术语定义及术语与数据的对应关系进行分类,使得语义技术拥有很强的一致性能力,为后续的数据治理、数据质量控制和数据管理奠定良好的基础,以保证企业知识图谱的稳定性。如果没有良好的分类,图表会产生不准的查询结果、甚至相互矛盾的信息,让企业所谓的数据洞察力毫无可信度。

本体模型

本体方法是标准化的语义模型,使所有数据遵循相同的格式。它对不同类型和技术的数据进行一致性分类同样至关重要,可以通过RDF以统一的方式连接数据。本体为企业知识图谱可行带来了多重好处,它的标准化格式大大减少了格式化数据的数据工程工作量,而这(格式化数据)往往会影响其它技术工程的速度。所以,由于本体方法的发展,组织可以快速整合新的数据源以适应新的业务需求。

语义所关注的数据准备工作是提前完成的,这样可以保证每次数据更改,语义图都不需要重新改动,这在关系方法中经常使用。除了对数据进行标准化,当合并新数据或在数据驱动的过程中,本体也会缩短处理的时间。本体能够使企业知识图谱方便地涵盖尽量多的数据类型,提供相对较好的综合分析体验。

知识的强化

企业知识图谱的卓越特性,是能够将不同数据资产链接到一个地方,以明确彼此之间的关系和业务功能。语义技术的使用则能直接带来上述所说的好处,链接的数据图表用以支持关联数据的知识库。换句话说,知识库通过标准化的模型、本体(数据)的含义和类目的一致性来进行加强。这些机制的综合作用,可以确保数据与实现组织的目标,尽量是一个整体。

关于作者 Jans Aasman博士是Franz Inc.的首席执行官,是人工智能领域专家,Franz Inc.是语义知识库库技术的领先供应商。

  • Dec 06 / 2016
  • 0
Enterprise

TalkingData开源智能设备情景感知框架“Myna”

什么是情景

简单地说,就是与用户相关的信息:

什么人 + 在什么时候、地点 + 做什么 = 情景。

“什么人”指的是相对静态的用户属性,比如时尚辣妈、运动狂人、宅男等;“什么时候、地点”就是用户所处的环境,包括时间、地点、天气、光感等;“做什么”主要是用户的行为或状态,比如走路、跑步、休息或开车等等。

针对不同的情景,用户需要的是不同的服务内容。比如保险领域中的UBI,基于手机传感器的数据,判断司机是否有急刹车、超速、快速变道等比较危险的架势行为;还有O2O领域,比较常见的就是精准推送,比如在上班的时候,推荐一杯星巴克的咖啡劵,或者在外出旅游的时候,可以推荐一些景点及周边美食。

Continue Reading

  • Nov 24 / 2016
  • 1
Enterprise

Vue高效UI组件库——iView开发实践

作者:TalkingData 小梁

前段时间在微软参加活动,分享了 TalkingData 开源的基于 Vue.js 的高效 UI 组件库 iView 的一些开发经验,现整理成文,和大家探讨。


GitHub:https://github.com/iview/iview

关于 iView

开发历程和命名

TalkingData 可视化团队使用 Vue 有半年多时间,经历了从开始简单的使用双向绑定,到后来完全依赖 Vue 全家桶和 Webpack 的演变过程。这套开发模式验证了多个大中型项目,开发效率有了显著了提升,工作流也从半自动进化到了开发、灰度、生成环境的全自动,可以说 Vue 还是给我们带来了很愉快的开发体验。
随着组件化的不断深入,对组件的复用和维护成了一个问题,于是开始调研市面上的 UI 组件库,发现基于 Vue 的大多是移动端的,而针对 PC 中后台的,能像阿里 Ant.Design(基于React.js) 那样功能丰富而且高质量的,没有看中一款,要么就是不维护了,要么就是功能太简单,质量不够高。所以我们决定自己开发维护一套高质量的 UI 组件库。确定好这个目标,规划好1.x版本后,就开始这条不归路,最近三个多月一直投身于 iView 的开发。
至于起 iView 这个名字,其实也没多想,以 Apple 的产品命名加上 Vue 的发音,简单好记好读,同时 GitHub 还没有注册这个组织名(就为了这些,也得把它做成一个精品)。 Continue Reading

  • Nov 22 / 2016
  • 0
Enterprise

Android 基于传感器数据进行实时行为识别的实现

作者:TalkingData 小辉

背景介绍

Google 在 I/O 2016 大会上正式向开发者介绍了 Awareness API:

A unified sensing platform enabling applications to be aware of multiple aspects of a users context, while managing battery and memory health.

Google 将 Google Play Service 中和用户场景识别相关的服务和功能整合在一个统一的 API 下,为开发者从兼顾内存占用和电量消耗方面提供更高效率的方案。

Google 定义的场景识别

Google 在 Awareness API 的文档中,对智能化所需的场景是 这样描述的: Continue Reading

  • Nov 17 / 2016
  • 1
Data, Enterprise, Tech

TalkingData营销云技术实践——基于RocksDB的高效标签计算

作者:王福胜

“营销云”(TalkingData MarketingCloud) 是TalkingData发布的新一代广告营销数据管理平台,利用超过40亿移动终端数据的覆盖优势,实现了从人群构建、多维洞察到同步投放、客观监测的一体化解决方案。

TalkingData积累了40多亿移动设备的数据, 并且基于这些数据建立了自己的标签体系。 现有12大类超过800个受众定向标签,包括人口属性,设备属性,位置属性,兴趣,消费特征,安装的应用App等。这些标签关联的设备累加起来超过700亿。 如何利用这些标签为用户提供快速的标签人群构建,对人群进行多维度的快速画像是一个挑战。

Continue Reading

  • Nov 15 / 2016
  • 0
Enterprise, Tech

40亿移动设备的用户画像和标签架构实践

作者:王鹏

大家好,我是来自TalkingData的王鹏,很高兴在这里和大家一起探讨大数据的应用。

说起大数据的应用可能很多朋友们脑子里边第一映像就是画像,我想从以下几个方面跟大家聊聊画像相关的事情:1、什么是画像;2、画像的用处;3、如何进行用户画像;4、画像应用中的难点。

20160130141003_843c3210dbf729e2bb84eafca75c1db5_1

Continue Reading

页面:1234567
随时欢迎您 联系我们