内容
资料来源：Skypixel / Dreamstime.com
带走：
机器学习被用于提炼大数据并赋予其前所未有的价值。组织现在正在利用ML的功能来通过其数据获利。
大数据一直被描述为一种巨大的宝贵资源，可以推动任何蓬勃发展的企业发展，为组织提供切实可行的见解，商机和超额利润。就像必须先精炼原油才能将其转化为有价值的有用资源一样，然而，必须先通过人工智能（AI）和机器学习（ML）来消化数据，然后才能有价值。从利用它来提高组织的运营效率到利用它来创造新的收入流，可以通过许多不同的方式来货币化业务数据。
正如墨卡托咨询集团（Mercator Advisory Group）的支付创新副总裁蒂姆·斯隆（Tim Sloane）解释的那样，“数据货币化完全是通过新渠道利用您拥有的数据。”让我们看看一些具体的例子，不要浪费时间。因为时间就是金钱，我的朋友！
向第三方出售匿名客户数据
可以将匿名的（即，删除任何敏感信息）或综合的（即经过稍微修改，以使其在统计上仍具有100％的相关性，但无法追溯到原始客户的）客户数据出售给其他需要该数据的公司。分析产品的形式。汇总的摘要数据可以货币化，因为它可能拥有超出原始用途的价值，并可能创造新的收入来源。例如，商场可能想知道电子游戏爱好者购买后会喜欢哪种食物，以便可以将特定的快餐摊位放置在与游戏店相同的区域。或者，电信公司可能会出售客户地理位置数据，这些数据可用于计划更有效的“智慧城市”技术解决方案。
提高营销效率
开拓新的前景对于为公司提供持续不断的新客户流是必要的。这就是为什么营销几乎始终是任何现代企业预算中最昂贵的支出项目之一的原因。机器学习可用于理解大量营销数据，从而提高其效率并降低成本。可以根据用户的个人喜好使用算法来推荐其他视频来观看或阅读文章，增加在网站或平台上花费的时间或吸引更多潜在客户的注意力。可以通过情感分析来预测内容的受欢迎程度，从而帮助缩小要排队的内容的类型。 （有关业务中人工智能的更多信息，请参见人工智能将如何改变销售行业。）
改进的用户分析
充分了解公司客户的行为对于从他们身上榨取更多钱至关重要。从用户数据中提取可行的见解是大数据分析的基础，而ML可以将这一过程提升到一个新的水平。可以设置客户流失预测模型来分析客户行为并了解谁是在很短的时间内最有可能停止使用您的产品的人。如果采取适当的措施来保留它们（例如，通过完全自动化的CRM平台），则可以节省很多钱，因为购置成本最多是保留成本的五倍。客户生命周期价值（CLTV）模型还可用于通过从习惯中提取有用的数据来确定哪些用户角色更可能在您的产品上花钱。这有助于公司将精力仅集中在可以产生相关收入的潜在客户上。
洞察力和建议即服务
公司通常需要依靠最老，最熟练的员工的专业知识来执行最困难的任务。组织的高级劳动力是至关重要的资产，当这些经验丰富的工人最终退休时，其知识和诀窍几乎就无法转移。但是，一些公司已经利用人工智能来消化无数页的文档，包括用户手册，有关日常操作的信函以及最熟练的员工和前员工编写的报告。结果就是创建了智能的数字助理，可以实时向新员工提供有用的见解，对制造公司的材料选择进行快速分析，并帮助每个团队成员当场做出任何相关决定。通过花费更多的时间执行工作，而花费更少的时间来了解细节，可以帮助员工提高生产力。
自助分析平台
即使公司不是该数据的专有所有者也不是该数据的生成者，也可以将数据转化为可变现资产。这种复杂的业务模型用于为需要通过基于云的自助式分析平台从其战略数据中提取有用信息的组织提供服务。这些平台由算法支持，这些算法可出于多种目的聚合，丰富和分析其数据，例如提高植入物制造机器的效率并将其成本降低多达68％，或者增强复杂系统，网络的管理，通常，这些平台将ML的功能与最先进的传感器数据相结合，以提高其预测和自我修复故障，自动化和优化操作任务的能力，并将停机时间减少多达40％。 （还不是每个人都实现了ML。在阻碍机器学习的4个障碍中找出原因。）
避免广告欺诈
许多负担不起内部营销团队费用的公司必须依靠第三方供应商为他们提供新的潜在客户和潜在客户。但是，在数字欺诈时代，并非每个卖方都像它应该的那样透明。为了虚假地增加所吸引的客户数量，一些不那么谨慎的广告代理商出售虚假的社交资料，这些虚假的社交资料在社交媒体或不断下载应用程序，软件以及移动/在线游戏的机器人上提供虚假评论，评论和互动。但是，这些不是实时用户-他们不仅永远不会为任何服务付费，而且还可能与真实的人混淆，并且由于其潜在的大量用户，它们导致组织形成虚假的用户角色。使用机器学习可以很容易地检测出机械手和虚假的配置文件，因为您知道，机器在检测自身类型方面比我们更专业！
没有错误，没有压力-在不破坏生活的情况下创建可改变生活的软件的分步指南
当没有人关心软件质量时，您就无法提高编程技能。
最后的想法
如果今天有68％的公司采用机器学习来增强流程，那应该是一个原因（可能不止一个）。那些了解算法驱动的数据管理和数据治理的全部潜力的人看到的增长比不了解算法的人增长了43％。数据和见解的新市场已经诞生，机器学习是使这些资源变得更有价值，更易于货币化的“精炼厂”。