论文部分内容阅读
大数据分析可添加到以人为主导的流程中，从而进行人机协作，而不是用一对一的交换形式取代人类。
关于技术，最常见的一个误解就是：新技术总是优于传统人工。考虑到过去人类职业被机器自动化所取代的次数，人们很容易就会得出这个结论。但是替代现象并不是线性的。有无数例子证明，新技术并不总能企及它所替代的人所提供的价值。
人们往往会太过盲目地运用自动化——让机器做只有人类才擅长的事，比如接电话、读取面部表情等任务。与此同时，在其它领域，我们却要求人类完成机器非常擅长的数据驱动型任务，例如决定如何更好地安排店铺库存。
多亏有了大数据分析，我们可以纠正这两方面的错误。大数据分析可添加到以人为主导的流程中，从而进行人机协作，而不是用一对一的交换形式取代人类。通过在流程中适时地添加更多数据，大数据分析可以减少决策对人类推测的依赖。
通过更加明智地运用自动化，大数据让机器和人协同做出关于流程和政策的决策，充分发挥各自的优势。
对于全球企业来说，这是一个巨大的优势，因为技术能够根据需求被添加和取代，从而以近乎完美的可靠性和连贯性来兑现企业所需的智能自动化。
尽管大量的大数据分析装置已在全球部署到位，但是它们大多远离公众视线，仅用于机密性、高价值的任务。2016年，这种情况将发生改变——大数据分析将出现在各种业务应用最醒目的位置。
以下是我们预测大数据将在2016年提供的五大关键业务优势：
劳动力优化
我们都对所要做的事，以及什么是正确、什么是错误有预感和“直觉”，但是没有数据做支撑的直觉很少能够做出理想的选择。当决策由数据驱动并辅以人类直觉做补充时，就会实现优化。
例如，运营车辆的司机往往依赖直觉和之前的经验决定行车路线。如果拥有车载信息和路线优化数据，人们就能大大提高其驾驶效率，并在必要的时候通过直觉解决问题。这种流程混合能让机器和人类发挥各自最大优势，为业务流程和客户体验带来最大价值。
通过更多数据驱动型决策支持来补充人类为主导的流程，大数据分析能够辅助和优化各项人为活动。
多渠道世界中的选择
人们对渠道有着强烈的偏好。例如有研究表明，80后、90后会倾向于选择通过他们的“原生”渠道——移动或社交媒体来获得所需的服务。
渠道多样化对于用户选择非常有利，但却为企业带来挑战，尤其是当他们没有技术保证每个渠道都拥有同样的客户体验时。例如，呼叫中心的座席使用决策支持工具来根据政策解决问题，但是如果系统数据和政策与其它渠道中的数据和政策并不相同，那么客户体验就会分崩离析。这容易导致用户不满和困惑——因为不同渠道可能产生不同的结果。
大数据分析可帮助企业免除渠道限制。如果你能够迅速、准确地分析大数据，那么每个渠道都可以利用相同的数据源和政策，从而确保所有渠道都能平等地运行。此外，大数据分析可支持无缝跨渠道流程，这意味着员工和客户在任何时候始终都能选择最便利的渠道。
流程编排和政策管理
在任何企业，政策和流程都是密不可分的。流程必须在企业制定的政策内执行，并且定期进行审查，以确保它们不会过时或妨碍业务。
通过技术来执行流程和政策时，过程中的问题就会在业务成果中显现出来。这是好事，因为当流程导致意想不到的结果时，出现的异常情况会准确告诉我们流程或政策的哪方面需要改进。例如，如果客户放弃了一个在线购物车，转而寻求客服或呼叫中心的帮助，那么这表明某些方面需要进行改进。大数据分析提供了追踪和分析这些相关性的方法，从而避免了它们可能会导致的问题。
除此之外，大数据分析将有助于降低业务流程运行的整体成本。例如，通过识别超出自动化流程处理能力的情况，大数据分析可帮助企业减少异常的开支。
自动个性化
过去，由人执行个性化任务是有意义的，因为机器往往不善于做出主观决策，即我们通常所说的“软”决策。其中包括非语言行为、面部表情和语调等人类交流中的暗示。
2016年，公司将取得进一步突破，让机器能够模拟“软”数据。通过吸收大量信息（包括过去收集和分析起来太慢、太贵的数据类型，如知识型员工的沟通与案例记录），大数据分析使其成为可能。由于机器变得更善于解析各种数据类型（所谓的“非结构化”数据）并把它们与大量结构化数据进行关联，机器可以开始改进并加快员工的业务流程和客户体验。
机器将开始模仿人类决策，而人类操作者可以对其进行监督和交付。这种大数据分析模拟可通过更强的技术手段以及增强机器与人之间联系而实现。
更强大的数据仪器
数据驱动型决策取决于数据的质量和数量，以及能否在合适的时候向合适的决策者提供见解。也就是说，要拓宽思维并更好地了解万物是如何互联的。要想从至今尚未被利用的数据源中收集情报，企业必须采用更精确的技术手段来分析人与机器的行为及其之间的交互。
对于人类而言，这意味着从我们在网上所做的一切活动中收集并分析点击流——从购物到工作中的订单录入。这也会涉及线下数据，例如：当我们订外卖或者开车时使用导航。对于机器来说，这意味着向大型固定设备（从喷气发动机到摄像头）添加更多传感器和测量仪，以便提供更丰富的数据集供人们发掘。在这两种情况下，更多的数据可能会导致对行动和行为更好的了解，并对政策和流程所产生多米诺效应。
当我们开始采集并利用这些数据时，我们将开始在大数据系统上添加另一个“感官”，从而使能带来下游创新的新智能类型成为可能。
制定大数据分析战略
当然，技术改进是一个渐进的过程。但是对于企业领导者来说，不能坐等采用大数据分析和先进自动化的完美机会。相反，企业应在整个公司层面积极寻求大数据与人为活动互补的机会。
找到位置，把人工智能嵌入人类和机器工作流程，发现能改进人机交互的领域——这样就能达成目标。要想获得成功，企业还应谨慎关注这些尝试带来的结果，避免一方面的改进掩盖其它方面的不良影响。
大数据分析将带来分布式智能，它可以在不进行重大变化的前提下，改善人类所做的大部分事物。通过对集成智能全局把控，你将在2016年从未来科技中获益。
关于技术，最常见的一个误解就是：新技术总是优于传统人工。考虑到过去人类职业被机器自动化所取代的次数，人们很容易就会得出这个结论。但是替代现象并不是线性的。有无数例子证明，新技术并不总能企及它所替代的人所提供的价值。
人们往往会太过盲目地运用自动化——让机器做只有人类才擅长的事，比如接电话、读取面部表情等任务。与此同时，在其它领域，我们却要求人类完成机器非常擅长的数据驱动型任务，例如决定如何更好地安排店铺库存。
多亏有了大数据分析，我们可以纠正这两方面的错误。大数据分析可添加到以人为主导的流程中，从而进行人机协作，而不是用一对一的交换形式取代人类。通过在流程中适时地添加更多数据，大数据分析可以减少决策对人类推测的依赖。
通过更加明智地运用自动化，大数据让机器和人协同做出关于流程和政策的决策，充分发挥各自的优势。
对于全球企业来说，这是一个巨大的优势，因为技术能够根据需求被添加和取代，从而以近乎完美的可靠性和连贯性来兑现企业所需的智能自动化。
尽管大量的大数据分析装置已在全球部署到位，但是它们大多远离公众视线，仅用于机密性、高价值的任务。2016年，这种情况将发生改变——大数据分析将出现在各种业务应用最醒目的位置。
以下是我们预测大数据将在2016年提供的五大关键业务优势：
劳动力优化
我们都对所要做的事，以及什么是正确、什么是错误有预感和“直觉”，但是没有数据做支撑的直觉很少能够做出理想的选择。当决策由数据驱动并辅以人类直觉做补充时，就会实现优化。
例如，运营车辆的司机往往依赖直觉和之前的经验决定行车路线。如果拥有车载信息和路线优化数据，人们就能大大提高其驾驶效率，并在必要的时候通过直觉解决问题。这种流程混合能让机器和人类发挥各自最大优势，为业务流程和客户体验带来最大价值。
通过更多数据驱动型决策支持来补充人类为主导的流程，大数据分析能够辅助和优化各项人为活动。
多渠道世界中的选择
人们对渠道有着强烈的偏好。例如有研究表明，80后、90后会倾向于选择通过他们的“原生”渠道——移动或社交媒体来获得所需的服务。
渠道多样化对于用户选择非常有利，但却为企业带来挑战，尤其是当他们没有技术保证每个渠道都拥有同样的客户体验时。例如，呼叫中心的座席使用决策支持工具来根据政策解决问题，但是如果系统数据和政策与其它渠道中的数据和政策并不相同，那么客户体验就会分崩离析。这容易导致用户不满和困惑——因为不同渠道可能产生不同的结果。
大数据分析可帮助企业免除渠道限制。如果你能够迅速、准确地分析大数据，那么每个渠道都可以利用相同的数据源和政策，从而确保所有渠道都能平等地运行。此外，大数据分析可支持无缝跨渠道流程，这意味着员工和客户在任何时候始终都能选择最便利的渠道。
流程编排和政策管理
在任何企业，政策和流程都是密不可分的。流程必须在企业制定的政策内执行，并且定期进行审查，以确保它们不会过时或妨碍业务。
通过技术来执行流程和政策时，过程中的问题就会在业务成果中显现出来。这是好事，因为当流程导致意想不到的结果时，出现的异常情况会准确告诉我们流程或政策的哪方面需要改进。例如，如果客户放弃了一个在线购物车，转而寻求客服或呼叫中心的帮助，那么这表明某些方面需要进行改进。大数据分析提供了追踪和分析这些相关性的方法，从而避免了它们可能会导致的问题。
除此之外，大数据分析将有助于降低业务流程运行的整体成本。例如，通过识别超出自动化流程处理能力的情况，大数据分析可帮助企业减少异常的开支。
自动个性化
过去，由人执行个性化任务是有意义的，因为机器往往不善于做出主观决策，即我们通常所说的“软”决策。其中包括非语言行为、面部表情和语调等人类交流中的暗示。
2016年，公司将取得进一步突破，让机器能够模拟“软”数据。通过吸收大量信息（包括过去收集和分析起来太慢、太贵的数据类型，如知识型员工的沟通与案例记录），大数据分析使其成为可能。由于机器变得更善于解析各种数据类型（所谓的“非结构化”数据）并把它们与大量结构化数据进行关联，机器可以开始改进并加快员工的业务流程和客户体验。
机器将开始模仿人类决策，而人类操作者可以对其进行监督和交付。这种大数据分析模拟可通过更强的技术手段以及增强机器与人之间联系而实现。
更强大的数据仪器
数据驱动型决策取决于数据的质量和数量，以及能否在合适的时候向合适的决策者提供见解。也就是说，要拓宽思维并更好地了解万物是如何互联的。要想从至今尚未被利用的数据源中收集情报，企业必须采用更精确的技术手段来分析人与机器的行为及其之间的交互。
对于人类而言，这意味着从我们在网上所做的一切活动中收集并分析点击流——从购物到工作中的订单录入。这也会涉及线下数据，例如：当我们订外卖或者开车时使用导航。对于机器来说，这意味着向大型固定设备（从喷气发动机到摄像头）添加更多传感器和测量仪，以便提供更丰富的数据集供人们发掘。在这两种情况下，更多的数据可能会导致对行动和行为更好的了解，并对政策和流程所产生多米诺效应。
当我们开始采集并利用这些数据时，我们将开始在大数据系统上添加另一个“感官”，从而使能带来下游创新的新智能类型成为可能。
制定大数据分析战略
当然，技术改进是一个渐进的过程。但是对于企业领导者来说，不能坐等采用大数据分析和先进自动化的完美机会。相反，企业应在整个公司层面积极寻求大数据与人为活动互补的机会。
找到位置，把人工智能嵌入人类和机器工作流程，发现能改进人机交互的领域——这样就能达成目标。要想获得成功，企业还应谨慎关注这些尝试带来的结果，避免一方面的改进掩盖其它方面的不良影响。
大数据分析将带来分布式智能，它可以在不进行重大变化的前提下，改善人类所做的大部分事物。通过对集成智能全局把控，你将在2016年从未来科技中获益。