在当今的分析市场中，机器学习风靡一时。根据调研机构Kenneth Research公司的研究，全球机器学习的市场规模急剧增长，预计到2023年将超过230亿美元。而从2018到2023年的年增长率为43％。调研机构IDC公司认为，到2024年，全球在认知和人工智能系统（包括机器学习）上的支出将达到1100亿美元。根据Gartner公司的预测，到2022年，机器学习和人工智能的商业价值将达到3900亿美元。有了这些预测，组织将这些流行的技术和方法纳入其分析过程也就不足为奇了。

 采用机器学习进行数据准备

机器学习并不是分析生命周期中的一个新概念。数十年来，数据科学家一直在使用机器学习来帮助促进分析过程和推动洞察力。新增功能是将机器学习用于数据准备任务，以加速数据处理并加快分析工作。数据准备工作可以利用以下四种方法来利用机器学习进行更有效、更快速的数据重新整理工作：

1.解决方案中内置的数据转换建议功能对如何对数据进行标准化和转换以满足分析需求提供建议。这一功能可以主动查看数据集的质量并确定应执行哪些质量转换以确保数据已准备好进行分析。这些建议基于历史准备任务，同时使用人工智能/机器学习向用户提供新建议。

2.自动分析分区应用人工智能/机器学习来确定对数据进行分析的最佳方法。它还提供了关于应使用哪种方法以及为什么使用的透明性。这有助于加快分析过程，因为数据会自动组合在一起以进行训练、验证和测试。

3.智能匹配结合了人工智能/机器学习来主动地将类似的数据元素组合在一起。通过使用最有效的匹配规则，用户可以决定是否要自动建立黄金记录并为数据分配唯一键。

4.智能数据分配使数据和分析社区可以快速了解数据类型的分类（例如名称、地址、产品等），从而无需用户干预即可执行诸如性别分配之类的简单任务。数据自动填充数据目录并使用自然语言处理来解释数据，同时有助于沿袭进行快速影响分析。

 机器学习在行动

以创新的方式将机器学习技术应用于数据准备过程的主要目标是在数据中发现隐藏的宝藏。这些发现的数据宝藏可以对企业的许多方面产生积极影响，例如竞争优势、法规要求、供应链实现和优化、制造健康、医疗见解等，以下是对机器学习如何影响关键业务活动（如欺诈检测和预防）的探索。

1.在欺诈环境中添加了无监督学习，使组织能够发现数据中的极端情况并主动识别传统方法中未发现的异常行为。这些异常行为可以被转移到有监督的学习过程中，如回归或分类分析，以预测这些异常值是否是需要额外调查的新型欺诈活动。

2.文本分析通过消除数值数据无法识别的某些数据属性来提供独特的见解，从而帮助识别文本和传统数据组件之间的未知模式。这些见解可能会发现新的欺诈模式。

3.休眠可用于智能警报，对所有数据（活动数据和历史数据）应用评分模型，以识别需要注意的新欺诈模式。此过程将分数合并为一个实体级别的分数，以进行风险评估和交易监控，有助于识别新的阈值以上事件以进行进一步调查。

4.在欺诈组合中添加自动自然语言处理（NLP），可以将人工语言翻译为复杂的分析结果，以人类可以使用和理解的方式提供信息。将自然语言处理（NLP）与图像识别相结合有助于使用文本分类的场景分析来识别文档类型，从而提高欺诈检测的准确性。

5.通过动态排序，可以为机器学习过程提供更多的数据，从而使聚类分析更加完整，识别出更好的风险预测器，消除虚假变量。机器学习将自学正常数据条件，并主动监控和更新风险评分，以获得更多数据驱动的结果。

6.智能尽职调查提供跨产品和业务线的实体解决方案。机器学习为对等分组创建概要分析，并使用网络和图形分析识别预期的行为。由于机器学习可以识别预期的行为，因此它还可以指出可能表明可疑活动或需要解决的市场变化的意外行为。

7.智能警报采用传统的“警报”数据，并将其与其他数据相结合，以发现需要调查的新情况。通过机器学习，这些工具可以自学哪些警报可以自动处理，哪些警报需要人工处理。智能检测优化现有的检测模型，包括更多的数据和人工智能/机器学习技术，以识别新的场景，使用新组合的目标子群来寻找额外的检测或警报以供考虑。

总之，机器学习市场正在爆炸式增长，将为所有行业的组织带来业务价值。机器学习产生了新的见解，并允许组织利用更多或所有数据来做出更好、更明智的决策。