随着预测分析的成熟，我们听到了很多关于机器学习和数据建模等数据科学方法的信息。直到最近，这些复杂的技术还只被一小部分数据科学家使用。但来自亚马逊、谷歌和微软等公司的机器学习新云服务声称最终让任何南通包装设计公司都能轻松利用预测革命。随着这些类型的解决方案在市场上变得普遍，将出现更多自己动手工具，用于金融服务、医疗保健或零售等数据丰富的行业以及某些功能性行业的特定行业风格的预测分析预测性销售或营销等领域。

作为一名营销人员和有抱负的数据极客，这个想法令人振奋。然而，虽然自助服务建模解决方案代表了这些市场的一个令人兴奋的新前沿，但企业应谨慎了解权衡，然后再开始行动。南通包装设计公司最初可能会通过缩短数据科学的繁重工作来节省一些时间和金钱，但如果他们忽视风险，他们就会失职。在将数据建模任务交给日常营销人员或其他业务职能部门之前，团队应该问自己以下三个关键问题：

南通包装设计公司是否了解要建模的数据的所有细微差别？

当我与数据科学家交谈时，他们都告诉我，南通包装设计公司工作中最难的部分不是运行机器学习算法（实际上这很微不足道）。棘手的部分是管理和修剪数据集，并确定要构建的模型类型。如果不深入了解数据的定义、如何提取、过滤和匹配记录、输入哪些字段和原因、正确加权信号或定义积极结果的方法，即使是最热情、数据驱动的营销人员也无法生成可靠的算法等等。然而，这些技能是任何优秀数据科学家的第二天性。

南通包装设计公司将如何获得对模型的信任？

信任对数据科学来说比人们承认的更重要。特别是对于销售和营销团队来说，信任在大多数公司中都太难以捉摸了。在过去的十年中，营销自动化的失败承诺加剧了这种常见的错位问题。在许多情况下，这些系统并没有将营销人员与他们受雇支持的销售组织联合起来，而是通过为营销团队引入单独的词汇来扩大分歧，从而造成严重破坏。

今天，随着越来越多的销售开发技术的出现和销售逐渐上升，营销正在被打乱。这迫使营销人员重新构想他们的职业并寻找其他增加价值的方法，但建模不是答案。即使使用过去几年出现的预测性线索评分，很明显，无论幕后的数据科学多么出色，如果销售团队不信任来自营销的分数，它就会变得毫无用处。为了产生信任，所有利益相关者都需要了解分数，而不仅仅是模型的创建者。

南通包装设计公司将在哪里将模型应用到我们的日常工作流程中？

假设业务运营人员可以学习如何处理公司的数据并获得对模型的信任，那么最后的难题是解释结果并将其用于业务中。无论结果预测有多准确，这都可能具有挑战性。该团队需要弄清楚如何将他们的预测分数与公司的技术堆栈和日常工作流程相结合。稍后，数据所有者将做出其他重要决策——即如果企业进入新市场或推出新产品线，他们应该建立一个新模型来解决这个问题，还是重新校准现有模型？整合来自整个业务的反馈并监控模型漂移以了解何时需要调试以随着时间的推移进行预测性改进也很重要。

根据企业的预测分析用例是边缘案例还是简单直接，设计一个适合其需求的统计准确模型可能非常具有挑战性。一个经常被忽视的常见数据建模缺陷是过度拟合，它可以产生将用户指向随机方向的预测。我喜欢这个比喻Quora 的数据科学家 William Chen 谈到使用超灵敏助听器聆听交响乐时说：“你会听到邻居在座位上拖着脚步，音乐家翻页，甚至指挥家外套的嗖嗖声……完美的模特只是听交响乐。过度拟合是当南通包装设计公司听到比你需要的更多的噪音，或者更糟糕的是，让噪音淹没了交响乐。” 业务团队必须自问是否值得用他们用来运营业务的数据来承担这种风险。

如今，许多预测供应商能够在几天或几周内启动并运行新模型，投资于他们的专业知识和平台的价值可能是巨大的。虽然自助服务建模的概念听起来很有希望，但归根结底，我认为人们并不真正想要（或准备好）它。我想南通包装设计公司都只是想要更多的控制权。好消息是，越来越多的新销售和营销技术通过高级分析和智能列表等功能为数据驱动的营销人员提供了令人梦寐以求的控制。我认为，对于业务人员来说，获得对其所有内部和外部数据信号的访问、可管理性、洞察力和控制权比通过修补预测分析来享受吹牛的权利更重要。