智能发现-可行的机器学习业务分析师

作为一名业务分析师，您希望最大限度地利用您的数据。你想要获得最好的技术来真正了解你的业务中正在发生的事情。这种授权是在您的指尖与智能发现在SAP分析云。Smart Discovery为您提供了一种在BI数据上使用自动机器学习的可行方法，而不会在数据准备上浪费宝贵的分析时间。简单地决定你想问你的数据的业务问题，让Smart Discovery通过运行机器学习算法为你分析它。然后，您可以探索生成的结果，以深入了解您的数据。

2021年第一季度智能发现有什么新动向?

在2021年第一季度，智能发现发布了一个重大更新，现在可以通过帮助您更清楚地定义问题的背景来更好地回答您的业务问题。能够定义更好的问题意味着Smart Discovery可以自动为您准备数据并创建更好的分析结果供您探索。为了确保你对自己定义的商业问题感到满意，Smart Discovery现在会在开始分析之前为你提供问题的预览。作为一名业务分析师，智能发现对你有三个主要好处:

1. 弥合了机器学习和BI之间的知识差距，并允许分析师轻松地在BI中使用机器学习。
2. 自动利用现有BI模型中包含的数据，消除手动准备需求。
3. 将输出清晰地映射到业务问题，使其易于细化和改进。

本博客介绍了智能发现的最新更新，并解释了如何使用智能发现来探索您的数据并回答实际业务问题。

明确业务问题

智能发现设置

作为一名业务分析师，Smart Discovery可以帮助你理解它用来为你分析数据的过程。它可以帮助您指定正确的问题，并快速理解生成的结果。您可以通过修改目标或实体、过滤数据集或排除用于分析的变量来细化问题。的目标是你想要了解更多的度量或维度，比如收入或客户流失率。的实体定义一个或多个维度，这些维度描述您想要了解更多的数据中的对象，例如客户或产品。实体描述了标识该对象的每个实例的键。智能发现将把数据聚合到实体所描述的级别。

以前，业务分析师需要专业的数据科学知识才能有效地将机器学习技术应用于业务数据。他们面临的一些挑战是:

• 为特定问题选择正确的机器学习技术。
• 选择和准备数据。
• 正确地解释结果。

作为业务分析师，Smart Discovery允许您简单地指定业务问题。根据这个问题选择正确的预测算法，并自动准备BI数据以允许应用预测算法。然后，智能发现产生易于理解的结果。由于自动数据准备允许机器学习直接应用于BI数据，因此可以简单地改进问题，或者您可以随时提出多个业务问题。通过让Smart Discovery分析同一目标与不同实体的关系，从不同角度探索数据，它会产生不同的结果。

确认业务问题

Smart Discovery将分析数据并生成内容，以深入了解潜在变量如何影响与数据集中实体相关的目标。Smart Discovery自动准备数据并构建预测模型来预测客户名称的毛利率。从这个预测模型中，它提取并生成帮助分析师理解毛利率的内容。

将机器学习应用于BI数据时的一个关键问题是，数据不是以允许ML应用的方式自然结构化的。这可能意味着机器学习生成的结果与用户的期望不匹配，可能会产生误导。在配置Smart Discovery时，您可以通过选择Target和Entity来指定问题。实体在您希望探索的数据中定义对象。实体由一个或多个维度定义。本质上，这形成了生成的数据集的键。通过指定这两个数据，可以准备好与问题匹配，确保生成的输出是安全且易于理解的。

在本例中，您将目标指定为毛利率，并将实体指定为客户名称。数据中的其他维度可能对解释目标起重要作用，必须在扁平数据集中表示。度量根据实体级别的聚合类型进行聚合。

维度如何在数据集中表示取决于它与实体的关系;基于以下几点:

1. 如果一个维度在每个实体中只有一个值，那么它将以其原始名称包含在数据集中。在这种情况下，关系将是多比1 (m:1)。
2. 如果键的每个值都有一个维度的唯一值，则不包括该维度。在本例中， 的关系为1:1
3. 如果一个维度的每个实体有多个值，那么将使用“Number of”前缀包含不同值的计数。这种情况下的关系可以是多对多(m:m)或一对多(1:m)。

Smart Discovery自动为实体的每个实例准备一个包含一行数据的数据集。例如，如果选择的维度是客户ID，则数据集将为每个唯一的客户ID包含1行数据。识别实体允许自动机器学习提供更集中的分析。

自动生成的故事

Smart Discovery自动为业务问题准备数据，分析数据并为您生成内容。该过程自动构建一个预测模型来预测目标。关键影响者、意想不到的价值和模拟页面上提供的见解是基于这个模型的。

需要注意的是，分析是在运行Smart Discovery时对数据的快照执行的，并且分析不会响应数据的更新而自动更新。智能发现生成的所有内容都是动态的，并根据底层数据进行更改。

概览页面提供可视化，以总结与实体相关的目标维度或度量的结果。

关键影响者页面基于预测模型生成的。关键影响因素页面列出(从高到低排列)多达10个维度和措施，对目标产生重大影响。对于每个影响者，提供了可视化，显示了一个维度中每个值的平均目标值和目标的分布，或用于度量的每个分类值。

在本例中，每个客户名称在数据中都有一条记录。此记录包含客户级别的数据，例如该客户的汇总毛利率和该客户的唯一维度值。

意外值页面提供由预测模型预测的值与数据中的实际值有很大差异的数据中的记录。这些值很重要，因为预测值基于通常在数据中找到的模式，所以这些值是一般规则的例外。在本例中，这些客户名称的毛利率值与其他客户的行为所预测的值不同。分析师可能会对这些客户感兴趣，因为它们可能会揭示需要调查的特殊情况，或者可能会显示潜在数据质量的问题。

列出了影响因素，并指出所选值对期望值的相对影响。在本例中，我们可以看到具有这些属性的客户的期望值为2,278,419。

结论

借助Smart Discovery，业务分析师可以轻松地使用自动化机器学习直接在SAP Analytics Cloud中快速理解其BI数据，而无需任何数据科学或机器学习专业知识。通过简单地指定您的业务问题，您可以从自动机器学习生成的见解中受益。消除数据准备可以改变游戏规则，因为能够快速运行分析，理解简单的结果，然后修改设置并运行进一步的分析，从而使您能够迭代地更好地了解业务数据。这个简单的过程使您能够在生成有用内容的同时更好地制定决策和构建故事。

想要亲自体验和运行Smart Discovery吗?通过注册一个。开始你的旅程，自信地做出数据驱动的决定90天免费试用今天,。或者，如果您想要求增强智能发现功能，请输入您的请求SAP客户影响．