许多组织在选择将带来业务价值并启动技术实施的业务用例时遇到困难

确实机器学习的各种可能性和潜在用例是压倒性的，它的采用与移动或云技术的采用不一样。这就是为什么我们经常听到以下问题的原因：“大数据和机器学习可以为我们的业务做什么？我们行业中成功的业务用例有哪些例子？”尽管每项业务在很多方面都是的，但是大多数业务用例可以源自通用的货币驱动因素，例如业务增长和业务运营。

业务成长

1、创造新收入（G1）

2、现有收入增长（G2）

3、商业运作

4、生产率提高，成本优化（O1）

5、降低风险，减少损失（O2）

下表描述了映射到增长优化驱动程序的20个零售/数字商务，金融服务和医疗保健/生命科学用例的示例，尽管这些经过行业验证的用例可以在大多数组织中复制，但还有更多特定的用例可以成为组织的独特差异，在下一部分中，尽管存在相关的技术挑战，我们将阐明如何选择重要的业务用例并以可预测的方式实现结果。

机器学习项目实践近30年来

机器学习一直在开发技术和算法，并逐渐提高其准确性，多年以来，大多数AI应用程序的性能仍然低于人类，即低于平均人类性能，但是自2012年以来，情况开始发生变化，就该技术领域的技术突破和对熟练专业人员的市场需求而言，变化是相当剧烈的，商业寻求答案的典型问题是：我们如何选择合适的商业用例？我们如何启动该项目？是否有任何方法和过程可以帮助我们以可预测的方式取得成果？我们将在本文中通过描述三个关键的实践来解决这些问题，这些实践是：构思研讨会，多学科团队和快速原型设计。

创意工作坊这是通过潜在商业机会的概念确定业务用例优先级的个重要练习

创意研讨会包括业务和技术利益相关者以及大数据和机器学习专家，以生成用例并评估其初步业务价值和易于实施，下面显示的优先级排序方法基于这两个因素的组合，并作为进一步执行的路线图。

多学科团队在定义业务用例时

项目范围和复杂性通常需要具有不同技能的专业团队的参与，等待超级英雄数据科学家的出现是一个谬论，为了成功解决现代商业和技术挑战，需要多学科的紧密合作，数据科学，大数据工程，经验设计和主题专业知识是构成项目核心团队的能力，设计思想，尤其是设计冲刺过程，有助于建立跨学科的协作，并使团队朝着共同的目标发展。

快速成型与使用传统计算技术开发的大多数软件工程项目相比

几乎每个机器学习项目都更加注重研究，业务用例基于假设而非事实，因此必须通过实验和测试对其进行验证以使其真实，在数据科学中，此类实验是在一次性原型的帮助下进行的，该原型也被称为概念验证（PoC），使用高度迭代和敏捷的周期。

为此，数据科学家使用了一套工具，可以将PoC周期显着减少到几周甚至几天

一旦检验了假设并且模型的准确性令人满意，就可以认为研究阶段已经完成，用例验证已经完成，同时，大数据工程团队致力于连接数据源，数据处理管道以及大数据解决方案的其他可能组成部分，以准备在生产中部署机器学习模型。该战略原型方法可以在将预测到大数据/机器学习项目和避免成本，进度和质量风险很有帮助。

我们为寻求将大数据和机器学习纳入业务数字化转型战略的任何企业提供了许多常见且重要问题的答案

1、如何从数据中获取值

2、大数据和机器学习可以为我们的业务做些什么

3、如何选择有前途的业务用例

4、如何开始你的项目

一旦业务领导做好了创造性和突破性项目的准备，一切皆有可能

即使是激进的想法也可以通过的前沿技术来实施。也许这是我们生活中的数字时代的美：将科幻小说的奇迹变成我们生活的现实。