共计 1751 个字符，预计需要花费 5 分钟才能阅读完成。
机器学习 (ML) 等人工智能 (AI) 技术扭转了咱们解决和解决数据的形式。然而，人工智能的采纳并不简略。大多数公司仅将 AI 用于其数据的最小局部，因为扩大 AI 具备挑战性。通常，企业无奈利用 预测剖析 因为他们没有齐全成熟的数据策略。
要扩大 AI 和 ML，公司必须领有弱小的信息架构来执行公司范畴内的数据和预测剖析策略。例如，这要求企业将其数据应用程序的重点放在降低成本和经营之外。全面采纳人工智能将须要企业做出判断，并面临组装古代信息架构的挑战，该架构使公司数据筹备好进行预测剖析。
古代数据仓库是采纳 AI 的催化剂，能够减速公司的数据成熟之旅。它是对立数据和 AI 平台的重要组成部分：它收集和剖析数据，为 AI 生命周期的前期阶段筹备数据。利用您的古代数据仓库将推动您的业务超过传统 数据管理问题，并使您的企业可能通过 AI 翻新实现数字化转型。
什么是古代数据仓库？
本地或遗留数据仓库不足以满足具备竞争力的业务。当今市场要求组织依附大量数据来为客户提供最佳服务、优化业务经营并进步利润。本地数据仓库并非旨在解决这种数量、速度和多样性的数据和剖析。
如果您想在以后环境中放弃竞争力，您的企业必须领有一个基于云构建的古代数据仓库。古代数据仓库可主动执行数据摄取和剖析，从而敞开连贯数据、洞察力和剖析的循环。它能够运行简单的查问以与 AI 技术共享，反对无缝 ML 和更好的预测剖析。因而，组织能够做出更理智的决策，因为古代数据仓库捕捉并了解组织数据以在全公司范畴内提供可操作的见解。
古代数据仓库如何与机器学习协同工作？
古代数据仓库在不同级别运行，以收集、组织和剖析用于人工智能和机器学习的数据。这些是古代数据仓库的次要特色：
多模型数据存储
数据存储在仓库中，以优化特定业务数据的性能和集成。
数据虚拟化
未存储在数据仓库中的数据在源头进行拜访和剖析，从而升高数据分析的复杂性、谬误危险、老本和工夫。
混合工作负载
这是古代数据仓库的一个要害个性：混合工作负载反对实时入库。古代数据仓库能够同时并继续地摄取数据并运行剖析工作负载。
混合云部署
企业抉择混合云基础架构在公有云和公共云之间无缝挪动工作负载，以实现最佳合规性、安全性、性能和老本。
古代数据仓库能够收集和解决数据，使数据能够轻松地与其余预测剖析和 ML 工具共享。此外，这些古代数据仓库提供内置的 ML 集成，能够无缝构建、训练和部署 ML 模型。
在我的古代数据仓库中应用机器学习有什么益处？
古代数据仓库采纳机器学习来疾速调整和适应新模式。这使数据科学家和分析师可能取得可操作的见解和实时信息，因而他们能够做出数据驱动的决策并改良整个公司的业务模型。
让咱们看看这如何实用于“我如何取得更多客户？”这个古老的问题。咱们将探讨两种不同的办法来答复这个常见的业务问题。
第一种办法是传统办法：制订吸引特定受众群体的营销策略。您的企业能够依据客户的购买动向和您公司在提供价值方面的实力来确定指标细分市场。得出这个论断须要对数据提出演绎性问题：
什么是需要曲线？
咱们的细分市场更喜爱什么产品？
潜在客户什么时候购买咱们的产品？
咱们应该在哪里做广告以与咱们的指标受众建立联系？
旨在帮忙您的公司答复这些问题的商业智能工具和服务并不不足。这包含即席查问、仪表板和报告工具。
第二种办法利用数据仓库中的机器学习。借助 ML，您能够利用现有的古代数据仓库来发现对您的 KPI 影响最大的输出。您只需将无关现有客户的信息输出统计模型，而后算法将形容定义现实客户的特色。咱们能够围绕特定输出提出问题：
咱们如何向年收入在 100,000 美元到 200,000 美元之间且喜爱滑雪的女性做广告？
咱们自助服务客户群的散失指标是什么？
哪些常见特色会造成市场细分？
ML 在您的数据仓库中构建模型，使您可能通过您的输出发现您的现实客户。例如，您能够向计算模型形容您的指标客户，它会找到属于该细分市场的潜在客户。或者，您能够将现有客户的数据输出计算机，让机器学习最重要的特色。
论断
在咱们的数据密集型世界中，古代数据仓库对于摄取和剖析数据至关重要。AI 和预测剖析提供更多数据以无效工作，使您的古代数据仓库成为算法运行的现实环境，并使您的企业可能做出理智的决策。人工智能和机器学习等数据科学技术更进一步，让您能够利用数据做出更理智的企业级决策。
更多内容关注 OushuDB 小课堂