En cualquier organización, Business Intelligence (OLAP) se refiere a la generación de informes que pueden involucrar o no herramientas sofisticadas como Cognos u Business Objects. Estas herramientas están especializadas para manejar grandes volúmenes de datos de una manera óptima y los informes generados son dinámicos y vienen con la capacidad de cortar en rodajas. Esta optimización se logra mediante la organización de los datos en estructuras como cubos que combinan dimensiones y hechos, etc. La audiencia para estos informes generados puede variar desde directores senior hasta vicepresidentes que evalúan el desempeño de la compañía, por ejemplo, ventas año tras año en una categoría. Según la información obtenida de los informes y combinándola con el conocimiento o la intuición de Business Domain, se podría usar para estimar el volumen de pedidos de la próxima semana o marcar una transacción de fraude.
Machine Learning , por otro lado, hace exactamente lo que sugiere su nombre. Permitir que la máquina aprenda de los datos. Cualquier actividad prospectiva, es decir, cada vez que el término “Predictivo” entra en juego, puede esperar que Machine Leaning esté allí. Por lo tanto, actividades como predecir pedidos la próxima semana o identificar un reclamo de seguro fraudulento, son algunas áreas problemáticas típicas del aprendizaje automático. La activación de chatbots para proporcionar soporte L1 a los clientes generalmente se encuentra en la Computación Cognitiva, que es un área relacionada pero separada. Machine Learning trata de dar una justificación adecuada a la intuición empresarial e intenta dar más información que esté respaldada científicamente. Permite a un usuario de negocios tomar decisiones más informadas al capturar esos patrones ocultos en los datos que un ser humano pierde. También puede tomar decisiones inteligentes en tiempo real. Por ejemplo, un motor de recomendación en sitios web de comercio electrónico o marcar una actividad fraudulenta en tiempo real, etc.
En un escenario empresarial real, puede pensar en BI como una fuente de datos para Machine Learning. Además, una aplicación de BI también puede consumir algunos resultados de Machine Learning, digamos un Churn Score. Puede pensar en BI como una mejor visualización de diferentes fuentes de datos.
- ¿Es difícil la informática?
- ¿Son útiles las soluciones de aprendizaje automático?
- ¿Por qué se basan los índices 1 de Matlab?
- Arquitectura de la computadora: ¿cuánto afecta la memoria caché del procesador al rendimiento del sistema en comparación con una mayor velocidad de reloj?
- Cómo abordar los problemas en SPOJ (lea los detalles)
