性弱，使其拥有更大的个性化定价空间。
路径优化可理解为寻求由起点出发，通过所有给定需求点后再回到原点的最短路径问题，路径优化诞生于TSP问题（Traveling Salesman Problem，旅行销售员问题），即访问除原出发结点以外的每个节点一次且仅一次，应用场景例如拼车实时路线规划、某些货物需在某一时间段送到（时间窗口）。
订单分配可理解为供需匹配问题，供需匹配可分为静态匹配与动态匹配，静态匹配即有n个需求，n个供给，每一个供给只能满足一个需求，每一个需求也只需要一个供给，应用场景例如物流追踪、车辆与乘客静态匹配等；当匹配双方并非事先确定时，则为动态匹配问题，动态匹配的本质在于优化结合随机建模，当匹配的一端实时产生时，以优化模型决定如何匹配能够达到最大价值，应用场景例如网约车随时产生的乘客与车辆匹配。商业智能应用之供应链
通过大数据与优化技术提升供应链系统效率与柔性物流系统分为多层，包括入库前的仓库地址选择、入库时的策略以及销售预测、入库后的库存优化、仓储优化、清仓以及出库时货运分配、配送路线规划等。其中，仓库的选择和物流的配送是供应链管理的核心，在某地区开展新业务时，如何设定枢纽的数量、枢纽位置等对最终运送的成本有着很大的影响；配送路线规划涉及到我们在交通出行领域中谈到的路径
优化与车辆调度问题，通过结合实时需求、时间窗口、承重限制等因素，对送货路线进行制定，最小化成本与时间，实现物流智能化高效运营。商业智能应用之金融风控利用数据与技术，提高风控准确率，布局全流程风控
金融的本质在于给风险定价，对于风险及时且有效的识别、预警、防控一直是金融机构的核心。金融风控强调数据与技术，智能风控企业结合高维度的大数据，利用决策树、神经网络等机器学习技术，针对信贷评级、授信、贷后预警，反欺诈等场景提供解决方案，传统金融机构由过去的以经验或小量数据对风险进行把控，到现在以大数据及技术进行风控，实现金融风控升级。但同时，精细化运营全覆盖也是风控市场需考虑的关键点，即从系统的第一层出发，做全流程的金融风控，识别真正符合金融产品的优质客户，当潜在用户的信用存在风险时，应从营销端就避免引入此类风险用户。商业智能应用之投研分析人机协作，助力投研分析质效提升
商业智能在投研分析中的应用可与食材料理类比，将原始数据比喻成料理中的原料A，A被清洗择选后成为可用烹饪原料B，参考不同料理食谱，对B进行制作，最终生成佳肴，映射于投研分析领域中，清洗择选方法包括去重、数据排序、实体发现、实体关联、领域知识图谱等，食谱即不同算法与模型，最终生成可视化投研报告。与人工分析生成的报告不
同，机器人报告最大的优势在于生成快、可以清晰明了的将大量数据进行罗列呈现；智能机器的效率相对高，但目前仍缺少创造性，在投研分析领域，机器人与分析师的协同合作将提升分析质量与效率。商业智能应用之智能投顾 自动化程度逐步提高，AI 投顾新模式将用户资金自动对接智能投顾，顾名思义即人工智能 投资顾问。传统的投资顾问相当于私人银行中的客户经理通过与客户的深度沟通，结合客户个人的风险偏好和理财目标，传达给后台技术人员制定理财配置模型，再由客户经理将此方案给到客户；智能投顾可被理解为将私人银行的后台标准服务线上化。相比传统投顾，智能投顾拥有可简化流程、适合全民理财、可定制短/中/长多周期投资方案、可进行风险预警等优势，同时也面临客户对机器的弱信任感问题、现阶段政策以及所需客户财务状况全面性等限制与挑战。商业智能的挑战与未来从强调单一技术，到各领域融会贯通在大数据的背景下，商业场景中任一问题的解决，往往是多学科思想的交融，而非对单一方法的依赖。在计算机科学、人工智能、运筹学、博弈论等诸多学科领域的综合与交叉中，一个个贴合实际业务场景的解决方案应运而生，使得商业智能切实优化企业决策方式，助力业务增长。融合也表现在人工智能的各分支上，如关于语义网的研究，自然语言理解、机器学习、人机交互都很重要。最后，任何一种学习算法都有自己的优势和局限，所谓
的解决一切问题的终极算法，很有可能是对现有算法的兼容并包。当然，如何让各算法相遇相融并在不大幅降低效率的前提下提升通用性，仍是一个非常复杂但值得探索的难题。商业智能的挑战与未来技术以外，对场景的理解是产业升级的关键在人工智能成为产业界、学术圈、投资人以及媒体关注的焦点以来，大众对深度学习等技术尤为关注。但在工业实践中，对具体业务场景的理解与对实际问题的界定，与采用何种模型、算法同等重要，前者在很大程度上决定了后者是否能够有效降低企业运营成本或者帮助相关业务增加收入，这是技术能够落地、产业得以升级的关键。
在AAAI2017中，Uber人工智能实验室主任Gary Marcus即表示当前飞速发展的深度学习等技术可能只是在不断逼近通用人工智能的一个局部最优点，而这样的逼近方式可能让我们错过那些真正更好地实现通用人工智能的方法。因此，在运用技术解决某个问题之前，绝不应先入为主地认定要是用某个具体的机器学习算法，而应首先对业务场景加以分析，抓住核心问题要素，这是做出最优技术选择的前提。商业智能的挑战与未来智能的落地是一项系统工程，企业的工程实践能力有待增强商业智能业务应用的落地需要建立在完善的数据整合、管理之上，再由相应的算法、模型基于高效的计算框架将数据转化为可视化的业务规律，进一步驱动或直接生成企业决策，因此商业智能是一项系统工程，算法
设计、架构搭建、系统配合、流程控制、质量监督、危机处理等缺一不可，项目工程经验非常重要。
相关推荐：
loading