傳統的商業智慧已經不能滿足企業資料的數量、種類和速度的要求，現在是讓新的人工智慧工具來彌補不足的時候了。但是，這種新一代工具與以前的工具有何不同？
傳統行業的不足由人工智慧彌補
▍資料收集與整合
在未來五年，80%的資料將是非結構化的資料。這些資料無法在資料庫中分類，因此很難標記、搜尋和編輯。使用傳統的商業智慧工具，非結構化資料位於孤島中，並且即使有的話也要對其進行緩慢的分析。資料科學家通常會花費大約80%的時間準備這些資料，然後才能對其進行分析。
使用現代的商業智慧工具，準備工作將更快、更加自動化。無論企業需要分析哪種資料，這些新工具都可以在一個無縫的資料湖中對它們進行排序和分類，從而使孤島成為過去。這些工具是自助服務，使資料科學家可以在數小時或數天之內開始接收可操作的情報，而無需參與IT運營。
▍指標覆蓋率
傳統的關鍵績效指標（人工設定和研究的關鍵績效指標）僅覆蓋組織中正在使用的指標的3%。實際上，對於現代企業而言，只有3%關鍵績效指標的規模較小。
如果在面向使用者的應用程式中出現問題，則很有可能會以企業當前未涵蓋的指標來出錯。只要企業監控的關鍵績效指標不會下降，就無法檢測到錯誤或中斷，直到客戶告知企業這些錯誤。相比之下，任何組織都不可能人工監控其所有關鍵績效指標，因此採用人工智慧可以解決這個問題。無論企業生成多少個指標，其數量級無關緊要。他們能夠一次提取數百萬個指標，並且在出現問題時仍可以提供即時反饋。
▍閾值和基準
傳統的人工警報實踐要求資料科學家為關鍵績效指標設定閾值。當關鍵績效指標低於某個閾值或高於某一個閾值時，它會觸發警報。不幸的是，即使在正常行為期間，指標也往往會出現不可預測的漲跌。即使企業將基線設定為高於和低於這些閾值，這也降低了在設定的閾值內仍可能發生異常行為的可能性。
這種做法也忽略了季節性，季節性是在每天、每週或每月的週期中某些指標的正常變化。在傳統的商業智慧程式中，所有的季節性看起來都是異常的，會導致大量的誤報和漏報。
現代分析平臺採用完全自主的方法進行基準劃分。他們依靠機器學習演算法來學習指標的正常行為並確定其基準，從而無需進行人工閾值處理。
▍檢測和警報
建立具有人工警報的傳統商業智慧系統自然是一個結果，那就是警報太多。警報疲勞是一個現實問題。在某些應用中，資訊保安人員每天可能會遇到100多萬次警報。這使得分析師很難區分緊急情況和資料中的噪音。
在人工智慧驅動的報告中沒有人工閾值。唯一的警報是“真實的”警報——在度量標準中是真正異常行為。即使只靠這種行為，這種行為也大大減少了誤報。然而，人工智慧的發展遠不止於此。現代的商業智慧工具使企業能夠只對最嚴重的偏差發出警報，從而使企業的響應團隊只關注最重要的事情。
▍根本原因分析
異常不會自行發生。使用傳統的儀表板，企業可能看到在監視的3%指標中出現的一個異常。不幸的是，企業將無法看到其他地方出現的異常。反過來，這意味著企業需要更長的時間來了解異常發生的位置以及如何解決。
相比之下，自主分析會報告每個警報的完整場景。如果在相關指標中同時發生兩個異常，則企業的警報將反映出來。如果這些異常恰好與補丁程式、裝置故障或黑色星期五同時發生，則企業的報告也將反映出來。這使得檢測和應對異常更加容易。
