IBM Planning Analytics 簡易但強大的預算編列、預測與分析平台

採用 IBM TM1 技術的 IBM Planning Analytics 是一種整合規劃解決方案，用於促進整個企業的協同作業，並協助跟上現代化企業的發展速度。這個企業銷售預測及財務預算規劃模擬解決方案採用強大的計算引擎，可協助行銷及財務人員突破試算表的限制並自動執行規劃程序，以推動更快速且更正確的結果。IBM Planning Analytics 將所有相關的資料來源統整為單一資料庫，透過類似於 Microsoft Excel 介面的操作方式，讓使用者能夠建置更準確的多維度模型以推動更可靠的預測，並於個人沙盤推演中執行無限的假設範例情節建模，最終使用自助式報告及視覺化工具提升整合式報表的產製效率，透過優化決策的過程來提升企業的經營績效。

IBM Planning Analytics可以為企業帶來以下的商業效益：

• 加速決策
  有了單一事實來源，規劃人員可以縮短規劃循環，取得即時洞察並做出更明智的決策。
• 分工合作
  使用單一解決方案來取代單點解決方案，讓企業可以整合眾多資料來源，並使由上而下的策略與由下而上的執行保持一致。
• 保持靈活
  輕鬆執行資料分析、使用假設範例情節，以及即時調整計劃和預測，藉此進行預測或適應變化。

想瞭解自助式規劃與分析如何提供企業推動業務運作所需的敏捷性，請立即聯繫北祥資訊。

AI小學堂 – 今天教您「主成分分析」

人工智慧時代來臨，面對市場需求的變化以及未來的無限商機，北祥資訊將與您一起學習，讓AI小學堂成為您最佳的學習助手。第15堂課，我們為您介紹：主成分分析(Principal component analysis, PCA)。

在AI小學堂的第5堂課「特徵工程」中，我們曾經提到影響機器學習預測能力的關鍵在於變數的選擇，而特徵工程技術運用產生、轉換以及萃取的方式找出更適合用來建模的特徵變數，藉以提升機器學習演算法的性能及預測能力。其中，主成分分析(Principal component analysis, PCA)便是一種變數萃取的方法。就實務經驗來說，過多的變數往往會增加資料分析與機器學習建模的複雜度，甚至還會耗用過多的運算資源與時間。誠如丹佛大學數學系教授Stanley Gudder的名言：「數學的本質不是讓簡單的事情變得複雜，而是讓複雜的事情變得簡單。」因此，主成分分析的目的是透過萃取出少量但具備關鍵可解釋性的變數來描述大量的變數，如此便能降低實際用來建立模型的變數數量，這個過程也可以被稱為「降維 (Dimension Reduction)」，降低變數的維度，並使用這些被簡化後的特徵變數來改善並提升建模的效率。

主成分分析經常被使用在人臉辨識(Face Recognition)應用場景，人臉辨識是一種生物辨識技術，運用每個人獨特的臉部特徵，例如眼睛、鼻子、嘴巴及臉部輪廓等特徵進行身分確認。由於可以被擷取使用的臉部特徵數量十分龐大，例如：臉型、五官、雙眼間距、頭寬、鼻高等等，大量的特徵變數將影響模型的辨識速度。透過主成分分析除了可以有效消除各臉部特徵變數之間的相關性，也能夠將大量特徵變數轉換為少量各不相關並相互獨立的主成分變數，降低特徵變數間的複雜性，也減少了辨識模型的工作量，進而提升辨識模型的速度與區別能力。