CommuniLink 聯通國際網絡

作者為：SAS 香港總經理 何偉信

在 2016 年，三個備受關注主要趨勢包括：客戶營銷智能、雲就緒（cloud-ready）開放式綜合分析平台，以及防止洗黑錢法規遵循。

一) 360 度全方位客戶營銷智能方案－在這數碼資訊爆炸的時代，品牌必需擺脫以往「以多取勝」的營銷策略，改而以改善「客戶體驗」為主的策略，尋求與消費者建立個人化、情感上的聯繫，才能突圍而出。要做到全方位掌握客戶的網上行為模式，從而了解客戶的喜好，需要結合多種數據分析技術如整合數據及實行等。

現時，市場營銷人員對全方位客戶營銷智能方案趨之若鶩，期望透過一個功能齊備的「數碼營銷樞紐」來進行進階數據分析的需求愈來愈大。通過彙集來自內部及外界等不同渠道的客戶數據，並將此等數據與有關客戶離線行為的數據綜合一起分析，讓市場營銷人員可以根據品牌過去與客戶的互動，進行預測及分析，藉此提供個人化的客戶體驗，以及實時與客戶互動。

在香港，銀行、保險、酒店、電訊和零售業，以及服務行業都是客戶營銷智能的主要用戶，除此之外，它們亦會運用可視化分析和數據管理解決方案。今年，香港的中小企業也開始加入這行列，因為它們需要監控業務需求的持續變化，以便調整業務策略，以在市場上保持競爭優勢。

二) 雲就緒（cloud-ready）開放式綜合分析平台－數據不斷增長，企業正面對三大問題：一）如何能夠分析零散的數據；二）如何改善數據分析的表現；三）如何迅速得到解決關鍵性問題的答案。

然而，由於 IT 預算相當有限，企業需要一個既靈活又可負擔的平台，來滿足日新月異的需求。企業正在尋找一個開放、雲就緒（cloud-ready）以及內建平台（in-memory platform），藉此提供快速及準確的分析結果。使用現代的、雲端就緒，以及可擴展的分析平台，快速解決各種分析挑戰已開始在企業中獲得流行，並幫助企業在早期進行數據探索的階段減省時間和成本。

三) 法規遵循及風險管理 – 風險管理是銀行業務發展互聯網金融的大前提，與此有關的多款智能化風險管理產品需求急劇增長，這包括交易欺詐偵測和分析、數據管理及欺詐分析、風險控制以及法規遵循解決方案等等。

越趨嚴格的監管要求亦促使許多銀行及金融機構加強其數據收集及管理系統，加強防止欺詐和檢測的能力，當中特別強調防止洗黑錢及信用損失的預測技術。不只是銀行，就連保險公司和證券公司亦紛紛尋求相關技術及產品，提防不法之徒通過購買其產品和服務進行非法資金轉移，能夠回應這類需求的技術今年獲得大幅增長。

2017 年重點數據分析科技趨勢展望

機器學習（Machine Learning）及深度學習（Deep Learning）的冒起

利用機器學習或深度學習作市場營銷有上升的趨勢，因為愈來愈多企業對實時的個人化體驗，以及實時為客戶提供建議感到興趣。

網上用戶每天都會在社交媒體、網上論壇和客戶反饋的渠道互相交流。他們會談論產品質素和整體的服務體驗，甚至表達對該品牌及產品的情緒。隨著越來越多企業對品牌和情緒分析感興趣，預計客戶將花費更多在社交聆聽（Social Listening）相關技術，協助公司整合、歸檔、分析和報告社交網絡媒體上與品牌有關的對話，藉此了解相關對話對其業務營運的具體影響。

同時，為了令物聯網（IoT）更為有用，智聯網（AoT）相關的各項技術亦備受重視。這意味着嶄新的數據管理和收集方法，以及進行串流數據分析的新方法將會出現。IoT 和串流分析（Streaming Analytics）將提供新的數據來源和業務運營模式，藉此提高不同行業的生產力，例如︰醫療、製造、零售、電訊、運輸和公共事業等。

壓力測試（Stress Testing）迎接 IFRS 9 時代

隨著 2018 年 1 月國際財務報告準則 9（IFRS 9）的落實，銀行不得不改變目前計算信用損失的方法。新規定改變了信用損失的確認方式。目前，「減值」是根據「已發生的損失」計算，而 IFRS 9 則引入了建基於預計信用損失（ECL）的模型。

由於 IFRS 9 的開發，將與壓力測試的活動同步進行，因此壓力測試有可能需要包含一套初步及未能提供全面評審的模型。金融機構必須確保此用作壓力測試的模型與會計準則的發展有相同的步伐，以及測試活動之間的各個假設具一致性。

IFRS 9 所帶來的挑戰和要求，使 IT 系統需要具備及時處理大量數據的能力。銀行和金融機構的首席財務官和首席科技官熱衷於 2018 年的最後期限之前轉型，以最適當的方式順利地過渡到 IFRS 9 的時代。為了幫助銀行和金融機構解決 IFRS 9 所帶來的挑戰，迎接新的法規和監管要求，日後所提供的解決方案將能夠幫助企業構建一個科技環境，以提供有效的文件、變更控制、模型管理、可追溯性、工作流程和審計追蹤，減低人工操作的過程。這些需求將繼續是採用數據分析的重大原因。

事實上，現時並未有一套方案可以完全用於迎合 IFRS 9 的來臨。不過，銀行和金融機構應視此更嚴格的監管要求，作為他們重新檢視其技術和數據基礎設施之契機。 所有的技術都可以成為現實，目前只是一個「採用」的問題。

2015 年見證著很多機構採納第三代運算平台和新的 IP 網絡策略，在數碼轉移的過程中革新了他們的市場，從而協助它們成為新市場的領導者。邁入 2016 年，越來越多的企業有望利用智能機器和轉移技術，增加其競爭優勢。

近日 Brocade 便分享了她們對 2016 年及其後網絡轉移技術的趨勢預測：

1. 雲端將持續帶領潮流

據研究機構 IDC 表示，企業將投放於第三代平台，即基於雲端技術之開支將超過 IT 總開支的一半，而這個數字更將會於 2020 年達致六成。企業和服務供應商為增加創新和競爭優勢，願意把舊有網絡轉移到一個更開放和基於軟件的平台上。舊式、遺存的 IP 網絡架構將會加速轉移到新 IP 網絡，達到近乎主流。

2. 基於軟件的網絡顯然是未來趨勢

去年，軟件革新了數據中心和一般的網絡，服務供應商和企業轉移利用軟件定義網絡 (Software Defined Networking，簡稱 SDN) 和網絡功能虛擬化 (Network Function Virtualization，簡稱 NFV) 技術快速地建立新服務，輕鬆地擴展和以用戶為首的方式傳送服務。2016 年將見證更多企業和服務供應商都採用創新、開放和自動化的軟件網絡平台，從而轉移到新的 IP 網絡。更多企業佈署 x86 伺服器架構將加速這個轉移，取代網絡硬件的各種角色，例如應用交付控制器 (Application Delivery Controller，簡稱 ADC)。ADCs 已經開始轉移到虛擬模式(vADC)來協助企業和服務供應商在處理龐大的流量時延展處理的能力。軟件正逐漸地滲透至虛擬化轉移的每個範疇。

3. 保安的重要性將大大提升

機構在現時新的 IP 網絡環境面對越來越多對雲端應用程式的需求，並需要支援社交、流動和大數據項目。但是，網絡攻擊和破壞持續阻礙服務的傳遞，亦對網絡和服務的可靠性帶來額外的挑戰。新的 IP 網絡解決方案容許機構部署進階的保安系統，從建立網絡時便融入設計而不是在現有的系統上作出修定。網絡本身能警示和追蹤行為，迅速辨識和防止不必要的活動。保安服務可虛擬化，容許機構能夠隨時在有需要時分配保安服務和因應地理位置、功能、團體或個人、應用程式來自定保安服務至不同程度。

4. DevOps 將擔任更重要的角色

DevOps 或其他靈活軟件的發展方式只要能配合服務和商業的需求都將會影響深遠，以及獲得企業和服務供應商採用，以確保他們的競爭力。據研究機構 IDC 資料顯示，那些實行數碼化轉移策略的企業，它們的軟件發展能力將會於 2018 年前增加多於一倍。那些建立和採用以領域為中心團隊的公司因不受傳統產品的發展過程所限，將會在以顧客為中心的革新上擁有顯著的優勢。此優勢更將協助企業加速發展，改善客戶滿意度及挽留客戶。

5. 大數據和分析將更趨流行

能夠利用數據爆發契機的機構將會獲得更多商機，其中許多機構是懂得使用大數據並作出策略性決策的初創公司。隨著數據變得越來越龐大，所有相關的商機、技能，以及對分析和認知服務的需求亦將於各行業中日益增加。任何企業若能擁有從大數據中即時獲得情報的能力，將具備優越的競爭優勢。

6. 機器學習起飛

機器學習的出現建功於大數據，是電腦運算的一大突破。通過已產生、傳輸和通過網絡存儲的龐大數據，運算方式變得能自我學習甚至作出預測。這將於 2016 年閞始改變整個數據中心和網絡的世界。這種革新正在進行中，例如面部和語音識別技術正在改變電子產品行業和相關的雲端服務，異常檢測亦正迅速成為網絡安全不可或缺的部份。

7. 電訊公司虛擬化架構的興起

那些未能迎合快速變化的客戶需求和抓緊市場機會的流動電話網絡供應商 (MNOs) 將於 2016 年被迫採用軟件定義網路 (SDN) 和網絡功能虛擬化 (NFV) 方案。因為落後的風險會加強，而採用新技術的營運商和服務供應商將成為在 2020 年物聯網（IOT）生態系統和 5G 競賽的優勝者。

8. 技術人才短缺變得嚴重

供應商、服務供應商和用戶機構都在爭奪擁有編碼和技術專長的新一代人才。人才短缺的問題將會變得越來越嚴峻，機構將需要重新思考他們的人力資源策略和政策，以吸引、培養和挽留優秀的人才。這些近年才被視為在網絡行業中擔任重要崗位的技術資格，將會改變自我配置和自我編寫程式網絡的情況。越來越多的關鍵網絡職位將開始需要現時正短缺的進階分析和編碼技能。

以上資訊由www.hkitblog.com提供

Amazon旗下的AWS今天宣佈推出Amazon Machine Learning (下簡稱為AML)，這是一項全面的託管服務，讓任何開發者都能夠輕鬆使用歷史資料開發並部署預測模型。這些模型用途廣泛，包括檢測欺詐、防止用戶流失並改進用戶支援。

與Amazon內開發者所使用的同樣經過驗證、可擴展並且每週生成超過500億個預測的機器學習技術，AML的API和嚮導能夠為開發者提供關於機器學習模型的創建和調試流程的指導，從而輕鬆部署並擴展模型，支援數十億級別的預測。AML能夠與S3、Redshift和Relational Database Service整合，輕鬆使用存儲在AWS雲服務上的已有資料。

Machine Learning難用 AML簡化有市場

由於需要統計學、資料分析和機器學習等方面的專業知識，只有極少數開發者能夠利用機器學習功能建立應用。傳統意義上的機器學習應用方法涉及很多手動、重複和容易出錯的任務，例如計算匯總統計學、進行資料分析、通過機器學習演算法利用資料訓練模型、評估和優化模型，然後才能使用該模型生成預測。

通過降低複雜性並對上述步驟進行自動化，AML讓所有軟件開發人員都可以廣泛地使用機器學習技術。開發者可以使用AWS管理主控台或API來快速地根據需要創建大量模型，並利用這些模型生成大輸送量的預測，而不必擔心配置硬體、分發和縮放計算負載、管理依賴性或監測和修復基礎架構故障等問題。由於沒有準備成本，開發者可以按使用情況付費，能夠從小規模開始並隨著應用的擴展而擴大使用規模。

由內部工具重新包裝雲端化

AML其實是Amazon內悠久的機器學習傳統，例如為客戶推薦商品，讓Amazon Echo能夠根據你的聲音做出回應，讓我們能夠在30分鐘內就可以卸載滿滿一卡車的商品並完成上架。其技術源自從數千名Amazon開發者快速建立模型、進行實驗並擴展至全球性預測應用的過程中所學到的經驗。

AML讓開發者能夠對用於訓練模型以發現資料模式規律的資料集的統計屬性進行視覺化處理。開發者就能夠更好地理解數據分佈，並在模型訓練之前發現缺失或無效的值，從而節約時間。之後，AML會自動變換用於訓練的資料並優化機器學習演算法，開發者不需要深入理解機器學習演算法或調試參數，即可創建最佳模型。通過使用AML技術，在沒有任何機器學習經驗的前提下，單個亞馬遜開發者可以在20分鐘內解決之前需要兩名開發者花費45天才能解決的問題，並且所建立的模型同樣能夠實現92%的精確度。一旦模型創建完畢，開發者就可以直接從AML輕鬆地進行批量處理或生成即時預測，無需開發和管理自有基礎架構。

亞馬遜可持續包裝團隊為亞馬遜配送提供更小巧、更環保的包裝，同時仍能夠保護配送物品。亞馬遜全球可持續發展總監Kara Hurst表示：「我們利用AML來分析客戶對包裝的回饋，並創建預測以發現適合我們的Frustration Free簡易包裝和電子商務包裝標準的商品。AML已經幫助我們更好地發現造成浪費和讓客戶不滿的產品包裝。我們能夠利用現有資料並快速地開發預測模型，在幾個星期內即可在生產中部署。因此，我們能夠為客戶提供更環保的商品和包裝。」

以上資訊由www.hkitblog.com提供