我在麦肯锡（McKinsey）的一个播客中听到了这句话，什么是云，其中重播了一段关于"将B2B公司带入数字世界"的精彩讨论。在那次讨论的某个时候，参与者讨论了数据驱动的建议如何满足人际互动，以及这种组合如何产生影响。我想，是的，大数据的前景，就是这样，然后我想到了一些例子。事实上，当系统对交易进行评分以确定成交的可能性时，这对销售经理来说是有区别的。他有一个更好的基础来决定哪些机会应该得到最高的关注。

做出决定主要基于这样一个事实：一个人拥有的信息是多么的可靠和充分——事实上，在大多数情况下，我从来没有得到所有必要的信息，无论是在我的工作还是私人生活中。我多久会这样想"…如果我早知道的话，我会做出不同的决定…"好吧，有时我故意不想寻找所有可用的信息并加以考虑，我只是按照我的直觉行事，就像我买上一辆车时那样

但在生意上我经常把直觉放在一边，我想得到所有可能得到的信息。这样我才能做出一个有根据的决定。在这里"机器"可以帮助我，因为它可以比我考虑更多的信息。它可以帮助我积累经验，比任何一个人都有更多的经验。

根据经验，营销人员决定哪些客户应该用特定的信息，因为他或她知道提供的产品和客户。结合许多人的经验，并以此作为决策的依据，这就是"人机混合"的开始。想象一下，我们的营销人员根据客户的购买倾向得分对他们进行细分。而这个评分就是"机器"：根据过去的经验，用云服务器，它预测未来的行为。它还可以建议什么是最好的渠道来吸引客户的注意力，云服务器ecs，或者应该向哪个客户推荐什么产品。

这里还有两个其他的例子，说明如何利用许多人的过去经验来支持单个人：

想想一个专注于应收账款的会计。他的任务之一是将收到的电子银行付款与打开的客户发票进行匹配，主机，以进行结算。理想情况下，银行对账单自动匹配未结应收账款，但有时这是不可能的，例如客户没有提供足够的付款信息。现在会计必须根据自己的经验手动进行匹配。利用所有会计师的经验来完成这项任务不是很好吗？SAP Cash应用程序就是这样做的，机器学习模型通过分析历史清算文档进行训练，然后可以匹配付款和发票。结果将返回给会计进行自动清算或审核。

SAP Service Ticket Intelligence的机器学习模型使用历史数据将传入的Service Ticket分配到正确的类别，甚至在此之前向Service rep.建议此Ticket的解决方案，一个人必须根据自己的知识和经验手动检查和分类车票。现在这个系统可以做到这一点，并且比单个人考虑更多的信息。而且，该应用程序在不断捕获数据的同时提高了准确性——每一张新的分类票据。