第二部分是关于智能企业机器学习框架的系列文章。阅读第一部分、第三部分和第四部分。

自从CRISP-DM于1996年首次提出以来，已经发生了许多变化，特别是随着大数据、ML的使用和IT的进步。20年前，快速变化的大数据集、流数据、实时输出和自学习模型还不是数据挖掘领域的一部分。因此，交付许多现代ML项目的要求与旧框架不太吻合。

CRISP-DM没有充分涵盖商业环境中分析的操作化，模型性能必须持续监测和控制，以自动保持最高性能。因此CRISP-DM不涵盖现代ML项目所需的整个项目生命周期。

CRISP-DM也很难让公民数据科学家和商业用户理解，因为它不是商业定位。

新的现代机器学习项目框架的三个原因

1）模型部署/操作化/控制阶段至关重要：

SAP Data Manager和SAP Predictive Factory促进使用SAP Predictive Analytics的SAP ML项目的操作化。这项强大的技术正在SAP Analytics Cloud的Smart Predict中复制。其他sapml项目可以操作数据库中的模型，例如将PAI与S/4或其他SAP应用程序结合使用。CRISP-DM没有足够详细地涵盖实际项目的操作化阶段。因此，需要一个涵盖模型操作的框架，返利，包括性能监控和模型的维护/控制。

2）公民数据科学家和商业用户经常被CRISP-DM中使用的阶段和任务所迷惑，尤其是因为它们很难整合到现有的组织绩效战略中。

因此，公民数据科学家和业务用户应该很容易理解一个框架，并很容易整合到组织现有的企业绩效管理计划中。

3）在SAP，我们努力帮助每一位客户成为一家智能、运营最佳的企业，让世界运行得更好。因此，我们需要一个现代化的ML框架来支持我们交付智能企业，大数据分析，数据与大数据，企业软件正版化，并使用我们客户的数据资产更快、风险更低地实现他们期望的结果。

SAP特定机器学习项目框架的特点

等等，我们需要一个特定的sapml项目框架，而不是将一个现代的sapml项目整合到一个为旧的、传统的数据挖掘过程（如CRISP-DM）设计的框架中。这个新的项目框架应该是：

灵活，以便它适用于SAP Predictive Analytics、SAP Analytics Cloud、R、Python、TensorFlow和PAL，以便目前使用CRISP-DM的任何人都可以轻松地使用这个新框架，从公民数据科学家到专业数据科学家。支持模型在生产环境中的操作化，创建一个"控制"计划来持续监控性能，并在模型性能恶化时采取适当的措施，以便能够持续保持。易于被公民数据科学家和业务用户理解，并能够无缝集成到现有的业务绩效计划中。

企业绩效管理（EPM）是一个商业智能领域，它根据KPI监控和管理组织的绩效。EPM提供了一个用于组织、自动化和分析业务方法、度量、流程和系统的框架，以推动组织的整体性能，它是我在下一篇博客中提出的SAP Intelligent Enterprise ML框架的核心。

了解更多信息

深入了解您的业务，请回顾2018年8月Forrester Consulting的研究，该研究由SAP委托，通过人工智能、机器学习和预测分析为智能企业提供动力。

，物联网平台