Equinix的CIO Milind Wagle擁有自己的“客戶流失預測器”。它告訴他為什么要開戶以及將來是否有可能開戶。該信息使數據中心服務提供商有機會通過改進服務和計劃未來的占用率來提高其預訂準確性。

他說：“我們正在將思維方式從將分析視為事后報告轉變為將這些情報嵌入業務流程本身。” 通過微調，Wagle報告流失預測器的準確性接近90%。

Wagle將人工智能（AI）與分析結合使用并不罕見。凱捷（Capgemini）最近進行的一項研究表明，在將近1000個使用AI的企業中，近80%的企業已將其用于數據分析和報告，從而獲得了寶貴的見解。雖然這聽起來可能令人驚訝地高，但是我們采訪過的大多數CIO都認為這是可信的。

MITRE公司CIO和CSO副總裁Joel Jacobs表示：“我一點也不驚訝。雖然我不相信AI的所有可能性都已經解決，但是大型組織已經意識到有很大的潛力。”

機器學習以及深度學習在較小程度上是AI的分支，這些分支被利用來進行數據分析工作。機器學習（ML）通過對數據進行分類（數據分析的基本構建塊）來進行工作，從而在兩者之間產生某種自然的協同作用。用例種類繁多，因為幾乎所有內容都涉及業務數據。

機器學習也是識別和分類非結構化數據（例如文檔，圖像和視頻以及黑暗數據）的正確工具，這些數據是您從未訪問過的信息（可能是因為它是大數據的一部分）。大多數商業智能（BI）系統仍然需要結構化數據。

“文檔呢？圖像呢？這就是我們可以使用機器學習的地方。” Elsevier執行副總裁兼首席技術官Dan Olley說。“它既可以從文檔中提取信息，也可以創建可以進一步索引的注釋。ML是我們從可讀材料中提取知識的關鍵手段。”