其中亦包含業務規則，例如授信、理賠等，制式規則較明確的業務項目，搭配預測模型即可提供建議決策。
SAS（賽仕電腦）台灣業務顧問副總經理陳新銓指出，人工智慧（AI）主要用意是透過學習與自動化訓練系統模擬人類工作的科學，SAS提供企業部署AI應用，以自動化流程管理已開發的機器學習模型，不論是Python、R或SAS所開發的機器學習模型皆能夠在SAS Viya平台上執行部署與維運管理。
肇因分析數據背後意涵
過去企業營運分析主要借助是商業智慧（BI）分析，製作數位儀表板，輔助高階管理者進行決策。SAS除了發展商業智慧，較特別的是擅長統計分析技術，在AI尚未普及之前，SAS研發的商用軟體就已經納入統計技術，實際上本就是AI的關鍵要素。
陳新銓觀察，商業分析的需求始終不變，只是過去的輔助工具大多為自行撰寫程式碼，欠缺易於上手的操作介面可供不熟悉統計分析的技術人員運用，使得資料分析門檻相當高，無法達到普及的程度。隨著軟體技術逐漸精進，硬體運算效率倍增，幾年前開始採用Apache Hadoop或Spark建構大數據平台，搭配高速運算的主機，軟體也發展出可彈性使用的操作模式，促使企業對於資料分析的應用需求增長。
舉例來說，SAS在全球擴展據點，主要客群包括為金融業導入SAS商用軟體輔助風險管理，常見的應用即為貸款業務，須進行信用評等，採用統計運算風險值。近幾年開源工具當道，更加促使資料科學成為顯學。企業觀察到IT技術發展趨勢，也開始著手蒐集數據，借助現代工具運行分析，較傳統制式的報表凸顯出更多商業價值，讓不同行業得以根據更加精準的數值輔助決策。
資料科學的目的是為了快速產生預測，看到現象即可推論背後的原因，以前是得透過多種類型報表才可得知。以商業智慧分析為例，主要是提出告警，並未包含判別背後的因素，例如零售業者統計分析發現本季度有特定品項銷售數量下滑，在商業智慧報表中可完整呈現，卻無法進一步推論導致的因素，須不斷地分析比對其他來源資料由人工來判定。現在運用AI的目的是加快回應市場的速度，一旦偵測到特殊現象，可直接運行肇因分析，讓高階管理層立即進行決策。
提升效率兼顧累積成為資產
為了培育出更多資料科學家人才，SAS近幾年持續不斷地投入資源舉辦校園競賽。陳新銓以實際參與的經驗來看，十多年前學校並未注重資料分析，甚至學生也無法想像統計學的應用領域，直到近兩年的校園競賽，發現得獎的學生表現相當優秀，得歸功於學術界已發現市場上對於大數據分析、資料科學人才需求，未來畢業生將可逐漸填補缺口。
產業紛紛啟動朝向智慧化發展，驅動校園人才養成資料科學家，再加上技術平台持續演進，輔助資料科學家提高工作效率，陳新銓認為，接下來可能面臨的挑戰反而是在管理層面，也就是人才的「選用育留」。以全球人才市場來看，資料科學家待在相同公司最多三年，很容易被挖角。另一方面，執行數據分析，產出的結果得快速上線，提供企業營運系統改善的建議。今年（2021）年初Gartner新提出DSML（Data Science And Machine Learning）平台，SAS的VDMML即位居領導者象限。
他進一步說明，企業主逐漸發現，並非工具變得強大，驅動資料科學蓬勃發展，而是產業需求所驅動，懂得運用開源工具的開發者，或許可達到商業版軟體的效果，但是資產無法被留下，此外，開源技術撰寫程式碼，通常有不同版本與套件，無法共用。資料科學家就像是「黑盒子」，依據自己習慣的方法執行任務，但是無法達到橫向溝通。以行銷的應用為例，主打的行銷活動須撈取可發送推薦郵件的名單，最終成交率可能即為資料科學家的績效指標。至於究竟如何執行撈取名單、參考的依據等分析機制，須採用不同統計方法論輔助，VDMML解決方案不僅可輔助提升效率，同時可將資料科學家的知識轉換為企業資產，如此長期累積才有助於成為商業營運的智慧。
普及平民化資料科學家
在AI應用的趨勢浪潮下，企業必須提升管理資料科學家與分析報告資產的能力，或者是更普及化地讓各部門員工都可執行分析工作，尤其是業務單位，可自行操作分析，如此一來，工具勢必得朝向無須撰寫程式碼的方向發展，方可能實現。
SAS核心技術是統計學與演算法，近年來開始積極推動平民化資料科學家，讓不具備技術背景的員工，運用易於上手的工具，自主性地操作執行分析找到問題解答，回應市場的效率將更進一步提升，畢竟第一線工作者的市場敏感度較高，或許較技術精湛的資料科學家更能解讀數據的意涵。陳新銓說明，SAS提出平民化資料科學家，目的是讓前線的業務分析人員可以運用，至於專業的數據分析部門，也可以藉此建立資料模型，無須撰寫程式也可達到相同目的。
SAS（賽仕電腦）台灣業務顧問副總經理陳新銓強調，在AI應用的趨勢浪潮下，企業必須提升管理資料科學家與分析報告資產的能力，或是讓員工都可執行分析工作，尤其是業務單位，可自行操作分析找到解答。
近來許多新創公司為特定應用場景提供AutoML服務，亦可降低AI應用的門檻，問題在於無法探究內部運算邏輯，或許在零售業可允許部署，對於需高度監理的金融保險業而言，勢必不允許部署無法解釋運算邏輯的模型。
「從SAS觀點來看，AutoML基本須具備可快速建立模型、可解釋運算邏輯、可快速地部署。」陳新銓說。基於VDMML提供的AutoML建立模型，開發環境與線上環境皆具備相同執行引擎，可直接部署到前端系統，不需要再經過驗證即可整合運行。後續維運則可透過API方式呼叫執行引擎，持續不斷地更新分析方法即可。如此才可讓營運分析的開發、部署上線、維運，依據應用決策的回饋調整，持續不斷地自主循環。