多特征视角下:传统商业分析 vs 机器学习(machine learning)

两者的核心差异，就在于对多特征的处理能力和方式——传统方法是“人工挑、简单算”，机器学习是“全收纳、自动找”。

一、传统方法：只盯少数特征，人工定关系

面对年报数据、宏观数据里的众多指标，传统方法只能靠人手动挑出几个核心特征，再人为设定它们和营收的简单关系。
它的短板很明确：一是会漏掉大量潜在有用的特征；二是没法体现多个特征叠加在一起的复杂影响。

二、机器学习：收纳海量特征，自动找关联

不管是几十个还是上百个来自年报、宏观的特征，机器学习都能全部纳入模型，自动计算这些特征对营收的综合影响。
它能找出特征之间隐藏的联动规律，这个过程不需要人提前设定规则，完全由数据驱动。

特征越多、关系越复杂，机器学习的优势就越突出；特征少、关系简单时，传统方法用起来更省事。

今年会尝试用机器学习算法做营收预测、商业分析了。