През изминалата година манията за машинно обучение обхвана света на бизнеса. Според Артур Самюел, компютърният учен, който е измислил термина преди половин век, машинното обучение е дефинирани като подполе на компютърните науки, което използва големи набори от данни и алгоритми за обучение, за да „даде на компютрите способността да учат, без да са изрично програмирани“.
Много ръководители имат интуитивното усещане, че машинното обучение ще се окаже толкова важна промяна на парадигмата, колкото Интернет и персоналният компютър. Скорошно изследване проведено от PwC, посочва, че 30% от бизнес лидерите вярват, че ИИ ще бъде най-голямото нарушение в тяхната индустрия в рамките на пет години. Само през 2016 г. над 5 милиарда долара рисково финансиране наводнен в стартъпи за машинно обучение. Глобалният институт McKinsey бележки че машинното обучение има „широка приложимост към много често срещани работни дейности“, включително разпознаване на модели, генериране и разбиране на естествен език и оптимизиране на процесите.
Наскорошният шум се движи от три ключови разработки, които намалиха бариерата за влизане за организации от целия сектор и етап, които искат да приложат машинно обучение:
В резюмето има убедителни доказателства за инвестиране в машинно обучение. Но как организациите наистина използват тази технология? По какви начини машинното обучение е внедрено днес, за да помогне на компаниите да създадат стойност, да намалят разходите и да повишат възвръщаемостта на инвестициите?
В тази статия споделяме казуси, илюстриращи как компании от всички размери използват машинно обучение за решаване на пет ключови бизнес казуса: придобиване на потребители, поддръжка на клиенти, прогнозиране, предотвратяване на измами и управление на хора.
В широк ход фунията за привличане на клиенти за типичен потребителски или корпоративен бизнес има три етапа: сегментиране на вашата клиентска база, за да разбере и отговори на техните нужди, ангажиране с правилните съобщения в точното време и превръщането им в потребители на вашия продукт.
Машинното обучение е широко използвано от стартиращи компании и големи корпорации през цялата фуния за придобиване на потребители. Amazon е ключов пример тук - в писмото си до акционерите от 2017 г., главният изпълнителен директор Джеф Безос отбеляза за начините, по които машинното обучение допринася за изживяването на Amazon.com „под повърхността“, като захранва препоръки за продукти и сделки въз основа на предпочитанията на потребителите. Но сегментирането на потребителите и показването им на съответните продукти е само първата стъпка: много търговци използват машинно обучение, за да коригират марките, копирането и промоционалните цени в движение, за да увеличат вероятността за продажба за всеки даден клиент.
От корпоративна гледна точка наскоро стартира Salesforce Айнщайн , продукт, който изследва CRM данни, за да предостави съобразени препоръки, за да увеличи шанса, че даден потенциален клиент ще се преобразува от терена на продажбите, стигайки дотам, че да предложи подходящия момент за изпращане на имейл.
Разбира се, придобиването на клиенти е само първата стъпка. Независимо дали става въпрос за електронна търговия или за предприятието, задържането на потребители и ограничаването на потока изисква осигуряване на навременна и ефективна поддръжка на клиенти.
Десетки марки вече използват машинно обучение, за да подобрят изживяването на клиентската поддръжка. Например бразилски супермаркет Ocado използвани Приложните програмни интерфейси (API) за машинно обучение на Google за изграждане на персонализирана система, която измерва настроенията на запитванията за поддръжка на клиенти и премества отрицателните отговори в горната част на репликата за поддръжка. Резултатът е, че Ocado реагира на спешни съобщения четири пъти по-бързо, създавайки ценна възможност да спечели обратно клиентите с висок риск да се оскърби.
Съвсем наскоро разговорните „ботове“ вече са триаж поддържайте заявки без помощ от човешки оператор - използвайки машинен естествен език, за да предоставите първи отговор, който може да изпълни рутинни заявки като издаване на етикети за връщане. Освен това намаляване поддържат разходи с до 30%, чат ботовете могат да повишат удовлетвореността на клиентите, като реагират по-бързо и обхватът на техните възможности ще нараства с усъвършенстването на техните умения за разбиране. С изумителните 44% от американските потребители предпочитайки за да си взаимодействат с чат ботове над хората, предприятията, ориентирани към потребителите, които инвестират в машинно обучение, ще имат огромно предимство.
В бек офиса голямо разнообразие от организации започват да използват машинно обучение за изграждане на по-стабилни, гранулирани и точни модели за прогнозиране.
През 2016 г. Walmart управлява конкуренция на платформата за набиране на наука за данни Kaggle, приканвайки кандидатите да използват исторически данни от 45 магазина, за да изградят модел, който прогнозира продажбите по отдели за всеки магазин. Застрахователният гигант AIG има сглобени екип от 125 души за наука на данни за изграждане на модели за машинно обучение с цел подобряване на способността на компанията да предвижда искове и да прогнозира резултати.
Дори глобалният конгломерат очила Luxottica поставя машинно обучение за работа прогнозиране на търсенето: той добавя 2000 нови стила към колекцията си всяка година и използва машинно обучение и данни от минали стартирания, за да прогнозира ефективността на продажбите.
През 2016 г. измама цена средният търговец на електронна търговия над 7% от общите приходи. Заплатите за служители в управлението на измами, възстановявания на плащания и законни транзакции, които са отказани поради фалшиви положителни резултати, допринасят за тези разходи.
Машинното обучение започва да излага потенциала си като мощен инструмент за интелигентно наблюдение на милиони транзакции в реално време, намалявайки отпадъците от измами. PayPal е лидер на тази сцена: те са използвали инструменти с отворен код и огромния си набор от данни за транзакции изграждане двигател за изкуствен интелект от нулата, с основната цел да намали броя на фалшивите аларми, произведени от техните по-стари модели за измами.
Хората все още са в течение, за да обучат модела и да разрешат неяснотите, но първоначалният резултат е поразителен: от внедряването на новия им модел, PayPal намали половината си фалшиво положителен процент. За компании, които търсят решение с бели ръкавици, стартиращи компании харесват Пресейте науката могат да консумират данни на даден бизнес и да прилагат сигнали за измама от цялата си мрежа от корпоративни клиенти, като гарантират, че най-новите техники на измамниците са бързо уловени.
Наемането, управлението и задържането на висококачествени хора е в основата на всички бизнес компетенции. Една от най-обременителните части на наемането е филтрирането на стотици или хиляди автобиографии, за да се състави кратък списък за интервюта; над половината от вербуващите казвам това е най-трудната част от работата им. Този проблем се решава от стартиращи компании като Неспокоен бандит , което прави система за управление на кандидати, използвана от компании като Adidas и Macy’s, за филтриране на автобиографии въз основа на решения, които мениджърите по наемане са вземали в миналото.
От решаващо значение е, че тези алгоритми могат да бъдат обучен да игнорира несъзнаваните човешки пристрастия и дори да сигнализира за пристрастен език в длъжностните характеристики - което означава, че машинното обучение има потенциал да идентифицира високоефективни, разнообразни кандидати, които могат да бъдат пренебрегнати от вербуващите хора при първо преминаване. По отношение на задържането машинното обучение може да увеличи наставничеството на страхотни мениджъри и да помогне на служителите да се представят по-добре генериране конкретни и безпристрастни кариерни съвети, базирани на бивши служители със сходни профили.
С изумителните 44% от американските потребители, които предпочитат да взаимодействат с чат ботове над хората, предприятията, ориентирани към потребителите, които инвестират в машинно обучение, ще имат огромно предимство.
В тази статия разгледахме някои от най-значимите начини машинното обучение да създаде пряка и непосредствена стойност за различни организации. Би било грешка да се разглежда машинното обучение като някаква корпоративна панацея - в крайна сметка, производителността на системата за машинно обучение е толкова добра, колкото данните, върху които е обучена, а ключовите решения на предприятието често са „крайни случаи“, които изискват мярка за човешка преценка и анекдотичен опит за оценка.
Вместо да бъдат заслепени от абстрактния потенциал на машинното обучение, ръководителите трябва да подходят към въпроса за инвестирането в тази технология, като направят равносметка на основните си бизнес предизвикателства и ги съпоставят с ключовата способност на машинното обучение: извличане на смисъл и смисъл от един тон данни . Предвид разнообразието от казуси по-горе, шансовете, които техниките за машинно обучение могат да помогнат, може да са по-големи, отколкото очаквате.
