Bagaimana Perusahaan Teratas Menggunakan Pembelajaran Mesin

Dalam satu tahun terakhir, mania pembelajaran mesin telah menyapu dunia bisnis. Menurut Arthur Samuel, ilmuwan komputer yang menciptakan istilah setengah abad yang lalu, pembelajaran mesin didefinisikan sebagai subbidang ilmu komputer yang menggunakan kumpulan data besar dan algoritme pelatihan untuk "memberi komputer kemampuan untuk belajar tanpa diprogram secara eksplisit."

Banyak eksekutif memiliki perasaan intuitif bahwa pembelajaran mesin akan terbukti sama pentingnya dengan perubahan paradigma seperti Internet dan komputer pribadi. Sebuah survei baru-baru ini yang dilakukan oleh PwC menunjukkan bahwa 30% pemimpin bisnis percaya AI akan menjadi gangguan terbesar bagi industri mereka dalam lima tahun. Pada tahun 2016 saja, lebih dari $5 miliar dana ventura membanjiri startup pembelajaran mesin. McKinsey Global Institute mencatat bahwa pembelajaran mesin memiliki "penerapan luas untuk banyak aktivitas kerja umum," termasuk pengenalan pola, menghasilkan dan memahami bahasa alami, dan pengoptimalan proses.

Mengapa Pembelajaran Mesin Penting Sekarang

Kehebohan baru-baru ini didorong oleh tiga perkembangan utama, yang telah mengurangi hambatan masuk bagi organisasi lintas sektor dan tahap yang ingin menerapkan pembelajaran mesin:

• Lebih banyak data dan penyimpanan yang lebih murah: Munculnya alat berbasis cloud dan turunnya biaya penyimpanan data melalui layanan seperti Amazon Redshift berarti lebih banyak data yang dihasilkan dan disimpan secara rutin oleh aplikasi penting bisnis.
• Pustaka sumber terbuka: Pustaka pembelajaran mesin yang tersedia secara luas seperti Google TensorFlow dan scikit-learn membuat algoritme canggih lebih mudah diakses oleh khalayak yang lebih luas dari ilmuwan data dan insinyur perangkat lunak generalis.
• Tenaga kuda yang lebih besar: Pengembangan platform berbasis cloud dan perangkat keras khusus yang dioptimalkan untuk pembelajaran mesin berarti bahwa aplikasi ini dapat berjalan lebih cepat dan dengan biaya lebih rendah, meningkatkan kesesuaiannya untuk berbagai kebutuhan bisnis.

Secara abstrak, ada bukti kuat untuk berinvestasi dalam pembelajaran mesin. Tetapi bagaimana organisasi benar-benar menggunakan teknologi ini? Dengan cara apa pembelajaran mesin diterapkan saat ini untuk membantu perusahaan menciptakan nilai, memangkas biaya, dan mendorong ROI?

Dalam artikel ini, kami membagikan studi kasus yang menggambarkan bagaimana perusahaan dari semua ukuran menggunakan pembelajaran mesin untuk menangani lima kasus bisnis utama: akuisisi pengguna, dukungan pelanggan, perkiraan, pencegahan penipuan, dan manajemen sumber daya.

1. Akuisisi Pengguna

Secara garis besar, corong akuisisi pelanggan untuk konsumen biasa atau bisnis perusahaan memiliki tiga tahap: mengelompokkan basis pelanggan Anda untuk memahami dan memenuhi kebutuhan mereka, melibatkan mereka dengan pesan yang tepat pada waktu yang tepat, dan mengubah mereka menjadi pengguna produk Anda.

Pembelajaran mesin telah digunakan secara luas oleh perusahaan rintisan dan perusahaan besar di seluruh corong akuisisi pengguna. Amazon adalah contoh utama di sini—dalam suratnya tahun 2017 kepada pemegang saham, CEO Jeff Bezos berkomentar tentang cara pembelajaran mesin berkontribusi pada pengalaman Amazon.com "di bawah permukaan" dengan mendukung rekomendasi produk dan kesepakatan berdasarkan preferensi pengguna. Tetapi menyegmentasikan pengguna dan menunjukkan kepada mereka produk yang relevan hanyalah langkah pertama: banyak pengecer menggunakan pembelajaran mesin untuk menyesuaikan pencitraan merek, salinan, dan harga promosi dengan cepat untuk memaksimalkan kemungkinan penjualan untuk pelanggan tertentu.

Di sisi perusahaan, Salesforce baru-baru ini meluncurkan Einstein, sebuah produk yang memeriksa data CRM untuk memberikan rekomendasi yang disesuaikan guna meningkatkan kemungkinan prospek tertentu akan berkonversi dari promosi penjualan, hingga menyarankan waktu yang tepat untuk mengirim email.

2. Dukungan Pelanggan

Tentu saja, mendapatkan pelanggan hanyalah langkah pertama. Baik untuk e-niaga atau perusahaan, mempertahankan pengguna dan membatasi churn memerlukan penyediaan dukungan pelanggan yang tepat waktu dan efektif.

Puluhan merek kini memanfaatkan pembelajaran mesin untuk meningkatkan pengalaman dukungan pelanggan. Misalnya, supermarket Brasil Ocado menggunakan API pembelajaran mesin Google untuk membangun sistem kustom yang mengukur sentimen pertanyaan dukungan pelanggan dan memindahkan respons negatif ke bagian atas isyarat dukungan. Hasilnya adalah Ocado merespons pesan penting empat kali lebih cepat, menciptakan peluang berharga untuk memenangkan kembali pelanggan yang berisiko tinggi menjadi pencela.

Baru-baru ini, "bot" percakapan sekarang melakukan triase permintaan dukungan tanpa bantuan dari operator manusia—menggunakan bahasa alami yang ditenagai mesin untuk memberikan respons pertama yang dapat memenuhi permintaan rutin seperti mengeluarkan label pengembalian. Selain mengurangi biaya dukungan hingga 30%, chatbots dapat meningkatkan kepuasan pelanggan dengan merespons lebih cepat, dan cakupan kemampuannya akan berkembang seiring dengan peningkatan keterampilan pemahaman mereka. Dengan 44% konsumen AS yang lebih memilih untuk berinteraksi dengan chatbot daripada manusia, perusahaan yang menghadapi konsumen yang berinvestasi dalam pembelajaran mesin akan memiliki keuntungan luar biasa.

3. Peramalan

Di back office, berbagai organisasi mulai menggunakan pembelajaran mesin untuk membangun model peramalan yang lebih kuat, terperinci, dan akurat.

Pada tahun 2016, Walmart mengadakan kompetisi di platform perekrutan ilmu data Kaggle, meminta pelamar untuk menggunakan data historis dari 45 toko untuk membangun model yang memperkirakan penjualan menurut departemen untuk setiap toko. Raksasa asuransi AIG telah mengumpulkan tim ilmu data 125 orang untuk membangun model pembelajaran mesin, dengan tujuan meningkatkan kemampuan perusahaan untuk mengantisipasi klaim dan memprediksi hasil.

Bahkan konglomerat kacamata global Luxottica menerapkan pembelajaran mesin untuk memperkirakan permintaan: ia menambahkan 2000 gaya baru ke koleksinya setiap tahun, dan menggunakan pembelajaran mesin dan data dari peluncuran sebelumnya untuk memprediksi kinerja penjualan.

4. Deteksi Keamanan dan Penipuan

Pada tahun 2016, penipuan merugikan pengecer e-niaga rata-rata lebih dari 7% dari total pendapatan. Gaji untuk karyawan manajemen penipuan, tolak bayar, dan transaksi sah yang ditolak karena positif palsu semuanya berkontribusi pada pengeluaran ini.

Pembelajaran mesin mulai menunjukkan potensinya sebagai alat yang ampuh untuk secara cerdas memantau jutaan transaksi secara real-time, mengurangi pemborosan dari penipuan. PayPal adalah pemimpin di arena ini: mereka telah menggunakan alat sumber terbuka dan data transaksi mereka yang sangat banyak untuk membangun mesin kecerdasan buatan dari awal, dengan tujuan utama mengurangi jumlah alarm palsu yang dihasilkan oleh model penipuan lama mereka.

Manusia masih dalam lingkaran untuk melatih model dan memilah ambiguitas, tetapi hasil awalnya sangat mencengangkan: sejak menerapkan model baru mereka, PayPal telah memotong tingkat positif palsu hingga setengahnya. Untuk perusahaan yang mencari solusi sarung tangan putih, perusahaan rintisan seperti Sift Science dapat menggunakan data bisnis dan menerapkan sinyal penipuan dari seluruh jaringan pelanggan perusahaan mereka, memastikan bahwa teknik terbaru penipu ditangkap dengan cepat.

5. Manajemen Orang

Mempekerjakan, mengelola, dan mempertahankan orang-orang berkualitas tinggi adalah akar dari semua kompetensi bisnis. Salah satu bagian paling berat dari perekrutan adalah menyaring ratusan atau ribuan resume untuk menyusun daftar pendek untuk wawancara; lebih dari setengah perekrut mengatakan ini adalah bagian tersulit dari pekerjaan mereka. Masalah ini sedang ditangani oleh perusahaan rintisan seperti Restless Bandit, yang membuat sistem manajemen kandidat yang digunakan oleh perusahaan seperti Adidas dan Macy's untuk menyaring resume berdasarkan keputusan yang telah dibuat oleh manajer perekrutan di masa lalu.

Yang terpenting, algoritme ini dapat dilatih untuk mengabaikan bias manusia yang tidak disadari dan bahkan menandai bahasa yang bias dalam deskripsi pekerjaan—artinya pembelajaran mesin memiliki potensi untuk mengidentifikasi kandidat berkinerja tinggi dan beragam yang mungkin diabaikan oleh perekrut manusia pada tahap pertama. Di sisi retensi, pembelajaran mesin dapat meningkatkan bimbingan manajer hebat dan membantu karyawan berkinerja lebih baik dengan menghasilkan saran karir yang spesifik dan tidak bias, berdasarkan karyawan sebelumnya dengan profil serupa.

Dengan 44% konsumen AS yang lebih memilih untuk berinteraksi dengan chatbot daripada manusia, perusahaan yang menghadapi konsumen yang berinvestasi dalam pembelajaran mesin akan memiliki keuntungan luar biasa.

Dampak Pembelajaran Mesin Akan Tumbuh

Dalam artikel ini, kami telah meninjau beberapa cara paling signifikan agar pembelajaran mesin dapat menciptakan nilai langsung dan langsung untuk berbagai organisasi. Adalah suatu kesalahan untuk melihat pembelajaran mesin sebagai semacam obat mujarab perusahaan—pada akhirnya, kinerja sistem pembelajaran mesin hanya sebaik data yang dilatihnya, dan keputusan kunci perusahaan sering kali merupakan “kasus tepi” yang membutuhkan ukuran penilaian manusia dan pengalaman anekdot untuk menilai.

Alih-alih terpesona oleh potensi abstrak pembelajaran mesin, para eksekutif harus mendekati pertanyaan tentang investasi dalam teknologi ini dengan mempertimbangkan tantangan bisnis inti mereka dan mencocokkannya dengan kemampuan utama pembelajaran mesin: menggambar makna dan makna dari banyak data . Mengingat keragaman studi kasus di atas, kemungkinan bahwa teknik pembelajaran mesin dapat membantu mungkin lebih besar dari yang Anda harapkan.