최고의 기업이 머신 러닝을 사용하는 방법

지난 1년 동안 기계 학습 열풍이 비즈니스 세계를 휩쓸었습니다. 반세기 전에 이 용어를 만든 컴퓨터 과학자인 Arthur Samuel에 따르면 기계 학습은 "명시적으로 프로그래밍하지 않고도 컴퓨터에 학습 능력을 부여"하기 위해 대규모 데이터 세트와 훈련 알고리즘을 사용하는 컴퓨터 과학의 하위 분야로 정의됩니다.

많은 경영진은 머신 러닝이 인터넷과 개인용 컴퓨터만큼 중요한 패러다임 전환이 될 것이라고 직관적으로 인식하고 있습니다. PwC가 최근 실시한 설문조사에 따르면 비즈니스 리더의 30%가 AI가 5년 이내에 업계에 가장 큰 혼란을 일으킬 것이라고 생각하는 것으로 나타났습니다. 2016년 한 해에만 50억 달러 이상의 벤처 자금이 머신 러닝 스타트업에 쏟아졌습니다. McKinsey Global Institute는 기계 학습이 패턴 인식, 자연어 생성 및 이해, 프로세스 최적화를 포함하여 "많은 일반적인 작업 활동에 광범위하게 적용 가능"하다고 말합니다.

머신 러닝이 중요한 이유

최근 과대 광고는 기계 학습을 적용하려는 부문 및 단계 전반에 걸쳐 조직의 진입 장벽을 낮춘 세 가지 주요 개발에 의해 주도됩니다.

• 더 많은 데이터와 더 저렴한 스토리지: 클라우드 기반 도구의 부상과 Amazon Redshift와 같은 서비스를 통한 데이터 저장 비용의 급락으로 인해 비즈니스 크리티컬 애플리케이션에서 일상적으로 더 많은 데이터를 생성하고 저장합니다.
• 오픈 소스 라이브러리: Google의 TensorFlow 및 scikit-learn과 같이 널리 사용되는 기계 학습 라이브러리를 통해 더 많은 데이터 과학자 및 일반 소프트웨어 엔지니어가 최첨단 알고리즘에 더 쉽게 액세스할 수 있습니다.
• 더 강력해진 성능: 머신 러닝에 최적화된 클라우드 기반 플랫폼 및 맞춤형 하드웨어의 개발은 이러한 애플리케이션이 더 빠르고 저렴한 비용으로 실행될 수 있음을 의미하여 다양한 비즈니스 요구에 대한 적합성을 높입니다.

요약하자면 머신 러닝에 투자해야 할 강력한 증거가 있습니다. 그러나 조직에서는 이 기술을 실제로 어떻게 사용합니까? 오늘날 머신 러닝은 기업이 가치를 창출하고 비용을 절감하며 ROI를 높이는 데 어떤 방식으로 배포되고 있습니까?

이 기사에서는 모든 규모의 회사가 사용자 획득, 고객 지원, 예측, 사기 방지 및 인력 관리라는 5가지 주요 비즈니스 사례를 해결하기 위해 기계 학습을 사용하는 방법을 보여주는 사례 연구를 공유합니다.

1. 사용자 확보

일반적으로 일반 소비자 또는 기업 비즈니스의 고객 확보 깔때기는 세 단계로 구성됩니다. 고객 기반을 세분화하여 요구 사항을 이해하고 해결하고, 적시에 적절한 메시지로 참여시키고, 제품 사용자로 전환합니다.

머신 러닝은 전체 사용자 확보 깔때기에서 신생 기업과 주요 기업에서 광범위하게 사용되었습니다. Amazon은 여기에서 핵심적인 예입니다. CEO Jeff Bezos는 2017년 주주에게 보낸 편지에서 기계 학습이 사용자 선호도에 따라 제품 및 거래 권장 사항을 강화함으로써 "표면 아래" Amazon.com 경험에 기여하는 방식에 대해 언급했습니다. 그러나 사용자를 분류하고 관련 제품을 표시하는 것은 첫 번째 단계일 뿐입니다. 많은 소매업체는 머신 러닝을 사용하여 주어진 고객에 대한 판매 가능성을 극대화하기 위해 즉석에서 브랜딩, 카피 및 판촉 가격을 조정합니다.

기업 측면에서 Salesforce는 최근 CRM 데이터를 조사하여 맞춤형 권장 사항을 제공하는 제품인 Einstein을 출시하여 특정 잠재 고객이 영업 프레젠테이션에서 전환할 가능성을 높이고 이메일을 보낼 적절한 시기를 제안합니다.

2. 고객 지원

물론 고객 확보는 첫 번째 단계일 뿐입니다. 전자 상거래든 기업이든 사용자를 유지하고 이탈을 제한하려면 시기 적절하고 효과적인 고객 지원을 제공해야 합니다.

수십 개의 브랜드가 이제 기계 학습을 사용하여 고객 지원 경험을 개선하고 있습니다. 예를 들어, 브라질의 슈퍼마켓 Ocado는 Google 머신 러닝 API를 사용하여 고객 지원 문의 감정을 측정하고 부정적인 응답을 지원 큐의 맨 위로 이동하는 맞춤형 시스템을 구축했습니다. 그 결과 Ocado는 긴급 메시지에 4배 더 빠르게 응답하여 비추천 고객이 될 위험이 높은 고객을 다시 확보할 수 있는 귀중한 기회를 제공합니다.

보다 최근에는 대화형 "봇"이 이제 인간 운영자의 도움 없이 지원 요청을 분류하고 있습니다. 기계 구동 자연어를 사용하여 반품 라벨 발행과 같은 일상적인 요청을 이행할 수 있는 첫 번째 응답을 제공합니다. 챗봇은 지원 비용을 최대 30% 줄이는 것 외에도 더 빠르게 응답하여 고객 만족도를 높일 수 있으며 이해력이 향상됨에 따라 기능의 범위가 확장됩니다. 미국 소비자의 무려 44%가 사람보다 챗봇과의 상호 작용을 선호하므로 기계 학습에 투자하는 소비자 대면 기업은 엄청난 이점을 갖게 될 것입니다.

3. 예측

백오피스에서 다양한 조직이 머신 러닝을 사용하여 보다 강력하고 세부적이며 정확한 예측 모델을 구축하기 시작했습니다.

2016년 Walmart는 데이터 과학 채용 플랫폼 Kaggle에서 경쟁을 실시하여 지원자에게 45개 매장의 과거 데이터를 사용하여 각 매장의 부서별 매출을 예측하는 모델을 구축하도록 요청했습니다. 보험 대기업 AIG는 125명으로 구성된 데이터 과학 팀을 구성하여 청구를 예측하고 결과를 예측하는 회사의 능력을 향상시키는 것을 목표로 머신 러닝 모델을 구축했습니다.

글로벌 안경 대기업인 Luxottica도 머신 러닝을 활용하여 수요를 예측합니다. 매년 2000개의 새로운 스타일이 컬렉션에 추가되고 머신 러닝과 과거 출시 데이터를 사용하여 판매 실적을 예측합니다.

4. 보안 및 사기 탐지

2016년에는 사기로 인해 평균 전자상거래 소매업체가 총 수익의 7% 이상을 차지했습니다. 사기 관리 직원의 급여, 지불 거절, 오탐으로 인해 거부된 합법적인 거래 모두가 이 비용에 기여합니다.

머신 러닝은 수백만 건의 거래를 실시간으로 지능적으로 모니터링하여 사기로 인한 낭비를 줄이는 강력한 도구로서의 잠재력을 발휘하기 시작했습니다. PayPal은 이 분야의 선두 주자입니다. 그들은 오픈 소스 도구와 방대한 거래 데이터를 사용하여 이전 사기 모델에서 생성되는 잘못된 경보 수를 줄이는 것을 핵심 목표로 처음부터 인공 지능 엔진을 구축했습니다.

인간은 여전히 ​​모델을 훈련하고 모호성을 분류하는 루프에 있지만 초기 결과는 놀랍습니다. 새 모델을 구현한 이후 PayPal은 오탐률을 절반으로 줄였습니다. 화이트 글러브 솔루션을 찾는 회사의 경우 Sift Science와 같은 신생 기업은 비즈니스 데이터를 사용하고 기업 고객의 전체 네트워크에서 사기 신호를 적용하여 사기꾼의 최신 기술을 신속하게 적발할 수 있습니다.

5. 인력 관리

우수한 인력을 고용, 관리 및 유지하는 것은 모든 비즈니스 역량의 근간입니다. 채용에서 가장 힘든 부분 중 하나는 수백 또는 수천 개의 이력서를 필터링하여 면접 후보자 명단을 작성하는 것입니다. 채용 담당자의 절반 이상이 이것이 업무에서 가장 어려운 부분이라고 말합니다. 이 문제는 Adidas 및 Macy's와 같은 회사에서 채용 관리자가 과거에 내린 결정을 기반으로 이력서를 필터링하는 데 사용하는 후보자 관리 시스템을 만드는 Restless Bandit과 같은 신생 기업에서 해결하고 있습니다.

결정적으로, 이러한 알고리즘은 무의식적인 인간의 편견을 무시하고 직업 설명에서 편향된 언어에 플래그를 지정하도록 훈련될 수 있습니다. 즉, 머신 러닝은 첫 번째 통과에서 인적 자원 채용 담당자가 간과할 수 있는 고성능의 다양한 후보자를 식별할 수 있는 잠재력을 가지고 있습니다. 유지 측면에서 머신 러닝은 유사한 프로필을 가진 과거 직원을 기반으로 구체적이고 편견 없는 경력 조언을 생성하여 훌륭한 관리자의 멘토링을 강화하고 직원의 성과를 높일 수 있습니다.

미국 소비자의 무려 44%가 사람보다 챗봇과의 상호 작용을 선호하므로 기계 학습에 투자하는 소비자 대면 기업은 엄청난 이점을 갖게 될 것입니다.

머신 러닝의 영향은 커질 것입니다

이 기사에서는 기계 학습이 다양한 조직에 직접적이고 즉각적인 가치를 창출할 수 있는 가장 중요한 몇 가지 방법을 검토했습니다. 기계 학습을 일종의 기업 만병 통치약으로 보는 것은 실수일 것입니다. 궁극적으로 기계 학습 시스템의 성능은 학습된 데이터에 따라 달라지며 기업의 주요 결정은 종종 "최첨단 사례"가 됩니다. 평가하려면 인간의 판단과 일화적인 경험의 척도가 필요합니다.

경영진은 머신 러닝의 추상적인 잠재력에 현혹되는 대신 핵심 비즈니스 과제를 검토하고 머신 러닝의 핵심 기능인 수많은 데이터에서 의미와 의미를 이끌어냄으로써 이 기술에 대한 투자 문제에 접근해야 합니다. . 위의 다양한 사례 연구를 고려할 때 기계 학습 기술이 도움이 될 가능성은 예상보다 클 수 있습니다.