Jak najlepsze firmy korzystają z uczenia maszynowego

W ciągu ostatniego roku świat biznesu ogarnęła mania uczenia maszynowego. Według Arthura Samuela, informatyka, który ukuł ten termin pół wieku temu, uczenie maszynowe jest definiowane jako poddziedzina informatyki, która wykorzystuje duże zbiory danych i algorytmy szkoleniowe, aby „dać komputerom zdolność uczenia się bez wyraźnego zaprogramowania”.

Wielu dyrektorów ma intuicyjne poczucie, że uczenie maszynowe okaże się równie ważną zmianą paradygmatu, jak Internet i komputer osobisty. Niedawne badanie przeprowadzone przez PwC wykazało, że 30% liderów biznesu uważa, że ​​sztuczna inteligencja będzie największym przełomem w ich branży w ciągu pięciu lat. Tylko w 2016 r. ponad 5 miliardów dolarów z funduszy venture przelano na start-upy związane z uczeniem maszynowym. McKinsey Global Institute zauważa, że ​​uczenie maszynowe ma „szerokie zastosowanie do wielu typowych czynności roboczych”, w tym rozpoznawania wzorców, generowania i rozumienia języka naturalnego oraz optymalizacji procesów.

Dlaczego uczenie maszynowe jest teraz ważne

Niedawny szum medialny jest napędzany przez trzy kluczowe wydarzenia, które zmniejszyły barierę wejścia dla organizacji z różnych sektorów i etapów, które chcą zastosować uczenie maszynowe:

• Więcej danych i tańsze przechowywanie: Rozwój narzędzi opartych na chmurze i gwałtownie spadające koszty przechowywania danych za pośrednictwem usług takich jak Amazon Redshift oznaczają, że więcej danych niż kiedykolwiek jest rutynowo generowanych i przechowywanych przez aplikacje o znaczeniu krytycznym dla firmy.
• Biblioteki typu open source: szeroko dostępne biblioteki uczenia maszynowego, takie jak TensorFlow firmy Google i scikit-learn, sprawiają, że najnowocześniejsze algorytmy są bardziej dostępne dla szerszego grona naukowców zajmujących się danymi i ogólnych inżynierów oprogramowania.
• Większa moc: rozwój platform opartych na chmurze i niestandardowego sprzętu zoptymalizowanego pod kątem uczenia maszynowego oznacza, że ​​aplikacje te mogą działać szybciej i taniej, zwiększając ich przydatność do różnych potrzeb biznesowych.

Podsumowując, istnieją przekonujące dowody na inwestowanie w uczenie maszynowe. Ale w jaki sposób organizacje naprawdę wykorzystują tę technologię? W jaki sposób uczenie maszynowe jest obecnie wdrażane, aby pomóc firmom tworzyć wartość, obniżać koszty i zwiększać zwrot z inwestycji?

W tym artykule dzielimy się studiami przypadków ilustrującymi, w jaki sposób firmy każdej wielkości wykorzystują uczenie maszynowe w celu rozwiązania pięciu kluczowych przypadków biznesowych: pozyskiwania użytkowników, obsługi klienta, prognozowania, zapobiegania oszustwom i zarządzania ludźmi.

1. Pozyskiwanie użytkownika

Mówiąc ogólnie, lejek pozyskiwania klientów dla typowej firmy konsumenckiej lub korporacyjnej składa się z trzech etapów: segmentacji bazy klientów w celu zrozumienia i zaspokojenia ich potrzeb, zaangażowania ich w odpowiedni komunikat we właściwym czasie oraz przekształcenia ich w użytkowników Twojego produktu.

Uczenie maszynowe jest szeroko stosowane zarówno przez start-upy, jak i duże korporacje w całym ścieżce pozyskiwania użytkowników. Kluczowym przykładem jest tutaj Amazon — w swoim liście do udziałowców z 2017 r. dyrektor generalny Jeff Bezos zwrócił uwagę na sposób, w jaki uczenie maszynowe przyczynia się do doświadczenia Amazon.com „pod powierzchnią”, wspierając rekomendacje produktów i transakcji w oparciu o preferencje użytkowników. Ale segmentacja użytkowników i pokazywanie im odpowiednich produktów to dopiero pierwszy krok: wielu sprzedawców korzysta z uczenia maszynowego, aby na bieżąco dostosowywać branding, ceny kopiowania i promocyjne, aby zmaksymalizować prawdopodobieństwo sprzedaży dla danego klienta.

Na froncie korporacyjnym Salesforce niedawno wprowadził Einstein, produkt, który analizuje dane CRM w celu dostarczania dostosowanych rekomendacji, aby zwiększyć prawdopodobieństwo, że dany potencjalny klient dokona konwersji z oferty sprzedaży, posuwając się nawet do zasugerowania odpowiedniego czasu na wysłanie wiadomości e-mail.

2. Obsługa klienta

Oczywiście pozyskiwanie klientów to dopiero pierwszy krok. Niezależnie od tego, czy chodzi o handel elektroniczny, czy przedsiębiorstwo, zatrzymanie użytkowników i ograniczenie churnu wymaga zapewnienia terminowej i skutecznej obsługi klienta.

Dziesiątki marek korzystają teraz z uczenia maszynowego, aby poprawić jakość obsługi klienta. Na przykład brazylijski supermarket Ocado wykorzystał interfejsy API uczenia maszynowego Google do zbudowania niestandardowego systemu, który mierzy nastroje zapytań obsługi klienta i przenosi negatywne odpowiedzi na pierwsze miejsce. W rezultacie Ocado odpowiada na pilne wiadomości cztery razy szybciej, co stwarza cenną okazję do odzyskania klientów o wysokim ryzyku zostania krytykami.

Niedawno konwersacyjne „boty” rozpatrują teraz żądania wsparcia bez pomocy operatora — używając języka naturalnego obsługiwanego przez maszyny, aby dostarczyć pierwszą odpowiedź, która może spełnić rutynowe żądania, takie jak wydawanie etykiet zwrotnych. Oprócz obniżenia kosztów wsparcia nawet o 30%, chatboty mogą zwiększyć satysfakcję klientów poprzez szybsze reagowanie, a zakres ich możliwości będzie rósł wraz z poprawą ich umiejętności rozumienia. Ponieważ aż 44% konsumentów w USA woli wchodzić w interakcje z chatbotami niż ludźmi, przedsiębiorstwa skierowane do konsumentów, które inwestują w uczenie maszynowe, będą miały ogromną przewagę.

3. Prognozowanie

Na zapleczu wiele organizacji zaczyna wykorzystywać uczenie maszynowe do tworzenia bardziej niezawodnych, szczegółowych i dokładnych modeli prognozowania.

W 2016 r. Walmart zorganizował konkurs na platformie rekrutacyjnej Kaggle, prosząc kandydatów o wykorzystanie danych historycznych z 45 sklepów do zbudowania modelu prognozującego sprzedaż według działów dla każdego sklepu. Gigant ubezpieczeniowy AIG zgromadził 125-osobowy zespół zajmujący się analizą danych, aby zbudować modele uczenia maszynowego w celu poprawy zdolności firmy do przewidywania roszczeń i przewidywania wyników.

Nawet globalny konglomerat okularów Luxottica wykorzystuje uczenie maszynowe do prognozowania popytu: co roku dodaje do swojej kolekcji 2000 nowych stylów i wykorzystuje uczenie maszynowe oraz dane z poprzednich premier do przewidywania wyników sprzedaży.

4. Bezpieczeństwo i wykrywanie oszustw

W 2016 r. oszustwa kosztowały przeciętnego sprzedawcę e-commerce ponad 7% całkowitych przychodów. Wynagrodzenia pracowników zarządzających oszustwami, obciążenia zwrotne i legalne transakcje, które są odrzucane z powodu fałszywych alarmów, przyczyniają się do tego kosztu.

Uczenie maszynowe zaczyna wykazywać swój potencjał jako potężne narzędzie do inteligentnego monitorowania milionów transakcji w czasie rzeczywistym, zmniejszając marnotrawstwo wynikające z oszustw. PayPal jest liderem w tej dziedzinie: wykorzystał narzędzia typu open source i ogromną skarbnicę danych transakcyjnych do zbudowania od podstaw silnika sztucznej inteligencji, którego głównym celem jest zmniejszenie liczby fałszywych alarmów generowanych przez starsze modele oszustw.

Ludzie wciąż są w pętli, aby wytrenować model i rozwiązać niejasności, ale początkowy wynik był zdumiewający: od czasu wdrożenia nowego modelu PayPal obniżył wskaźnik fałszywych trafień o połowę. W przypadku firm poszukujących rozwiązania typu white-glove, start-upy, takie jak Sift Science, mogą wykorzystywać dane firmy i stosować sygnały o oszustwach od całej sieci swoich klientów korporacyjnych, zapewniając szybkie wyłapanie najnowszych technik oszustów.

5. Zarządzanie ludźmi

Zatrudnianie, zarządzanie i zatrzymywanie wysokiej jakości ludzi jest podstawą wszystkich kompetencji biznesowych. Jedną z najbardziej uciążliwych części zatrudniania jest filtrowanie setek lub tysięcy życiorysów w celu stworzenia krótkiej listy do rozmów kwalifikacyjnych; ponad połowa rekruterów twierdzi, że jest to najtrudniejsza część ich pracy. Problem ten jest rozwiązywany przez startupy, takie jak Restless Bandit, które tworzą system zarządzania kandydatami używany przez firmy takie jak Adidas i Macy's do filtrowania życiorysów na podstawie decyzji podjętych w przeszłości przez menedżerów ds. rekrutacji.

Co najważniejsze, algorytmy te można wytrenować w taki sposób, aby ignorowały nieświadome ludzkie uprzedzenia, a nawet oznaczały tendencyjny język w opisach stanowisk – co oznacza, że ​​uczenie maszynowe ma potencjał do identyfikowania skutecznych, zróżnicowanych kandydatów, których rekruterzy mogą przeoczyć za pierwszym razem. Na froncie retencji uczenie maszynowe może wzmocnić mentoring świetnych menedżerów i pomóc pracownikom osiągać lepsze wyniki poprzez generowanie konkretnych i bezstronnych porad zawodowych, opartych na byłych pracownikach o podobnych profilach.

Ponieważ aż 44% konsumentów w USA woli wchodzić w interakcje z chatbotami niż ludźmi, przedsiębiorstwa skierowane do konsumentów, które inwestują w uczenie maszynowe, będą miały ogromną przewagę.

Wpływ uczenia maszynowego będzie rósł

W tym artykule omówiliśmy niektóre z najważniejszych sposobów, w jakie uczenie maszynowe może tworzyć bezpośrednią i natychmiastową wartość dla różnych organizacji. Błędem byłoby postrzeganie uczenia maszynowego jako pewnego rodzaju korporacyjnego panaceum — ostatecznie wydajność systemu uczenia maszynowego jest tylko tak dobra, jak dane, na których jest on szkolony, a kluczowe decyzje przedsiębiorstwa są często „przypadkami brzegowymi”, które wymagają oceny ludzkiej oceny i anegdotycznego doświadczenia.

Zamiast olśnić się abstrakcyjnym potencjałem uczenia maszynowego, dyrektorzy powinni podejść do kwestii inwestowania w tę technologię, podsumowując swoje podstawowe wyzwania biznesowe i porównując je z kluczową zdolnością uczenia maszynowego: wyciąganiem sensu i znaczenia z mnóstwa danych . Biorąc pod uwagę różnorodność powyższych studiów przypadków, szanse, że techniki uczenia maszynowego mogą pomóc, mogą być większe, niż się spodziewasz.