Как ведущие компании используют машинное обучение

За последний год мания машинного обучения охватила деловой мир. По словам Артура Сэмюэля, ученого-компьютерщика, придумавшего этот термин полвека назад, машинное обучение определяется как область информатики, которая использует большие наборы данных и алгоритмы обучения, чтобы «дать компьютерам возможность учиться без явного программирования».

Многие руководители интуитивно чувствуют, что машинное обучение станет таким же важным изменением парадигмы, как Интернет и персональный компьютер. Недавний опрос, проведенный PwC, показал, что 30% бизнес-лидеров считают, что ИИ станет самым большим прорывом в их отрасли в ближайшие пять лет. Только в 2016 году более 5 миллиардов долларов венчурного финансирования было направлено на стартапы машинного обучения. Глобальный институт McKinsey отмечает, что машинное обучение «широко применимо ко многим обычным рабочим процессам», включая распознавание образов, создание и понимание естественного языка и оптимизацию процессов.

Почему машинное обучение имеет значение сейчас

Недавняя шумиха вызвана тремя ключевыми событиями, которые снизили входной барьер для организаций из разных секторов и стадий, которые хотят применять машинное обучение:

• Больше данных и более дешевое хранилище . Развитие облачных инструментов и резкое снижение стоимости хранения данных с помощью таких сервисов, как Amazon Redshift, означает, что критически важные для бизнеса приложения регулярно генерируют и хранят больше данных, чем когда-либо.
• Библиотеки с открытым исходным кодом. Широко доступные библиотеки машинного обучения, такие как TensorFlow и scikit-learn от Google, делают передовые алгоритмы более доступными для более широкой аудитории специалистов по обработке и анализу данных и инженеров-программистов широкого профиля.
• Большая мощность: разработка облачных платформ и специализированного оборудования, оптимизированного для машинного обучения, означает, что эти приложения могут работать быстрее и с меньшими затратами, что повышает их пригодность для различных бизнес-потребностей.

Резюме: есть убедительные доказательства того, что стоит инвестировать в машинное обучение. Но как организации действительно используют эту технологию? Каким образом сегодня используется машинное обучение, чтобы помочь компаниям создавать ценность, сокращать расходы и повышать рентабельность инвестиций?

В этой статье мы поделимся примерами из практики, иллюстрирующими, как компании любого размера используют машинное обучение для решения пяти ключевых бизнес-задач: привлечение пользователей, поддержка клиентов, прогнозирование, предотвращение мошенничества и управление персоналом.

1. Приобретение пользователей

В общих чертах воронка привлечения клиентов для типичного потребительского или корпоративного бизнеса состоит из трех этапов: сегментация вашей клиентской базы для понимания и удовлетворения их потребностей, привлечение их с помощью правильных сообщений в нужное время и превращение их в пользователей вашего продукта.

Машинное обучение широко используется как стартапами, так и крупными корпорациями на протяжении всей воронки привлечения пользователей. Ключевым примером здесь является Amazon — в своем письме акционерам от 2017 года генеральный директор Джефф Безос отметил, как машинное обучение способствует работе с Amazon.com «под поверхностью», предоставляя рекомендации по продуктам и сделкам на основе предпочтений пользователей. Но сегментировать пользователей и показывать им релевантные продукты — это только первый шаг: многие ритейлеры используют машинное обучение для корректировки брендинга, копирования и рекламных цен на лету, чтобы максимизировать вероятность продажи для любого конкретного клиента.

На корпоративном фронте Salesforce недавно запустила Einstein, продукт, который исследует данные CRM, чтобы предоставить индивидуальные рекомендации, чтобы повысить вероятность того, что конкретный потенциальный клиент сконвертируется после коммерческого предложения, вплоть до того, что предложит подходящее время для отправки электронной почты.

2. Поддержка клиентов

Конечно, привлечение клиентов — это только первый шаг. Будь то электронная коммерция или предприятие, для удержания пользователей и ограничения оттока клиентов требуется своевременная и эффективная поддержка клиентов.

Десятки брендов теперь используют машинное обучение для улучшения обслуживания клиентов. Например, бразильский супермаркет Ocado использовал API-интерфейсы машинного обучения Google для создания пользовательской системы, которая измеряет настроение запросов клиентов в службу поддержки и перемещает отрицательные ответы в верхнюю часть реплики поддержки. В результате Ocado отвечает на срочные сообщения в четыре раза быстрее, создавая ценную возможность вернуть клиентов, которые рискуют стать недоброжелателями.

Совсем недавно диалоговые «боты» теперь сортируют запросы в службу поддержки без помощи человека-оператора, используя машинный естественный язык для предоставления первого ответа, который может выполнять рутинные запросы, такие как выдача этикеток для возврата. Помимо снижения затрат на поддержку до 30%, чат-боты могут повысить удовлетворенность клиентов за счет более быстрого реагирования, а объем их возможностей будет расти по мере улучшения их навыков понимания. Поскольку ошеломляющие 44% потребителей в США предпочитают взаимодействовать с чат-ботами, а не с людьми, предприятия, ориентированные на потребителя, которые инвестируют в машинное обучение, получат огромное преимущество.

3. Прогнозирование

В бэк-офисе самые разные организации начинают использовать машинное обучение для создания более надежных, детализированных и точных моделей прогнозирования.

В 2016 году Walmart провела конкурс на платформе по подбору персонала Kaggle, в которой соискателям предлагалось использовать исторические данные из 45 магазинов для построения модели, прогнозирующей продажи по отделам для каждого магазина. Страховой гигант AIG собрал команду из 125 специалистов по обработке и анализу данных для создания моделей машинного обучения с целью улучшения способности компании предвидеть претензии и прогнозировать результаты.

Даже глобальный конгломерат очков Luxottica использует машинное обучение для прогнозирования спроса: он ежегодно добавляет в свою коллекцию 2000 новых стилей и использует машинное обучение и данные о прошлых запусках для прогнозирования эффективности продаж.

4. Безопасность и обнаружение мошенничества

В 2016 году мошенничество стоило среднестатистическому ритейлеру электронной коммерции более 7% от общей выручки. Заработная плата сотрудников по борьбе с мошенничеством, возвратные платежи и законные транзакции, которые были отклонены из-за ложных срабатываний, — все это способствует этим расходам.

Машинное обучение начинает раскрывать свой потенциал в качестве мощного инструмента для интеллектуального мониторинга миллионов транзакций в режиме реального времени, сокращая потери от мошенничества. PayPal является лидером в этой области: они использовали инструменты с открытым исходным кодом и свои обширные данные о транзакциях для создания механизма искусственного интеллекта с нуля с ключевой целью уменьшить количество ложных срабатываний, вызванных их старыми моделями мошенничества.

Люди все еще находятся в процессе обучения модели и устранения неясностей, но первоначальный результат был поразительным: с момента внедрения своей новой модели PayPal сократил количество ложных срабатываний вдвое. Для компаний, ищущих решение в белых перчатках, такие стартапы, как Sift Science, могут использовать бизнес-данные и применять сигналы мошенничества от всей своей сети корпоративных клиентов, гарантируя быстрое обнаружение новейших методов мошенничества.

5. Управление людьми

Найм, управление и удержание высококвалифицированных сотрудников — основа всех деловых компетенций. Одна из самых обременительных частей процесса найма — это фильтрация сотен или тысяч резюме для составления шорт-листа для интервью; более половины рекрутеров говорят, что это самая сложная часть их работы. Эта проблема решается такими стартапами, как Restless Bandit, который создает систему управления кандидатами, используемую такими компаниями, как Adidas и Macy's, для фильтрации резюме на основе решений, принятых менеджерами по найму в прошлом.

Важно отметить, что эти алгоритмы можно научить игнорировать бессознательные человеческие предубеждения и даже помечать предвзятые формулировки в описаниях вакансий, а это означает, что машинное обучение может выявлять высокоэффективных, разнообразных кандидатов, которые могут быть пропущены людьми-рекрутерами при первом проходе. Что касается удержания, машинное обучение может усилить наставничество лучших менеджеров и помочь сотрудникам работать лучше, генерируя конкретные и непредвзятые советы по карьере, основанные на прошлых сотрудниках с аналогичным профилем.

Поскольку ошеломляющие 44% потребителей в США предпочитают взаимодействовать с чат-ботами, а не с людьми, предприятия, ориентированные на потребителя, которые инвестируют в машинное обучение, получат огромное преимущество.

Влияние машинного обучения будет расти

В этой статье мы рассмотрели некоторые из наиболее важных способов, с помощью которых машинное обучение может создать непосредственную и немедленную ценность для различных организаций. Было бы ошибкой рассматривать машинное обучение как своего рода корпоративную панацею — в конечном счете, производительность системы машинного обучения зависит от данных, на которых она обучается, а ключевые решения предприятия часто являются «пограничными случаями», которые требуют меры человеческого суждения и неподтвержденного опыта для оценки.

Вместо того, чтобы ослепляться абстрактным потенциалом машинного обучения, руководители должны подходить к вопросу об инвестировании в эту технологию, оценивая свои основные бизнес-задачи и сопоставляя их с ключевой возможностью машинного обучения: извлекать смысл и смысл из тонны данных. . Учитывая разнообразие приведенных выше тематических исследований, шансы на то, что методы машинного обучения могут помочь, могут быть выше, чем вы ожидаете.