วิธีที่บริษัทชั้นนำใช้แมชชีนเลิร์นนิง

ภายในปีที่ผ่านมา ความคลั่งไคล้แมชชีนเลิร์นนิงได้กวาดล้างโลกธุรกิจ อาร์เธอร์ ซามูเอล นักวิทยาศาสตร์คอมพิวเตอร์ผู้คิดค้นคำศัพท์นี้เมื่อครึ่งศตวรรษก่อน แมชชีนเลิร์นนิงถูกกำหนดให้เป็นสาขาย่อยของวิทยาการคอมพิวเตอร์ที่ใช้ชุดข้อมูลขนาดใหญ่และอัลกอริธึมการฝึกอบรมเพื่อ "ให้คอมพิวเตอร์มีความสามารถในการเรียนรู้โดยไม่ต้องตั้งโปรแกรมไว้อย่างชัดเจน"

ผู้บริหารหลายคนมีความรู้สึกโดยสัญชาตญาณว่าแมชชีนเลิร์นนิงจะพิสูจน์การเปลี่ยนแปลงกระบวนทัศน์ที่สำคัญพอๆ กับอินเทอร์เน็ตและคอมพิวเตอร์ส่วนบุคคล การสำรวจล่าสุดที่จัดทำโดย PwC ระบุว่า 30% ของผู้นำธุรกิจเชื่อว่า AI จะเป็นการหยุดชะงักครั้งใหญ่ที่สุดในอุตสาหกรรมของพวกเขาภายในห้าปี ในปี 2559 เพียงปีเดียว เงินทุนจากการลงทุนมากกว่า 5 พันล้านดอลลาร์ได้หลั่งไหลเข้าสู่การเริ่มต้นแมชชีนเลิร์นนิง McKinsey Global Institute ตั้งข้อสังเกตว่าแมชชีนเลิร์นนิงมี “การนำไปใช้ในวงกว้างกับกิจกรรมการทำงานทั่วไปหลายอย่าง” รวมถึงการจดจำรูปแบบ การสร้างและการทำความเข้าใจภาษาธรรมชาติ และการเพิ่มประสิทธิภาพกระบวนการ

เหตุใดแมชชีนเลิร์นนิงจึงมีความสำคัญในตอนนี้

โฆษณาล่าสุดขับเคลื่อนโดยการพัฒนาหลักสามประการ ซึ่งลดอุปสรรคในการเข้าสู่องค์กรทั่วทั้งภาคส่วนและขั้นตอนที่ต้องการใช้การเรียนรู้ของเครื่อง:

• ข้อมูลมากขึ้นและพื้นที่จัดเก็บที่ถูกกว่า: การเพิ่มขึ้นของเครื่องมือบนระบบคลาวด์และต้นทุนการจัดเก็บข้อมูลที่ลดลงผ่านบริการต่างๆ เช่น Amazon Redshift หมายความว่ามีการสร้างและจัดเก็บโดยแอปพลิเคชันที่มีความสำคัญต่อธุรกิจมากกว่าที่เคย
• ไลบรารีโอเพนซอร์ซ: ไลบรารี การเรียนรู้ของเครื่องที่มีให้บริการอย่างแพร่หลาย เช่น TensorFlow ของ Google และ scikit-learn ทำให้ผู้ชมกลุ่มนักวิทยาศาสตร์ข้อมูลและวิศวกรซอฟต์แวร์ทั่วไปเข้าถึงอัลกอริธึมล้ำสมัยได้มากขึ้น
• แรงม้าที่มากขึ้น: การพัฒนาแพลตฟอร์มบนคลาวด์และฮาร์ดแวร์แบบกำหนดเองที่ได้รับการปรับแต่งสำหรับการเรียนรู้ของเครื่อง หมายความว่าแอปพลิเคชันเหล่านี้สามารถทำงานได้เร็วขึ้นและมีค่าใช้จ่ายน้อยลง เพิ่มความเหมาะสมกับความต้องการทางธุรกิจที่หลากหลาย

ในนามธรรม มีหลักฐานที่น่าสนใจในการลงทุนในการเรียนรู้ของเครื่อง แต่องค์กรต่างๆ ใช้เทคโนโลยีนี้จริง ๆ อย่างไร? วันนี้แมชชีนเลิร์นนิงได้ปรับใช้อย่างไรเพื่อช่วยให้บริษัทต่างๆ สร้างมูลค่า ลดต้นทุน และขับเคลื่อน ROI

ในบทความนี้ เราจะแบ่งปันกรณีศึกษาที่แสดงให้เห็นว่าบริษัททุกขนาดใช้แมชชีนเลิร์นนิงเพื่อจัดการกับกรณีธุรกิจหลักห้ากรณี: การได้มาซึ่งผู้ใช้ การสนับสนุนลูกค้า การคาดการณ์ การป้องกันการฉ้อโกง และการจัดการบุคคล

1. การได้มาซึ่งผู้ใช้

ในภาพรวม ช่องทางการได้มาซึ่งลูกค้าสำหรับผู้บริโภคทั่วไปหรือธุรกิจระดับองค์กรมีสามขั้นตอน: การแบ่งกลุ่มฐานลูกค้าของคุณเพื่อทำความเข้าใจและตอบสนองความต้องการของพวกเขา มีส่วนร่วมกับพวกเขาด้วยข้อความที่เหมาะสมในเวลาที่เหมาะสม และแปลงเป็นผู้ใช้ผลิตภัณฑ์ของคุณ

แมชชีนเลิร์นนิงได้เห็นการใช้งานอย่างกว้างขวางโดยบริษัทสตาร์ทอัพและบริษัทใหญ่ๆ ทั่วทั้งช่องทางการได้มาซึ่งผู้ใช้ Amazon เป็นตัวอย่างที่สำคัญในจดหมายถึงผู้ถือหุ้นปี 2017 ของเขา Jeff Bezos CEO กล่าวถึงวิธีที่แมชชีนเลิร์นนิงเอื้อต่อประสบการณ์ของ Amazon.com “ใต้ผิวน้ำ” โดยการขับเคลื่อนผลิตภัณฑ์และคำแนะนำข้อตกลงตามความชอบของผู้ใช้ แต่การแบ่งกลุ่มผู้ใช้และการแสดงผลิตภัณฑ์ที่เกี่ยวข้องเป็นเพียงขั้นตอนแรก ผู้ค้าปลีกหลายรายใช้การเรียนรู้ของเครื่องเพื่อปรับการสร้างแบรนด์ การคัดลอก และราคาส่งเสริมการขายทันทีเพื่อเพิ่มโอกาสในการขายให้กับลูกค้าแต่ละราย

ในระดับองค์กร Salesforce เพิ่งเปิดตัว Einstein ซึ่งเป็นผลิตภัณฑ์ที่ตรวจสอบข้อมูล CRM เพื่อให้คำแนะนำที่ปรับให้เหมาะสมเพื่อเพิ่มโอกาสที่ผู้มีแนวโน้มจะเป็นลูกค้ารายใดรายหนึ่งจะเปลี่ยนจากการขาย ไปจนถึงแนะนำเวลาที่เหมาะสมในการส่งอีเมล

2. ฝ่ายบริการลูกค้า

แน่นอนว่าการหาลูกค้าเป็นเพียงก้าวแรกเท่านั้น ไม่ว่าจะเป็นอีคอมเมิร์ซหรือองค์กร การรักษาผู้ใช้และจำกัดการเลิกราต้องให้การสนับสนุนลูกค้าอย่างทันท่วงทีและมีประสิทธิภาพ

ปัจจุบันแบรนด์หลายสิบแบรนด์ใช้ประโยชน์จากแมชชีนเลิร์นนิงเพื่อปรับปรุงประสบการณ์การสนับสนุนลูกค้า ตัวอย่างเช่น Ocado ซูเปอร์มาร์เก็ตในบราซิลใช้ API การเรียนรู้ของเครื่อง Google เพื่อสร้างระบบที่กำหนดเองซึ่งวัดความรู้สึกของคำถามเกี่ยวกับการสนับสนุนลูกค้าและย้ายการตอบสนองเชิงลบไปที่ด้านบนสุดของคิวการสนับสนุน ผลที่ได้คือ Ocado ตอบสนองต่อข้อความเร่งด่วนเร็วขึ้นสี่เท่า สร้างโอกาสอันมีค่าที่จะดึงลูกค้ากลับมาที่มีความเสี่ยงสูงที่จะเป็นผู้ว่า

เมื่อเร็วๆ นี้ “บอท” เชิงสนทนากำลังพิจารณาคำขอรับการสนับสนุนโดยไม่ได้รับความช่วยเหลือจากเจ้าหน้าที่ปฏิบัติงาน—โดยใช้ภาษาธรรมชาติที่ขับเคลื่อนด้วยเครื่องจักรเพื่อส่งการตอบสนองแรกที่สามารถตอบสนองคำขอตามปกติ เช่น การออกฉลากส่งคืน นอกจากจะช่วยลดต้นทุนการสนับสนุนได้มากถึง 30% แล้ว แชทบอทยังช่วยเพิ่มความพึงพอใจของลูกค้าด้วยการตอบสนองที่รวดเร็วยิ่งขึ้น และขอบเขตความสามารถของพวกเขาจะเติบโตขึ้นเมื่อทักษะความเข้าใจของพวกเขาดีขึ้น ด้วยจำนวน 44% ของผู้บริโภคในสหรัฐฯ ที่ต้องการโต้ตอบกับแชทบ็อตมากกว่ามนุษย์ องค์กรที่ต้องเผชิญกับผู้บริโภคที่ลงทุนในการเรียนรู้ด้วยเครื่องจะมีข้อได้เปรียบมหาศาล

3. การพยากรณ์

ในสำนักงานส่วนหลัง องค์กรจำนวนมากเริ่มใช้แมชชีนเลิร์นนิงเพื่อสร้างแบบจำลองการคาดการณ์ที่มีประสิทธิภาพ ละเอียด และแม่นยำยิ่งขึ้น

ในปี 2559 Walmart ได้จัดการแข่งขันบนแพลตฟอร์มสรรหาวิทยาศาสตร์ข้อมูล Kaggle โดยขอให้ผู้สมัครใช้ข้อมูลในอดีตจากร้านค้า 45 แห่งเพื่อสร้างแบบจำลองที่คาดการณ์ยอดขายตามแผนกสำหรับแต่ละร้าน AIG บริษัทประกันภัยยักษ์ใหญ่ได้รวบรวมทีมวิทยาศาสตร์ข้อมูล 125 คน เพื่อสร้างแบบจำลองการเรียนรู้ของเครื่อง โดยมีเป้าหมายเพื่อปรับปรุงความสามารถของบริษัทในการคาดการณ์การเรียกร้องและคาดการณ์ผลลัพธ์

แม้แต่กลุ่มบริษัทแว่นตาระดับโลกอย่าง Luxottica ยังใช้แมชชีนเลิร์นนิงเพื่อคาดการณ์ความต้องการ โดยจะเพิ่มสไตล์ใหม่ๆ กว่า 2,000 สไตล์ในคอลเล็กชันทุกปี และใช้แมชชีนเลิร์นนิงและข้อมูลจากการเปิดตัวครั้งก่อนๆ เพื่อคาดการณ์ประสิทธิภาพการขาย

4. การตรวจจับความปลอดภัยและการฉ้อโกง

ในปี 2559 การฉ้อโกงทำให้ผู้ค้าปลีกอีคอมเมิร์ซเสียค่าใช้จ่ายมากกว่า 7% ของรายได้ทั้งหมด เงินเดือนสำหรับพนักงานจัดการการฉ้อโกง การปฏิเสธการชำระเงิน และธุรกรรมที่ถูกกฎหมายซึ่งถูกปฏิเสธเนื่องจากผลบวกที่ผิดพลาดล้วนมีส่วนทำให้เกิดค่าใช้จ่ายนี้

แมชชีนเลิร์นนิงเริ่มแสดงศักยภาพในฐานะเครื่องมืออันทรงพลังในการตรวจสอบธุรกรรมนับล้านรายการแบบเรียลไทม์อย่างชาญฉลาด ช่วยลดของเสียจากการฉ้อโกง PayPal เป็นผู้นำในด้านนี้: พวกเขาใช้เครื่องมือโอเพนซอร์ซและข้อมูลธุรกรรมมากมายเพื่อสร้างเครื่องมือปัญญาประดิษฐ์ตั้งแต่ต้น โดยมีเป้าหมายหลักในการลดจำนวนการเตือนที่ผิดพลาดที่เกิดจากรูปแบบการฉ้อโกงแบบเก่า

มนุษย์ยังคงอยู่ในวงจรในการฝึกโมเดลและแยกแยะความคลุมเครือ แต่ผลลัพธ์ในขั้นต้นนั้นน่าประหลาดใจ: นับตั้งแต่ใช้โมเดลใหม่ PayPal ได้ลดอัตราการบวกที่ผิดพลาดลงครึ่งหนึ่ง สำหรับบริษัทที่กำลังมองหาวิธีแก้ปัญหาแบบ white-glove สตาร์ทอัพอย่าง Sift Science สามารถใช้ข้อมูลของธุรกิจและใช้สัญญาณการฉ้อโกงจากเครือข่ายลูกค้าองค์กรทั้งหมด เพื่อให้แน่ใจว่าเทคนิคล่าสุดของผู้ฉ้อโกงจะถูกจับได้อย่างรวดเร็ว

5. การบริหารคน

การว่าจ้าง การจัดการ และรักษาบุคลากรคุณภาพสูงคือรากฐานของความสามารถทางธุรกิจทั้งหมด หนึ่งในส่วนที่ยากที่สุดของการจ้างงานคือการกรองประวัติย่อนับร้อยหรือหลายพันเพื่อรวบรวมรายชื่อผู้เข้าสัมภาษณ์ นายหน้ากว่าครึ่งกล่าวว่านี่เป็นส่วนที่ยากที่สุดในงานของพวกเขา ปัญหานี้กำลังได้รับการแก้ไขโดยบริษัทสตาร์ทอัพอย่าง Restless Bandit ซึ่งทำให้ระบบการจัดการผู้สมัครงานใช้โดยบริษัทต่างๆ เช่น Adidas และ Macy's เพื่อกรองประวัติย่อโดยพิจารณาจากการตัดสินใจของผู้จัดการการจ้างงานในอดีต

สิ่งสำคัญที่สุดคือ อัลกอริธึมเหล่านี้สามารถฝึกให้ละเว้นอคติของมนุษย์โดยไม่รู้ตัว หรือแม้แต่ระบุภาษาที่มีอคติในคำอธิบายงาน ซึ่งหมายความว่าแมชชีนเลิร์นนิงมีศักยภาพในการระบุผู้สมัครที่มีประสิทธิภาพสูงและหลากหลาย ซึ่งอาจมองข้ามโดยนายหน้าที่เป็นมนุษย์ในครั้งแรก ในด้านการรักษาลูกค้า แมชชีนเลิร์นนิงสามารถเพิ่มการให้คำปรึกษาของผู้จัดการที่ยอดเยี่ยม และช่วยให้พนักงานทำงานได้ดีขึ้นโดยสร้างคำแนะนำด้านอาชีพที่เฉพาะเจาะจงและเป็นกลาง โดยอิงจากอดีตพนักงานที่มีโปรไฟล์คล้ายกัน

ด้วยจำนวน 44% ของผู้บริโภคในสหรัฐฯ ที่ต้องการโต้ตอบกับแชทบ็อตมากกว่ามนุษย์ องค์กรที่ต้องเผชิญกับผู้บริโภคที่ลงทุนในการเรียนรู้ด้วยเครื่องจะมีข้อได้เปรียบมหาศาล

ผลกระทบของการเรียนรู้ของเครื่องจะเติบโตขึ้น

ในบทความนี้ เราได้ทบทวนวิธีการที่สำคัญที่สุดบางวิธีที่แมชชีนเลิร์นนิงสามารถสร้างมูลค่าโดยตรงและทันทีสำหรับองค์กรที่หลากหลาย อาจเป็นความผิดพลาดหากมองว่าแมชชีนเลิร์นนิงเป็นยาครอบจักรวาลสำหรับองค์กร—สุดท้ายแล้ว ประสิทธิภาพของระบบการเรียนรู้ของเครื่องจะดีพอๆ กับข้อมูลที่ได้รับการฝึกอบรมเท่านั้น และการตัดสินใจที่สำคัญขององค์กรมักเป็น "กรณีสุดขั้ว" ที่ ต้องใช้วิจารณญาณของมนุษย์และประสบการณ์ในการประเมิน

แทนที่จะตื่นตากับศักยภาพเชิงนามธรรมของแมชชีนเลิร์นนิง ผู้บริหารควรเข้าหาคำถามของการลงทุนในเทคโนโลยีนี้โดยรวบรวมความท้าทายทางธุรกิจหลักและจับคู่กับความสามารถหลักของการเรียนรู้ของเครื่อง: ดึงความรู้สึกและความหมายจากข้อมูลจำนวนมหาศาล . จากกรณีศึกษาที่หลากหลายข้างต้น โอกาสที่เทคนิคการเรียนรู้ด้วยเครื่องอาจช่วยได้อาจมากกว่าที่คุณคาดไว้