顶级公司如何使用机器学习

在过去的一年里，机器学习热潮席卷了商界。 根据半个世纪前创造该术语的计算机科学家 Arthur Samuel 的说法，机器学习被定义为计算机科学的一个子领域，它使用大型数据集和训练算法来“使计算机能够在没有明确编程的情况下进行学习”。

许多高管直觉地认为，机器学习将被证明是一种与互联网和个人电脑一样重要的范式转变。 普华永道最近进行的一项调查表明，30% 的商业领袖认为人工智能将在五年内对其行业造成最大的破坏。 仅在 2016 年，就有超过 50 亿美元的风险投资涌入机器学习初创公司。 麦肯锡全球研究所指出，机器学习“广泛适用于许多常见的工作活动”，包括模式识别、生成和理解自然语言以及流程优化。

为什么机器学习现在很重要

最近的炒作是由三个关键发展推动的，这些发展降低了跨部门和跨阶段想要应用机器学习的组织的进入门槛：

• 更多数据和更便宜的存储：基于云的工具的兴起以及通过 Amazon Redshift 等服务存储数据的成本直线下降，意味着业务关键型应用程序通常会生成和存储比以往更多的数据。
• 开源库：谷歌的 TensorFlow 和 scikit-learn 等广泛可用的机器学习库使更广泛的数据科学家和通才软件工程师更容易使用尖端算法。
• 更大的马力：基于云的平台和针对机器学习优化的定制硬件的开发意味着这些应用程序可以以更低的成本运行得更快，从而提高它们对各种业务需求的适用性。

概括地说，有令人信服的证据可以投资于机器学习。 但组织如何真正使用这项技术？ 当今以何种方式部署机器学习来帮助公司创造价值、削减成本和提高投资回报率？

在本文中，我们分享案例研究，说明各种规模的公司如何利用机器学习来解决五个关键业务案例：用户获取、客户支持、预测、欺诈预防和人员管理。

1.用户获取

概括地说，典型的消费者或企业业务的客户获取渠道分为三个阶段：细分客户群以了解和满足他们的需求，在正确的时间通过正确的消息与他们互动，并将他们转化为产品的用户。

机器学习已在整个用户获取渠道中被初创公司和大公司广泛使用。 亚马逊就是一个重要的例子——在他 2017 年致股东的信中，首席执行官杰夫·贝佐斯谈到了机器学习如何通过基于用户偏好的产品和交易推荐来“在表面之下”为 Amazon.com 的体验做出贡献。 但细分用户并向他们展示相关产品只是第一步：许多零售商使用机器学习来调整品牌、复制和促销定价，以最大限度地提高任何特定客户的销售可能性。

在企业方面，Salesforce 最近推出了 Einstein，该产品检查 CRM 数据以提供量身定制的建议，以增加特定潜在客户从销售宣传中转化的机会，甚至建议发送电子邮件的正确时间。

2. 客户支持

当然，获取客户只是第一步。 无论是电子商务还是企业，留住用户和限制流失都需要提供及时有效的客户支持。

数十个品牌现在利用机器学习来改善客户支持体验。 例如，巴西超市 Ocado 使用 Google 机器学习 API 构建了一个自定义系统，用于衡量客户支持查询的情绪并将负面响应移至支持提示的顶部。 结果是，Ocado 对紧急消息的响应速度提高了四倍，从而创造了一个宝贵的机会来赢回可能成为批评者的高风险客户。

最近，对话式“机器人”在没有人工操作员帮助的情况下对支持请求进行分类——使用机器驱动的自然语言来提供可以满足常规请求的第一响应，例如发布返回标签。 除了将支持成本降低多达 30% 之外，聊天机器人还可以通过更快地响应来提高客户满意度，并且随着理解能力的提高，它们的能力范围也会扩大。 惊人的 44% 的美国消费者更喜欢与聊天机器人而不是人类互动，因此投资于机器学习的面向消费者的企业将拥有巨大的优势。

3. 预测

在后台，各种各样的组织开始使用机器学习来构建更强大、更精细和更准确的预测模型。

2016 年，沃尔玛在数据科学招聘平台 Kaggle 上举办了一场竞赛，要求应聘者使用 45 家商店的历史数据建立一个模型，预测每家商店的部门销售额。 保险巨头 AIG 组建了一个 125 人的数据科学团队来构建机器学习模型，目标是提高公司预测索赔和预测结果的能力。

即使是全球眼镜集团 Luxottica 也将机器学习用于预测需求：它每年都会在其系列中增加 2000 种新款式，并使用机器学习和过去发布的数据来预测销售业绩。

4. 安全和欺诈检测

2016 年，欺诈行为使电子商务零售商平均损失了总收入的 7% 以上。 欺诈管理员工的工资、拒付和因误报而被拒绝的合法交易都会导致这笔费用。

机器学习开始发挥其作为一种强大工具的潜力，可以实时智能地监控数百万笔交易，减少欺诈造成的浪费。 PayPal 是该领域的领导者：他们使用开源工具和大量交易数据从头开始构建人工智能引擎，其主要目标是减少旧欺诈模型产生的误报数量。

人类仍在循环训练模型和排除歧义，但最初的结果令人震惊：自从实施他们的新模型以来，PayPal 已将其误报率降低了一半。 对于寻求白手套解决方案的公司，像 Sift Science 这样的初创公司可以使用企业的数据并应用来自其整个企业客户网络的欺诈信号，确保迅速抓住最新的欺诈技术。

5. 人员管理

聘用、管理和留住高素质人才是所有业务能力的根源。 招聘中最繁重的部分之一是筛选成百上千份简历，以组成面试候选名单； 超过一半的招聘人员表示这是他们工作中最困难的部分。 像 Restless Bandit 这样的初创公司正在解决这个问题，该公司开发了一个候选人管理系统，供阿迪达斯和梅西百货等公司使用，以根据招聘经理过去做出的决定过滤简历。

至关重要的是，这些算法可以被训练以忽略无意识的人类偏见，甚至在职位描述中标记有偏见的语言——这意味着机器学习有可能识别出可能在第一遍就被人类招聘人员忽视的高性能、多样化的候选人。 在留任方面，机器学习可以增强对优秀经理的指导，并通过根据过去具有相似概况的员工生成具体且公正的职业建议来帮助员工表现更好。

惊人的 44% 的美国消费者更喜欢与聊天机器人而不是人类互动，因此投资于机器学习的面向消费者的企业将拥有巨大的优势。

机器学习的影响将增长

在本文中，我们回顾了机器学习可以为各种组织创造直接和即时价值的一些最重要的方式。 将机器学习视为某种企业灵丹妙药是错误的——归根结底，机器学习系统的性能仅与训练它的数据一样好，而企业的关键决策通常是“边缘案例”需要对人类判断和轶事经验进行评估。

高管们不应被机器学习的抽象潜力所迷惑，而应通过评估其核心业务挑战并将其与机器学习的关键能力相匹配来解决投资该技术的问题：从大量数据中汲取意义和意义. 鉴于上述案例研究的多样性，机器学习技术可以提供帮助的可能性可能比您预期的要大。