頂級公司如何使用機器學習

在過去的一年裡，機器學習熱潮席捲了商界。 根據半個世紀前創造該術語的計算機科學家 Arthur Samuel 的說法，機器學習被定義為計算機科學的一個子領域，它使用大型數據集和訓練算法來“使計算機能夠在沒有明確編程的情況下進行學習”。

許多高管直覺地認為，機器學習將被證明是一種與互聯網和個人電腦一樣重要的範式轉變。 普華永道最近進行的一項調查表明，30% 的商業領袖認為人工智能將在五年內對其行業造成最大的破壞。 僅在 2016 年，就有超過 50 億美元的風險投資湧入機器學習初創公司。 麥肯錫全球研究所指出，機器學習“廣泛適用於許多常見的工作活動”，包括模式識別、生成和理解自然語言以及流程優化。

為什麼機器學習現在很重要

最近的炒作是由三個關鍵發展推動的，這些發展降低了跨部門和跨階段想要應用機器學習的組織的進入門檻：

• 更多數據和更便宜的存儲：基於雲的工具的興起以及通過 Amazon Redshift 等服務存儲數據的成本直線下降，意味著業務關鍵型應用程序通常會生成和存儲比以往更多的數據。
• 開源庫：谷歌的 TensorFlow 和 scikit-learn 等廣泛可用的機器學習庫使更廣泛的數據科學家和通才軟件工程師更容易使用尖端算法。
• 更大的馬力：基於雲的平台和針對機器學習優化的定制硬件的開發意味著這些應用程序可以以更低的成本運行得更快，從而提高它們對各種業務需求的適用性。

概括地說，有令人信服的證據可以投資於機器學習。 但組織如何真正使用這項技術？ 當今以何種方式部署機器學習來幫助公司創造價值、削減成本和提高投資回報率？

在本文中，我們分享案例研究，說明各種規模的公司如何利用機器學習來解決五個關鍵業務案例：用戶獲取、客戶支持、預測、欺詐預防和人員管理。

1.用戶獲取

概括地說，典型的消費者或企業業務的客戶獲取渠道分為三個階段：細分客戶群以了解和滿足他們的需求，在正確的時間通過正確的消息與他們互動，並將他們轉化為產品的用戶。

機器學習已在整個用戶獲取渠道中被初創公司和大公司廣泛使用。 亞馬遜就是一個重要的例子——在他 2017 年致股東的信中，首席執行官傑夫·貝佐斯談到了機器學習如何通過基於用戶偏好的產品和交易推薦來“在表面之下”為 Amazon.com 的體驗做出貢獻。 但細分用戶並向他們展示相關產品只是第一步：許多​​零售商使用機器學習來調整品牌、複製和促銷定價，以最大限度地提高任何特定客戶的銷售可能性。

在企業方面，Salesforce 最近推出了 Einstein，該產品檢查 CRM 數據以提供量身定制的建議，以增加特定潛在客戶從銷售宣傳中轉化的機會，甚至建議發送電子郵件的正確時間。

2. 客戶支持

當然，獲取客戶只是第一步。 無論是電子商務還是企業，留住用戶和限制流失都需要提供及時有效的客戶支持。

數十個品牌現在利用機器學習來改善客戶支持體驗。 例如，巴西超市 Ocado 使用 Google 機器學習 API 構建了一個自定義系統，用於衡量客戶支持查詢的情緒並將負面響應移至支持提示的頂部。 結果是，Ocado 對緊急消息的響應速度提高了四倍，從而創造了一個寶貴的機會來贏回可能成為批評者的高風險客戶。

最近，對話式“機器人”在沒有人工操作員幫助的情況下對支持請求進行分類——使用機器驅動的自然語言來提供可以滿足常規請求的第一響應，例如發布返回標籤。 除了將支持成本降低多達 30% 之外，聊天機器人還可以通過更快地響應來提高客戶滿意度，並且隨著理解能力的提高，它們的能力範圍也會擴大。 驚人的 44% 的美國消費者更喜歡與聊天機器人而不是人類互動，因此投資於機器學習的面向消費者的企業將擁有巨大的優勢。

3. 預測

在後台，各種各樣的組織開始使用機器學習來構建更強大、更精細和更準確的預測模型。

2016 年，沃爾瑪在數據科學招聘平台 Kaggle 上舉辦了一場競賽，要求應聘者使用 45 家商店的歷史數據建立一個模型，預測每家商店的部門銷售額。 保險巨頭 AIG 組建了一個 125 人的數據科學團隊來構建機器學習模型，目標是提高公司預測索賠和預測結果的能力。

即使是全球眼鏡集團 Luxottica 也將機器學習用於預測需求：它每年都會在其係列中增加 2000 種新款式，並使用機器學習和過去發布的數據來預測銷售業績。

4. 安全和欺詐檢測

2016 年，欺詐行為使電子商務零售商平均損失了總收入的 7% 以上。 欺詐管理員工的工資、拒付和因誤報而被拒絕的合法交易都會導致這筆費用。

機器學習開始發揮其作為一種強大工具的潛力，可以實時智能地監控數百萬筆交易，減少欺詐造成的浪費。 PayPal 是該領域的領導者：他們使用開源工具和大量交易數據從頭開始構建人工智能引擎，其主要目標是減少舊欺詐模型產生的誤報數量。

人類仍在循環訓練模型和排除歧義，但最初的結果令人震驚：自從實施他們的新模型以來，PayPal 已將其誤報率降低了一半。 對於尋求白手套解決方案的公司，像 Sift Science 這樣的初創公司可以使用企業的數據並應用來自其整個企業客戶網絡的欺詐信號，確保迅速抓住最新的欺詐技術。

5. 人員管理

聘用、管理和留住高素質人才是所有業務能力的根源。 招聘中最繁重的部分之一是篩選成百上千份簡歷，以組成面試候選名單； 超過一半的招聘人員表示這是他們工作中最困難的部分。 像 Restless Bandit 這樣的初創公司正在解決這個問題，該公司開發了一個候選人管理系統，供阿迪達斯和梅西百貨等公司使用，以根據招聘經理過去做出的決定過濾簡歷。

至關重要的是，這些算法可以被訓練以忽略無意識的人類偏見，甚至在職位描述中標記有偏見的語​​言——這意味著機器學習有可能識別出可能在第一遍就被人類招聘人員忽視的高性能、多樣化的候選人。 在留任方面，機器學習可以增強對優秀經理的指導，並通過根據過去具有相似概況的員工生成具體且公正的職業建議來幫助員工表現更好。

驚人的 44% 的美國消費者更喜歡與聊天機器人而不是人類互動，因此投資於機器學習的面向消費者的企業將擁有巨大的優勢。

機器學習的影響將增長

在本文中，我們回顧了機器學習可以為各種組織創造直接和即時價值的一些最重要的方式。 將機器學習視為某種企業靈丹妙藥是錯誤的——歸根結底，機器學習系統的性能僅與訓練它的數據一樣好，而企業的關鍵決策通常是“邊緣案例”需要對人類判斷和軼事經驗進行評估。

高管們不應被機器學習的抽象潛力所迷惑，而應該通過評估其核心業務挑戰並將其與機器學習的關鍵能力相匹配來解決投資該技術的問題：從大量數據中汲取意義和意義. 鑑於上述案例研究的多樣性，機器學習技術可以提供幫助的可能性可能比您預期的要大。