# 1: Что может сделать машинное обучение для вашего бизнеса и как это понять

Это первая часть учебника из 6 частей, «Пошаговое руководство по PM для создания продуктов на основе машинного обучения». Перейдите по ссылке для обзора всей серии.

Инвестировать в ML - это все равно, что инвестировать в мобильную связь 10 лет назад - это может изменить ваш бизнес

Запрос существующих данных для понимания является хорошо известной, широко распространенной дисциплиной. ML, однако, является следующей границей в анализе данных. Это дисциплина, в которой компьютерные программы делают прогнозы или выводят идеи, основываясь на шаблонах, которые они идентифицируют в данных, и способны улучшить это понимание с опытом - без того, чтобы люди явно говорили им, как это сделать. Поскольку организации имеют доступ к большему количеству данных, машинное обучение позволяет им получать представление о данных в масштабе, на уровне детализации, который варьируется от взаимодействия одного пользователя до мировых тенденций и их влияния на планету. Использование этих идей также может варьироваться от индивидуальной настройки пользовательского интерфейса на уровне пикселей до создания новых продуктов и бизнес-возможностей, которых в настоящее время не существует. Обратите внимание, что с ML вы можете выйти далеко за рамки использования внутренних данных - мощь ML часто может быть увеличена путем объединения внутренних данных с внешними данными для получения новых идей, которые ранее были невозможны.

Фрэнк Чен из A16Z отлично знаком с потенциальными приложениями искусственного интеллекта, многие из которых требуют или будут требовать машинного обучения. Некоторые из этих приложений ориентированы на будущее и пока не достижимы с помощью существующих технологий, но дают прекрасное представление о возможностях.

Так же, как потребительские компании начали задумываться об инвестировании в мобильные устройства 8–10 лет назад, сейчас настало время для компаний начать исследовать ML как технологию, которая может способствовать достижению бизнес-результатов. Для компаний, которые сосредоточены на использовании существующих технологий ML, есть несколько ключевых тем для того, что ML позволяет вам делать. Они не являются исчерпывающими или взаимоисключающими, а скорее представляют разные точки зрения на потенциальное влияние на ваш бизнес:

  • Массовая настройка среды пользователя, опыта и ответов системы. Представьте, что все, что человек делает или видит, может быть настроено специально для него и даже предвидеть его потребности и поведение. Это включает в себя рекомендации по продуктам или услугам, ранжированные по уровню значимости для них; адаптированный пользовательский опыт или потоки, основанные на знаниях о пользователе, его поведении, других людях, подобных им, или внешних данных, включая прогнозирование того, что они хотели бы делать дальше и т. д. В меньшем масштабе это может привести к настройке опыта для сегментов пользователи, а не отдельные лица.
  • Способность визуально идентифицировать объекты и автоматизировать или адаптировать опыт соответственно. Технологии сегодня могут идентифицировать объекты на фотографиях и видео, в том числе и в режиме реального времени. Pinterest использует это, чтобы предложить похожие / дополнительные объекты к тем на фотографии, которую просматривает пользователь; Facebook использует технологию распознавания лиц, чтобы предлагать друзьям отмечать фотографии, Amazon создает автоматическую кассу, основанную на визуальной идентификации объектов и т. Д.
  • Автоматический поиск, генерация или обработка контента. ML позволяет оперативно обрабатывать огромное количество контента в мире. Обычно используются для поиска документов - например, поиск всех документов, которые имеют отношение к судебному делу (обратите внимание, что это выходит за рамки просто ключевых слов в контекстный поиск), классификация документов по темам и ключевым словам, автоматическая сводка содержания, извлечение соответствующей информации из большого количества контента - например, поиск конкретных условий в контрактах с поставщиками и т. д. «Контент» здесь применяется ко всем типам носителей, а не только к тексту.
  • Прогнозы, оценки и тенденции в масштабе. ML позволяет делать прогнозы, которые очень дороги или трудно сделать иначе. ML особенно полезен для прогнозов, которые в противном случае требуют высокого уровня знаний, таких как цена дома, или даже невозможны для человека, например, какой контент будет полезен в социальных сетях. Машины могут также определять тенденции в данных задолго до того, как они станут очевидными для людей.
  • Обнаружение необычной активности или сбоев системы. У каждой системы есть сбои и проблемы, но ML позволяет вам не только определить, возникают ли проблемы, но и являются ли эти проблемы необычными и тревожными. Это особенно полезно в различных системах мониторинга и безопасности.

Со стратегической точки зрения ML может обеспечить несколько видов бизнес-результатов:

  • Улучшенный опыт и функциональность для ваших клиентов. Наиболее распространенным вариантом использования является массовая настройка - более быстрый и эффективный поиск продуктов, которые, скорее всего, будут актуальны для ваших клиентов, например их лучшие совпадения на сайтах знакомств, песни, которые им могут понравиться на музыкальных сайтах, продукты, которые они могут быть заинтересованы в покупке и т. д. Другой вариант использования - использование прогнозов для получения информации о сущностях или ситуациях, которых у них не было бы иначе. Это может быть общим - например, Zillow's Zestimate ценит дом одинаково, независимо от того, кто на него смотрит или настроен для индивидуального клиента - например, рейтинг, который пользователь, скорее всего, даст фильму, который он не видел, учитывая его конкретные вкусы.
  • Внутренние функции, процессы и бизнес-логика. Машинное обучение может сэкономить ваше время и повысить эффективность инвестиций в ресурсы, когда речь идет о бизнес-процессах и решениях. Например: кредитная компания хотела бы расставить приоритеты для своих потенциальных соискателей. Нужно определить, кто хочет получить кредит достаточно, чтобы фактически взять его, если он будет предложен, но, тем не менее, сможет вернуть его. Приоритетность наиболее кредитоспособных клиентов не обязательно является ответом, поскольку эти клиенты обычно имеют много вариантов и имеют меньшую вероятность конвертации, поэтому требуется более сложная модель.
  • Расширение на новые вертикали и новые продукты. Данные могут помочь вам открыть совершенно новые возможности для бизнеса - создавать совершенно новые продукты для существующих клиентов или обслуживать сегменты или клиентов, которых вы ранее не обслуживали. Например: Netflix может обслуживать студии, которые не были основной целевой аудиторией, продавая им информацию из своих данных о том, какие темы и сюжетные линии работают для какой аудитории; Zillow может помочь застройщикам понять, какие конструктивные особенности обеспечат им максимальный возврат инвестиций и т. Д.

Решение о том, какую область решить в первую очередь, должно зависеть от потенциального воздействия на бизнес, а также от сложности проблемы и стоимости достижения этого воздействия.

«Надо что-то делать с нашими данными» - это стратегия, а не наука о данных, проблема

Многие компании стремятся нанять специалистов по данным, людей, которые создают модели ML, потому что «мы должны что-то делать с нашими данными». Я слышал, как многие руководители известных компаний говорили: «Мы видим, как наши конкуренты покупают данные, поэтому нам нужно делать это, чтобы оставаться конкурентоспособными», а затем нанять пару ученых-данных, надеясь, что они придумают какое-то волшебство. Это приводит меня к большому заблуждению о ML.

ML не волшебная палочка для вашего бизнеса. Первая проблема в ML заключается в том, чтобы выяснить, какое влияние бизнес оказывает на технологию. ML - это решение - вам нужно сначала определить проблему: каких бизнес-результатов вы надеетесь достичь с помощью ML? Какую пользу может принести ML своим клиентам? ML - это молоток, но если у вас нет гвоздя, молоток не особенно полезен. Чтобы еще больше растянуть клише, ML - это очень разнообразный набор молотков, и тип вашего гвоздя определит, какой молоток вы выберете и как вы будете его использовать. Точная проблема, которую вы пытаетесь решить, будет определять все: как будет использоваться результат, что должна предсказать ваша модель и как ее следует калибровать, какие данные вы собираете и обрабатываете, какие алгоритмы вы тестируете и многие другие вопросы.

По сути, «какую проблему мы решаем?» - это бизнес-вопрос, что означает, что его определение в конечном счете является обязанностью менеджеров по продуктам и бизнес-лидеров, а не ученых-данных. Специалисты по данным и другие заинтересованные стороны должны быть абсолютно вовлечены в определение понятия - просто не задавайте им вопрос и не ожидайте, что они вернутся с ответами. Если у вас есть данные, с которыми вы не знаете, что делать, проведите собеседования с клиентами и порекомендуйте их другим сотрудникам организации. Специалисты по данным могут помочь вам исследовать ваши данные, проиллюстрировать и повторить, но, если у них нет большого опыта в проблемном пространстве, им будет сложно самим разработать экономическое обоснование. Чтобы максимизировать значение ML для бизнеса, вам необходимо постоянное сотрудничество между менеджерами по продуктам и специалистами по данным, где менеджеры по продуктам должны гарантировать, что решаемые проблемы являются наиболее эффективными для бизнеса.

Распаковка Как ML может продвинуть ваш бизнес

Хотя возможности использования ML безграничны, есть некоторые вопросы, которые вы можете задать, чтобы выяснить, как технология может применяться в вашей организации. Вот некоторые примеры:

Внутренние процессы

  • Где люди в моей компании сегодня применяют знания для принятия решений, которые могут быть автоматизированы, чтобы их навыки могли быть лучше использованы в других местах?
  • Какие данные люди в моей компании обычно ищут, собирают или извлекают вручную из определенных хранилищ информации и как это можно автоматизировать?
  • Какой набор решений люди принимают в моей компании? Могут ли эти решения приниматься машиной, если она волшебным образом поглощает все данные, которые есть у моих людей?

Продукты и опыт для существующих клиентов

  • Какие части моих взаимодействий с клиентами настраиваются людьми и потенциально могут настраиваться машинами?
  • У меня есть четкая сегментация моих клиентов, основанная на их предпочтениях, поведении и потребностях? Мой продукт / опыт настроен для каждого сегмента?
  • Могу ли я настроить взаимодействие с каждым конкретным клиентом на основе того, что я знаю о них или их взаимодействия с моим сайтом / приложением / продуктом? Как я могу создать для них лучший, более быстрый или более приятный опыт?
  • В частности, какие решения и решения я хочу предложить своим клиентам сегодня? Могут ли эти решения быть автоматизированы на основе некоторых знаний, которые я уже имею или мог бы иметь?
  • Как я могу лучше определить хорошие или плохие впечатления клиентов? Могу ли я обнаружить проблемы, которые будут негативно влиять на восприятие или удовлетворение клиентов, прежде чем они произойдут или распространятся?

Новые вертикали или клиенты

  • Есть ли у меня какие-либо данные, которые могут быть полезны для других заинтересованных сторон в отрасли или в смежных отраслях? Какие решения могут помочь этим заинтересованным сторонам принять?

Все выше

  • Каковы показатели или тенденции, которые, если бы я мог правильно предсказать, оказали бы существенное влияние на мою способность обслуживать своих клиентов или иным образом конкурировать в отрасли, например? прогнозировать спрос на отдельные категории товаров, колебания затрат и т. д.?
  • Какие ключевые объекты, о которых я собираю данные (люди, компании, продукты и т. Д.)? Могу ли я объединить эти данные с любыми внешними данными (из общедоступных источников, партнеров и т. Д.) Таким образом, чтобы я узнал что-то новое или полезное об этих объектах? Полезно кому и как? Например: определить потенциальных клиентов, когда они находятся на грани поиска вашего продукта, понять, как внешние факторы влияют на спрос в вашей отрасли и реагировать соответствующим образом, и т. Д.

Обдумайте некоторые из этих вопросов (и другие) с вашей командой и ключевыми заинтересованными сторонами в организации. Если вы не уверены, с чего начать - начните где-нибудь. Просто эксперименты с некоторыми данными могут помочь вам и вашей команде выяснить, куда вы можете пойти оттуда.

Во второй части мы обсудим все технические термины ML, которые должны понять управляющие, как выбор технологии зависит от определения вашей проблемы, а также некоторые подводные камни моделирования, на которые стоит обратить внимание, которые повлияют на ваш бизнес.

Если вы нашли этот пост интересным, не могли бы вы нажать на зеленое сердце ниже, чтобы сообщить мне, или поделиться с кем-то еще, кто может найти его полезным? Это полностью сделало бы мой день!