Viime vuoden aikana koneoppimismania on pyyhkäissyt liike-elämän. Puoli vuosisataa sitten termin keksineen tietojenkäsittelytieteen tutkijan Arthur Samuelin mukaan koneoppiminen on määritelty tietojenkäsittelytieteen osa-alueena, joka käyttää suuria tietojoukkoja ja koulutusalgoritmeja 'antamaan tietokoneille mahdollisuuden oppia ilman nimenomaista ohjelmointia'.
Monilla johtajilla on intuitiivinen käsitys siitä, että koneoppiminen osoittautuu yhtä tärkeäksi paradigman muutokseksi kuin Internet ja henkilökohtainen tietokone. Äskettäin kysely PwC: n tekemä tutkimus osoitti, että 30% yritysjohtajista uskoi tekoälyn olevan suurin häiriö teollisuudellaan viiden vuoden aikana. Pelkästään vuonna 2016 yli 5 miljardia dollaria riskirahoitusta tulvii koneoppimisen aloittelijoille. McKinsey Global Institute muistiinpanoja että koneoppimisella on 'laaja sovellettavuus moniin yleisiin työtoimintoihin', mukaan lukien mallintunnistus, luonnollisen kielen luominen ja ymmärtäminen sekä prosessin optimointi.
Viimeaikaista hypeä ohjaavat kolme keskeistä kehitystä, jotka ovat vähentäneet koneiden oppimista soveltavien organisaatioiden pääsyn esteitä koko sektorilta ja vaiheelta:
Abstraktisti on pakottavaa näyttöä investoinnista koneoppimiseen. Mutta miten organisaatiot todella käyttävät tätä tekniikkaa? Millä tavoin koneoppimista käytetään nykyään auttamaan yrityksiä luomaan arvoa, vähentämään kustannuksia ja parantamaan sijoitetun pääoman tuottoprosenttia?
Tässä artikkelissa jaamme tapaustutkimuksia, jotka kuvaavat kuinka kaikenkokoiset yritykset käyttävät koneoppimista käsittelemään viittä keskeistä liiketoimintatapausta: käyttäjien hankinta, asiakastuki, ennustaminen, petosten ehkäisy ja ihmisten hallinta.
Laajakuvana tyypillisen kuluttaja- tai yritysliiketoiminnan asiakashankintakanavassa on kolme vaihetta: asiakaskunnan segmentointi asiakkaiden tarpeiden ymmärtämiseksi ja vastaamiseksi, houkutteleminen oikeaan viestintään oikeaan aikaan ja muuntaminen tuotteen käyttäjiksi.
Koneoppiminen on nähnyt startup-yritysten ja suuryritysten laajan käytön koko käyttäjän hankintasuppilossa. Amazon on avainesimerkki tässä - toimitusjohtaja Jeff Bezos vuonna 2017 lähettämässään kirjeessä osakkeenomistajille huomautti tapoja, joilla koneoppiminen edistää Amazon.com-kokemusta 'pinnan alla' hyödyntämällä tuotetta ja tarjoamalla käyttäjien mieltymyksiin perustuvia suosituksia. Käyttäjien segmentointi ja vastaavien tuotteiden näyttäminen on kuitenkin vasta ensimmäinen askel: monet jälleenmyyjät käyttävät koneoppimista sopeuttaakseen tuotemerkin, kopioinnin ja myynninedistämisen hinnoittelua lennossa maksimoidakseen todennäköisyyden myyntiin tietylle asiakkaalle.
Yritysryhmässä Salesforce aloitti äskettäin Einstein , tuote, joka tutkii CRM-tietoja ja tarjoaa räätälöityjä suosituksia, jotka lisäävät mahdollisuutta, että tietty potentiaalinen asiakas muuttuu myyntipisteestä, ehdottaa oikeaa aikaa sähköpostin lähettämiseen.
Tietenkin asiakkaiden hankkiminen on vasta ensimmäinen askel. Olipa kyseessä verkkokauppa tai yritys, käyttäjien pitäminen ja vaihtelun rajoittaminen edellyttää oikea-aikaisen ja tehokkaan asiakastuen tarjoamista.
Kymmenet tuotemerkit hyödyntävät nyt koneoppimista asiakastukikokemuksen parantamiseksi. Esimerkiksi Brasilian supermarket Ocado käytetty Google-koneoppimisen sovellusliittymät rakentaakseen mukautetun järjestelmän, joka mittaa asiakastukipyyntöjen mieltymyksiä ja siirtää negatiiviset vastaukset tukimerkin yläosaan. Tuloksena on, että Ocado reagoi kiireellisiin viesteihin neljä kertaa nopeammin, mikä luo arvokkaan mahdollisuuden saada takaisin asiakkaita, joilla on suuri riski tulla vähättelijöiksi.
Viime aikoina keskustelevat 'botit' ovat nyt triagointi tukipyynnöt ilman ihmisoperaattorin apua - käyttämällä konekäyttöistä luonnollista kieltä ensimmäisen vastauksen toimittamiseksi, joka pystyy täyttämään rutiinipyynnöt, kuten palautustarrojen antaminen. sitä paitsi vähentämällä tukikustannukset jopa 30%, chatrobotit voivat lisätä asiakastyytyväisyyttä vastaamalla nopeammin, ja heidän valmiuksiensa laajuus kasvaa heidän ymmärtämisosaamisensa kasvaessa. Huikeat 44% yhdysvaltalaisista kuluttajista mieluummin vuorovaikutuksessa chat-robottien kanssa ihmisiin verrattuna, koneoppimiseen investoivilla kuluttajiin kohdistuvilla yrityksillä on valtava etu.
Taustatoimistossa monet organisaatiot alkavat käyttää koneoppimista vankempien, rakeisempien ja tarkempien ennustemallien rakentamiseen.
Vuonna 2016 Walmart juoksi a kilpailu datatieteen rekrytointialustalla Kaggle ja pyytää hakijoita käyttämään 45 myymälän historiallisia tietoja rakentamaan mallin, joka ennusti myynnin osastoittain jokaiselle myymälälle. Vakuutusjätti AIG: llä on koottu 125 hengen tietojenkäsittelytiimi rakentaa koneoppimismalleja tavoitteena parantaa yrityksen kykyä ennakoida väitteitä ja ennustaa tuloksia.
Jopa maailmanlaajuinen silmälasien ryhmittymä Luxottica laittaa koneoppiminen työskentelemään kysynnän ennustaminen: se lisää 2000 uutta tyyliä kokoelmaansa vuosittain ja käyttää koneoppimista ja aiempien lanseerausten tietoja ennustamaan myynnin suorituskykyä.
Vuonna 2016 petos kustannus keskimääräinen verkkokaupan vähittäiskauppias yli 7% kokonaistuloista. Petosjohtamisen työntekijöiden palkat, takaisinperinnät ja lailliset liiketoimet, jotka evätään väärien positiivisten syiden vuoksi, vaikuttavat tähän kustannukseen.
Koneoppiminen on alkanut hyödyntää potentiaaliaan tehokkaana työkaluna miljoonien tapahtumien älykkääseen seuraamiseen reaaliajassa, mikä vähentää petosten tuhlausta. PayPal on johtava asema tällä areenalla: he ovat käyttäneet avoimen lähdekoodin työkaluja ja laajaa transaktiotietoa rakentaa tekoälymoottori tyhjästä, jonka päätavoitteena on vähentää vanhempien petomallien tuottamien väärien hälytysten määrää.
Ihmiset ovat edelleen kehässä kouluttaakseen mallia ja selvittääkseen epäselvyyksiä, mutta alkuperäinen tulos on ollut hämmästyttävä: uuden mallinsa käyttöönoton jälkeen PayPal on puolittanut väärän positiivisen osuutensa. Yrityksille, jotka etsivät valkoista hansikkaan ratkaisua, startupit pitävät Siivilöi tiedettä voivat kuluttaa yrityksen tietoja ja käyttää petosignaaleja koko yritysasiakasverkostosta varmistaen, että petosten uusimmat tekniikat saadaan nopeasti kiinni.
Laadukkaiden työntekijöiden palkkaaminen, johtaminen ja palveluksessa pitäminen on kaiken liiketoimintaosaamisen perusta. Yksi työläimmistä osa-alueista on satojen tai tuhansien ansioluetteloiden suodattaminen haastattelujen luettelon kokoamiseksi. yli puolet rekrytoijista sanoa tämä on heidän työnsä vaikein osa. Startupit, kuten, käsittelevät tätä ongelmaa Levoton Bandit , joka tekee ehdokkaiden hallintajärjestelmän, jota Adidaksen ja Macy'sin kaltaiset yritykset käyttävät suodattaa ansioluettelot aiemmin palkkaavien johtajien tekemien päätösten perusteella.
Ratkaisevasti nämä algoritmit voivat olla koulutettu sivuuttaa tajuton ihmisten puolueellisuus ja jopa ilmoittaa puolueellinen kieli työnkuvissa - mikä tarkoittaa, että koneoppimisen avulla voidaan tunnistaa tehokkaat ja monipuoliset ehdokkaat, jotka ihmisten rekrytoijat saattavat unohtaa ensimmäisellä kierroksella. Koneoppiminen voi kasvattaa suurten johtajien mentorointia ja auttaa työntekijöitä toimimaan paremmin tuottaa erityinen ja puolueeton uraneuvonta, joka perustuu aikaisempiin työntekijöihin, joilla on samanlainen profiili.
Kun hämmästyttävä 44% yhdysvaltalaisista kuluttajista haluaa olla vuorovaikutuksessa chat-robottien kanssa ihmisiin nähden, koneoppimiseen investoivilla kuluttajiin kohdistuvilla yrityksillä on valtava etu.
Tässä artikkelissa olemme tarkastelleet joitain merkittävimpiä tapoja, joilla koneoppiminen voi luoda välitöntä ja välitöntä arvoa useille organisaatioille. Olisi virhe pitää koneoppimista jonkinlaisena yrityksen yleislääkkeenä - viime kädessä koneoppimisjärjestelmän suorituskyky on vain yhtä hyvä kuin tiedot, joille sitä koulutetaan, ja yrityksen keskeiset päätökset ovat usein ”reunatapauksia”, jotka vaativat jonkin verran inhimillistä tuomiota ja anekdotista kokemusta arvioidakseen.
Sen sijaan, että koneoppimisen abstraktista potentiaalista olisi hämmentynyt, johtajien tulisi lähestyä tähän tekniikkaan sijoittamista koskevaa kysymystä arvioimalla ydinliiketoiminnan haasteet ja sovittamalla ne koneoppimisen avainominaisuuksiin: hyödyntämällä järkeä ja merkitystä runsaasta datasta . Ottaen huomioon yllä olevien tapaustutkimusten monimuotoisuuden, todennäköisyys, että koneoppimistekniikat voivat auttaa, voi olla suurempi kuin odotat.
