Что такое машинное обучение и чем оно полезно для бизнеса?
В последние пару лет очень активно обсуждается искусственный интеллект, эра машин. Достаточно забить этот запрос в поиске по новостям, и вы узнаете, что искусственный интеллект учится играть в шахматы и компьютерные игры, рисовать, распознавать лица, сочинять стихи и управлять автомобилем, даже обучает людей (например, языкам).
Любой предприниматель сразу задумается: “Как можно применить искусственный интеллект, технологический прогресс машин и методы анализа процессов в моем бизнесе?”, но сначала может показаться, что никак — громкие медийные кейсы в этой области обычно выглядят красиво, но бесполезно для конкретного предприятия.
Это не так: искусственный интеллект далеко не только про рисование, распознавание и сочинение стихов. Я хочу познакомить вас с его подразделом — машинным обучением.
Обращали внимание, как происходит диалог с опытным профессионалом, скажем, автомехаником? Вы спрашиваете у него: «Слушай, у меня что-то стучит в машине, что это может быть?» Механик задает вам несколько вопросов, наподобие «Стучит звонко или глухо? на холостых или при езде тоже стучит? а масло не ест? а дым синий из трубы не идет?», а потом выдает свой прогноз: «Скорее всего, клапана, надо отрегулировать».
Как в этом случае происходит “постановка диагноза”? Специалист получает от вас данные и каждая новая их порция накладывается на матрицу его опыта, придавая дополнительный вес тому или иному варианту окончательного решения. Когда входные данные закончились, в голове автомеханика обычно есть решение задачи с наибольшим весом, которое он и озвучивает как наиболее вероятное (но не абсолютно точное).
Готовые алгоритмы обычно не помогают, такие решения рождаются именно на основе опыта, то есть большого количества подобных задач, решенных в прошлом, что также относится к алгоритмам машинного обучения. Специалист ищет зависимости между входящими данными, причем чаще всего это нелинейная зависимость. Например, он понимает, что если двигатель стучит “на холодную”, то скорее всего надо регулировать клапана, но это также может быть дефект поршня.
Как работают методы машинного обучения
Методы машинного обучения делают то же самое — ищут скрытые зависимости между данными. Самый большой класс задач, которые решаются этими методами — это различные прогнозы.
Понятный пример — это прогноз пробок на дорогах. На уровень загруженности дорог влияет много факторов: расположение дороги, сезон, день недели, время суток, погода, количество ДТП на участке и проч. Все эти данные влияют на конечный результат, но человек не в силах вычислить это влияние, потому что данных огромное количество. А модель машинного обучения легко может это сделать и выдать прогноз пробок для конкретного участка дороги в конкретное время.
Примеры использования машинного обучения для бизнеса
Продающие системы для интернет-магазинов
Понятный пример из бизнеса — рекомендательные системы для интернет-магазинов. Задача понятна: на основе анализа поведения пользователя на сайте и его покупок предложить ему дополнительные товары, которые он с большой вероятностью купит.
Создается обучаемая программа, алгоритм, который анализирует огромный объем данных о покупках в различных интернет-магазинах и после обучения может выдавать достаточно точные прогнозы для новых покупателей (“вас также может заинтересовать вот это”). Практика показывает, что хорошая система рекомендаций может обеспечить рост выручки интернет-магазина до 50%.
Прогнозы поведения клиентов
Методы машинного обучения часто применяются для предсказания событий в клиентской базе. Одна крупная страховая компания, предоставляющая услуги ДМС, при помощи машинного обучения научилась предсказывать, кто из клиентов в ближайшее время обратится за дорогостоящей медицинской помощью.
Имея такой прогноз, компания заранее связывается с “высокорисковыми” клиентами и предпринимает профилактические меры: например, предлагает пройти клиенту диспансеризацию или организует консультацию с более квалифицированным врачом. Клиенты стали заранее получать квалифицированную помощь, не дожидаясь острой фазы болезни, а страховая компания снизила расходы по ДМС на сотни тысяч долларов в месяц!
Оптимизация процесса
Машинное обучение позволяет оптимально организовать поставки товаров в розничные сети. Один из сетевых ритейлеров не так давно реализовал самообучающуюся систему, которая полностью самостоятельно формирует заказ на поставку питьевой воды в магазины сети. Программа учитывает динамику продаж, прогноз погоды, сезон и другие факторы, позволяет избежать затоваривания или, наоборот, нехватки товара в торговой точке.
Сегментирование при работе с клиентами
С помощью обучаемых программ эффективно решаются задачи не только прогнозирования, но и сегментирования. Самый понятный пример — это поиск клиентов, похожих на какую-то группу. Сеть стоматологических клиник с несколькими десятками тысяч записей в клиентской базе реализовала такой кейс.
Они взяли клиентов, которые в последнее время заказывали услугу профессиональной гигиены, и на основе этих данных, применив методы машинного обучения, выделили из всей своей клиентской базы наиболее вероятных покупателей этой услуги. Такое умное сегментирование позволяет сократить расходы на холодный обзвон в несколько раз!
Выше я привел только ничтожную часть задач, которые решаются с помощью методов машинного обучения. Но все эти методы и курсы машинного обучения абсолютно бесполезны, если у вас нет данных. Именно данные (большие данные, big data представляют ключевую ценность и именно их называют “Нефтью XXI века”.
