# 1: Mitä koneoppiminen voi auttaa yritykseesi ja kuinka selvittää se

Tämä on osa 6-osaisesta opetusohjelmasta, vaihe vaiheelta PM-opas koneoppimiseen perustuvien tuotteiden rakentamiseen. Seuraa linkkiä saadaksesi yleiskuvan koko sarjasta.

Sijoittaminen ML: ään on kuin sijoittaminen mobiiliin 10 vuotta sitten - se voi muuttaa yritystäsi

Olemassa olevien tietojen kysely oivalluksille on tunnettu ja laajalti hyväksytty tiede. ML on kuitenkin seuraava analyysiraja. Se on kurinalaisuus, jossa tietokoneohjelmat tekevät ennusteita tai tekevät oivalluksia niiden tunnistamien tietojen perusteella ja pystyvät parantamaan näitä oivalluksia kokemuksella - ilman että ihmiset sanovat heille nimenomaisesti, miten se tehdään. Koska organisaatioilla on pääsy enemmän tietoja, koneoppimisen avulla ne voivat saada käsityksiä tiedoista mittakaavassa, yksityiskohtaisuustasolla, joka vaihtelee yhden käyttäjän vuorovaikutuksesta maailmanlaajuisiin suuntauksiin ja niiden vaikutuksiin planeetalla. Näiden oivalluksien käyttö voi myös vaihdella yksittäisen käyttäjän kokemuksen mukauttamisesta pikselitasolla uusien tuotteiden ja liiketoimintamahdollisuuksien luomiseen, joita ei tällä hetkellä ole. Huomaa, että ML: n avulla voit ylittää sisäisen datan käytön - ML: n tehoa voidaan usein parantaa solmimalla sisäinen ulkoisen datan kanssa uusien käsitysten aikaansaamiseksi, jotka eivät aiemmin olleet mahdollisia.

A16Z: n Frank Chenillä on erinomainen pohja tekoälyn mahdollisiin sovelluksiin, joista monet vaativat tai vaativat koneoppimista. Jotkut näistä sovelluksista ovat tulevaisuuden näköisiä eikä niitä ole vielä saavutettavissa nykyisellä tekniikalla, mutta antavat hyvän käsityksen mahdollisuuksista.

Aivan kuten kuluttajayritykset alkoivat ajatella matkaviestimeen sijoittamista 8–10 vuotta sitten, nyt on aika, että yritykset alkavat tutkia ML: tä teknologiana, joka voi auttaa saavuttamaan liiketoiminnan tuloksia. Yrityksille, jotka keskittyvät hyödyntämään olemassa olevia ML-tekniikoita, on olemassa useita keskeisiä teemoja, joita ML antaa sinun tehdä. Nämä eivät ole tyhjentäviä tai toisiaan poissulkevia, vaan edustavat pikemminkin erilaisia ​​ajattelutapoja mahdollisista vaikutuksista yritykseesi:

  • Käyttäjän ympäristön, kokemusten ja järjestelmävastausten massiivinen mukauttaminen. Kuvittele, että kaikki mitä ihminen tekee tai näkee, voitaisiin räätälöidä erityisesti heille ja jopa ennakoida heidän tarpeitaan ja käyttäytymistään. Se sisältää tuotteita tai palveluita koskevia suosituksia, jotka on luokiteltu niiden merkityksellisyyden mukaan; räätälöity käyttökokemus tai virrat, jotka perustuvat käyttäjän tietoon käyttäjän, käyttäjän käyttäytymisestä, muista heidän kaltaisistaan ​​ihmisistä tai ulkoisesta tiedosta, mukaan lukien ennustaminen, mitä he haluaisivat tehdä seuraavaksi jne. Pienemmässä mittakaavassa tämä voisi johtaa kokemuksen mukauttamiseen segmentteihin käyttäjiä eikä yksilöitä.
  • Kyky tunnistaa visuaalisesti esineitä ja automatisoida tai räätälöidä kokemuksia vastaavasti. Nykyään tekniikka voi tunnistaa valokuvissa ja videoissa olevat esineet, myös reaaliaikaisella kameralla. Pinterest käyttää tätä ehdottamaan samanlaisia ​​/ täydentäviä esineitä käyttäjän tarkastelemassa valokuvassa oleville kohteille; Facebook käyttää kasvotunnistustekniikkaa ystävien ehdottamiseen valokuvien merkitsemiseen, Amazon rakentaa automaattisen kaupan kassan, joka perustuu esineiden visuaaliseen tunnistamiseen jne.
  • Sisällön automaattinen haku, luominen tai käsittely. ML mahdollistaa valtavan määrän sisällön tarkoituksenmukaista käsittelyä maailmassa. Yleisiä käyttötapoja ovat asiakirjojen haku - esim. kaikkien oikeudenkäynnin kannalta merkityksellisten asiakirjojen löytäminen (huomaa, että tämä menee pelkästään avainsanojen perusteella asiayhteydelliseen hakuun), asiakirjojen luokittelu aiheittain ja avainsanoittain, automaattinen sisällön yhteenveto, asiaankuuluvan tiedon poimiminen suurista määristä sisältöä - esim. erityisten ehtojen löytäminen myyjäsopimuksista jne. ”Sisältö” koskee tässä kaikenlaista mediaa, ei vain tekstiä.
  • Ennusteet, arviot ja suuntaukset mittakaavassa. ML mahdollistaa ennusteet, jotka ovat erittäin kalliita tai vaikeita muuten tehdä. ML on erityisen hyödyllinen sellaisten ennusteiden tekemisessä, jotka muuten vaativat korkeatasoista asiantuntemusta, kuten kodin hinta, tai joita ihminen on jopa mahdotonta tehdä, esimerkiksi mikä sisältö menestyy hyvin sosiaalisessa mediassa. Koneet voivat myös tunnistaa tiedon kehityssuuntaukset hyvissä ajoin ennen kuin niistä tulee ilmeisiä ihmisille.
  • Epätavallisen toiminnan tai järjestelmävikojen havaitseminen. Jokaisessa järjestelmässä on vikoja ja ongelmia, mutta ML: n avulla voit paitsi havaita ongelmien esiintymisen myös myös, ovatko nämä ongelmat epätavallisia ja hälyttäviä. Tämä on erityisen hyödyllistä erilaisissa valvonta- ja turvajärjestelmissä.

Strategisesta näkökulmasta ML voi johtaa monen tyyppisiin liiketoiminnan tuloksiin:

  • Parempi kokemus ja toiminnallisuus asiakkaillesi. Yleisin käyttötapa on joukko räätälöinti - asiakkaiden kannalta todennäköisimmin tärkeimpien tuotteiden löytäminen nopeammin ja tehokkaammin, esim. heidän parhaat ottelut treffisivustoilla, kappaleet, joista he voivat pitää musiikkisivustoilla, tuotteet, joita he saattavat olla kiinnostuneita ostamisesta jne. Toinen käyttötapaus käyttää ennusteita saadakseen heille tietoa yksiköistä tai tilanteista, joita heillä ei olisi muuten. Tämä voi olla yleinen - esim. Zillow's Zestimate arvostaa taloa samalla tavalla riippumatta siitä, kuka sitä katselee, tai räätälöity yksittäiselle asiakkaalle - esim. arvosanan, jonka käyttäjä todennäköisesti antaa elokuvalle, jota he eivät ole nähneet erityisen maunsa perusteella.
  • Sisäiset toiminnot, prosessit ja liiketoimintalogiikka. Koneoppiminen voi säästää aikaa ja tehdä resurssiinvestointejasi tehokkaammiksi, kun kyse on liiketoimintaprosesseista ja päätöksistä. Esimerkiksi: luotonantajayritys haluaa priorisoida toimintaansa potentiaalisille lainanhakijoille. Sen on määritettävä, kuka haluaa lainan tarpeeksi, jotta se tosiasiallisesti ottaisi sen, jos sitä tarjotaan, mutta todennäköisesti pystyy edelleen maksamaan sen takaisin. Luottokelpoisimpien asiakkaiden priorisointi ei välttämättä ole vastaus, koska näillä asiakkailla on yleensä monia vaihtoehtoja ja he ovat vähemmän todennäköisiä muuntamaan, joten vaaditaan monimutkaisempaa mallia.
  • Laajennus uusiin vertikaaleihin ja uusiin tuotteisiin. Tiedot voivat auttaa sinua avaamaan täysin uusia liiketoimintamahdollisuuksia - luomaan aivan uusia tuotteita nykyisille asiakkaillesi tai palvelemaan segmenttejä tai asiakkaita, joita et ole aiemmin palvellut. Esimerkiksi: Netflix voi palvella studioita, jotka eivät olleet keskeisiä kohderyhmiä, myymällä heille tietonsa tietoistaan ​​siitä, mitkä temat ja juonen linjat toimivat minkä tahansa yleisön kohdalla; Zillow voi auttaa kiinteistökehittäjiä ymmärtämään, mitkä rakennusominaisuudet antavat heille korkeimman sijoitetun pääoman tuoton jne.

Sen päätöksen, johon ensin puututaan, tulisi riippua mahdollisista liiketoimintavaikutuksista, samoin kuin ongelman monimutkaisuudesta ja vaikutuksen saavuttamisen kustannuksista.

"Meidän on tehtävä jotain tietomme kanssa" on strategia, ei tietotiede, ongelma

Monet yritykset haluavat palkata tietotekijöitä, ihmisiä, jotka rakentavat ML-malleja, koska "meidän pitäisi tehdä jotain tietomme kanssa". Olen kuullut monien tunnettujen yritysten johtajien sanoneen "näemme kilpailijoidemme ostavan tietoja, joten meidän on tehtävä tämä kilpailukyvyn säilyttämiseksi", ja sitten vuokrata pari tietoteknikkoa toivoen, että he keksivät jotain taikuutta. Tämä tuo minut suureen väärinkäsitykseen ML: stä.

ML ei ole taikasauva yrityksellesi. ML: n ensimmäinen haaste on selvittää liiketoiminnan vaikutukset, joita tekniikka pyrkii ajamaan. ML on ratkaisu - sinun on ensin määriteltävä ongelma: Mitä yritystuloksia toivot saavuttavan ML: llä? Mitä hyötyä ML voi tarjota asiakkaillesi? ML on vasara - mutta jos sinulla ei ole naulaa, vasara ei ole erityisen hyödyllinen. Klišeen venyttämiseksi entisestään ML on erittäin monipuolinen vasarakokoelma, ja kynsi tyyppi määrää, minkä vasaran valitset ja kuinka käytät sitä. Tarkka ongelma, jonka yrität ratkaista, sanelee kaiken - miten tulosta käytetään, mitä mallisi pitäisi ennustaa ja miten se tulisi kalibroida, mitä tietoja keräät ja käsittelet, mitä algoritmeja testaat ja monia muita kysymyksiä.

Sen ytimessä ”mitä ongelmaa me ratkaisemme?” On yrityskysymys, joka tarkoittaa sen määrittelemistä viime kädessä tuotepäälliköiden ja yritysjohtajien, ei tietojen tutkijoiden, vastuulle. Tietotieteilijöiden ja muiden sidosryhmien tulisi ehdottomasti olla mukana määrittelyssä - älä vain heitä kysymystä heille ja odota heidän palauttavan vastauksia. Jos sinulla on tietoja, joita et tiedä mitä tehdä, suorita asiakashaastatteluja ja ajattele muiden organisaation asiakkaiden kanssa työskentelevien ihmisten kanssa. Tietotieteilijät voivat auttaa sinua tutkimaan tietojasi, ajattelemaan ja toistamaan, mutta ellei heillä ole paljon ongelma-avaruusasiantuntemusta, heidän olisi vaikeaa keksiä liiketoimintatapa yksin. ML: n arvon maksimoimiseksi yrityksessä tarvitset jatkuvaa yhteistyötä tuotepäälliköiden ja tietotekijöiden välillä, jolloin tuotepäälliköiden vastuulla on varmistaa, että ratkaistavat ongelmat ovat yritykselle eniten vaikuttavia.

Pura pakkaaminen miten ML voi siirtää yritystäsi eteenpäin

Vaikka mahdollisuudet ML: n kanssa ovat rajattomat, on joitain kysymyksiä, joita voit kysyä selvittääksesi, kuinka tekniikkaa voitaisiin soveltaa organisaatioosi. Tässä muutamia esimerkkejä:

Sisäiset prosessit

  • Missä yrityksessäni ihmiset nykyään käyttävät tietoa päätöksentekoon, joka voidaan automatisoida, jotta heidän taitojaan voitaisiin hyödyntää paremmin muualla?
  • Mitä tietoja yritykseni ihmiset yleensä etsivät, keräävät tai ottavat manuaalisesti tietyistä tietovarastoista, ja miten nämä voidaan automatisoida?
  • Mikä on joukko päätöksiä, joita ihmiset tekevät yrityksessäni? Voiko kone mahdollisesti tehdä nämä päätökset, jos se vie maagisesti kaikki tiedot, jotka ihmisilläni on?

Tuotteet ja kokemus nykyisille asiakkaille

  • Mitkä asiakkaan vuorovaikutuksen osat ovat ihmisten räätälöityjä ja koneiden mahdollisesti räätälöitäviä?
  • Onko segmentoitu asiakkaani selvästi heidän mieltymyksiensä, käyttäytymisensä ja tarpeidensa perusteella? Mukautetaanko tuotteeni / kokemukseni jokaiselle segmentille?
  • Voinko mukauttaa kokemuksia jokaiselle yksittäiselle asiakkaalle sen perusteella, mitä tiedän heistä tai heidän vuorovaikutuksesta sivustoni / sovellukseni / tuotteeni kanssa? Kuinka voisin luoda paremman, nopeamman tai muuten ilahduttavamman kokemuksen heistä?
  • Erityisesti mitä päätöksiä ja valintoja pyydän asiakkaani tekemään tänään? Voidaanko nämä päätökset automatisoida jonkin tietämyksen perusteella, joka minulla on jo tai voisin olla?
  • Kuinka voin paremmin tunnistaa hyvät ja huonot asiakaskokemukset? Voinko havaita ongelmat, jotka vaikuttavat negatiivisesti asiakaskokemukseen tai tyytyväisyyteen, ennen kuin niitä tapahtuu tai leviävät?

Uudet vertikaalit tai asiakkaat

  • Onko minulla tietoja, jotka voivat olla hyödyllisiä muille sidosryhmille teollisuudessa tai lähialueilla? Millaisia ​​päätöksiä se voi auttaa näitä sidosryhmiä tekemään?

Kaikki yllä olevat

  • Mitkä ovat mittatiedot tai trendejä, joilla, jos voisin oikein ennustaa, olisi merkityksellinen vaikutus kykyyni palvella asiakkaani tai muuten kilpailla alalla, esim. ennustetaan kysyntää tietyille tuoteryhmille, kustannusvaihteluita jne.?
  • Mitkä ovat keskeiset yksiköt, joista kerän tietoja (ihmiset, yritykset, tuotteet jne.)? Voinko mennä naimisiin kyseisten tietojen kanssa ulkopuolisten tietojen kanssa (julkisista lähteistä, kumppaneilta jne.) Tavalla, joka kertoo minulle jotain uutta tai hyödyllistä näistä yhteisöistä? Hyödyllinen kenelle ja miten? Esimerkiksi: Tunnista potentiaaliset asiakkaat, kun he ovat etsimässä tuotteitasi, ymmärrä kuinka ulkoiset tekijät vaikuttavat teollisuutesi kysyntään ja reagoi vastaavasti jne.

Aivoriihi joitain näistä kysymyksistä (ja toisia) ryhmäsi ja organisaation tärkeimpien sidosryhmien kanssa. Jos et ole varma mistä aloittaa - aloita jostain. Pelkästään joidenkin tietojen kokeilu voi auttaa sinua ja ryhmääsi selvittämään, mihin voit siirtyä sieltä.

Osassa 2 keskustellaan kaikista ML: n teknisistä termeistä, joiden PM: n on ymmärrettävä, kuinka ongelman määrittely vaikuttaa tekniikan valintaan ja joihinkin mallintamiseen liittyviin aukkoihin, joilla on merkitystä yrityksellesi.

Jos pidit tämän viestin mielenkiintoisena, napsauta alla olevaa vihreää sydäntä ja ilmoita minulle siitä tai jaatko jonkun muun kanssa, joka saattaa pitää sitä hyödyllisenä? Se tekisi täysin päiväni!