Я решил начать еженедельно подводить итоги того, что я узнал из машинного обучения и аналитики. На этой неделе я узнал три действительно замечательных вещи о данных, аналитике и машинном обучении, о которых хочу вкратце рассказать.

#1. Вам нужно проявить творческий подход, когда дело доходит до выяснения того, как реализовать модель машинного обучения

Сегодня у меня был клиент, который операционализировал свою модель, что очень интересно, потому что они перешли от электронных таблиц к операциональной модели за 3 месяца. Среднее время, необходимое для создания модели машинного обучения, составляет 6–9 месяцев, и это при наличии BI, специалистов по обработке и анализу данных и т. д. они претендуют на свою первую покупку.

Мы решили стимулировать различные группы предложениями, такими как «Скачайте этот контент бесплатно в течение следующих 48 часов или потеряете, вы его потеряете».

№2. Попытка определить окупаемость вашей стратегии обработки данных — пустая затея

На прошлой неделе у меня было отличное подкаст-интервью с Мэттом Джессером, соучредителем Beyond the Data, и основным моментом разговора было то, что попытки получить рентабельность инвестиций в вашу стратегию обработки данных — на самом деле дурацкая затея. Если вы смотрите на очень конкретный, очень нишевый пример, вы определенно можете найти рентабельность инвестиций, но понять рентабельность инвестиций всех ваших сотрудников, что данные для принятия лучших решений в режиме реального времени практически невозможно.

Еще один забавный пример: миллионы людей сделали LASIK, но никто не сидит и не говорит: «Ну, вы знаете, я не знаю, какова рентабельность инвестиций в Lasik, поэтому я этого не понимаю». Всем известно, что LASIK и данные делают вашу жизнь лучше.

В конечном счете, данные должны быть включены во все ваши инициативы, чтобы эти инициативы шли лучше. Это похоже на смазку, благодаря которой ваша компания работает более гладко.

№3. Машинное обучение намного мощнее, чем просто предсказание

Третье, чему я научился на этой неделе, это то, что машинное обучение гораздо мощнее, чем просто предсказание. Прогнозы, безусловно, являются одним из возможных результатов проектов машинного обучения, но использование машинного обучения на всех этапах обработки данных было очень ценным.

Например, понимание того, какие данные коррелируют с вашими результатами, понимание того, какие точки данных вам не хватает или какие точки данных, которые вы считали важными, на самом деле не важны, — все это реальные примеры того, как вы можете использовать машинное обучение при подготовке данных. фаза.

Также очень полезно пройти через мыслительный процесс при настройке вопроса машинного обучения. Как правило, когда организации настраивают информационные панели BI, они задают, например, вопрос: «Какие клиенты ушли в прошлом месяце?» Вопросы такого типа не требуют глубоких размышлений. Когда вы задаете вопрос о машинном обучении, вы должны быть очень конкретными в отношении того, как вы смотрите и думаете о своем бизнесе.

Например, я работал с клиентом, который хочет уменьшить отток и имеет очень сезонный (рождественский) продукт, и если клиент не совершает повторную покупку в течение 12 месяцев, он считает, что у него отток. Как только они начали заниматься машинным обучением, им действительно нужно было оценить, какие временные рамки следует учитывать, если клиент ушел или нет. Сделав это, они улучшили свой бизнес, потому что они лучше понимают своих клиентов, и они еще даже не создали модель!

Вот несколько вещей, которые я узнал на этой неделе, и мы хотели бы услышать о том, что вы узнаете на этой неделе, чтобы мы могли поделиться некоторыми историями.