Как предприятия используют машинное обучение для достижения невероятных результатов сегодня

Как предприятия используют машинное обучение для достижения невероятных результатов сегодня

Ажиотаж вокруг машинного обучения за последние пару лет превратился в громкий, устойчивый гул. Вы, несомненно, слышали о его успехах в настольных играх, обнаружении рака или беспилотных автомобилях. В то же время корпоративный нарратив все чаще звучит так: Если вы не начнете внедрять машинное обучение в своей организации, вы устареете через 5 лет.

Здесь есть явное несоответствие - да, конечно, я бы хотел использовать машинное обучение, но как мне вообще начать? Приятно, что компьютеры могут побеждать людей в видеоиграх, но как мне от этого повлиять на мою прибыль?

В SensAI мы твердо верим в возможность преодоления шумихи и неопределенности для получения конкретных итоговых бизнес-результатов с использованием проверенных практических методов машинного обучения.

С этой целью я хотел бы познакомить вас с некоторыми впечатляющими примерами из таких компаний, как ваша. Мы рассмотрим три области, в которых любой может быть полезен: маркетинг, продажи и обслуживание клиентов.

Важно отметить, что ни одной из этих компаний не требовалось использовать самые передовые исследования; все они были в состоянии доставить, используя проверенные и проверенные методы. Да, возможно, в Google или Facebook имеет смысл инвестировать в исследования и разработки после того, как они задействуют все существующие методы. Но для остальных из вас нижеследующее иллюстрирует большие и быстрые победы, которые вы можете добиться с помощью проверенных технологий.

Маркетинговый пример: Dole

В 2017 году Dole Asia хотела повысить узнаваемость бренда фруктового коктейля Seasons:

Для этого они создали набор собственных маркетинговых креативов - десятки уникальных рекламных и визуальных материалов. Следующим шагом было размещение этой рекламы в социальных сетях, поиске и электронной почте по всей Юго-Восточной Азии.

Обычно есть два варианта развертывания цифровой рекламы, и ни один из них не кажется подходящим:

• Специалисты по маркетингу проводят сотни экспериментов на рекламной платформе, смешивая и сопоставляя текст и визуальные эффекты, целевую аудиторию и многое другое. Затем они должны проанализировать результаты этих экспериментов, перераспределить ресурсы между наиболее эффективными и повторить все заново. Эта тяжелая работа является чрезвычайно дорогостоящей с точки зрения человеческого капитала, и она по-прежнему оставляет много вопросов в плане оптимизации.
• Рекламу можно размещать произвольно, случайным образом - каждый целевой пользователь увидит набор объявлений, но не ту, которая предназначена для него более конкретно. Этот элементарный подход, безусловно, не позволяет максимально эффективно использовать рекламный бюджет.

Доул выбрал третью стратегию: задействовал службу машинного обучения под названием Albert. Альберт взял все маркетинговые активы Dole, смешал их и подобрал для конкретной аудитории - по сути, выполняя работу профессионального маркетолога, но намного быстрее и дешевле. Альберт позаботился о таргетинге, ротации и распределении бюджета для каждого набора объявлений с целью максимального вовлечения.

Результаты этого 8-недельного эксперимента говорят сами за себя. У поставщиков в регионе быстро закончился товар, и после того, как они пополнились запасами, продажи этого продукта в магазинах выросли еще на 87% в течение следующих 8 недель.

Напомним, что, используя инструмент машинного обучения для выполнения основной работы в своем маркетинговом процессе, Dole увидел следующие основные преимущества:

• Освободить своих профессионалов, чтобы они могли сосредоточиться на творческой стороне маркетинга: создание уникальных и привлекательных активов.
• Невероятные результаты продаж продукта, который они рекламировали.

Пример продаж: умный дом Vivint

Vivint - поставщик технологий для умного дома в США. На быстро меняющемся рынке Vivint необходимы эффективные, но гибкие методы продаж, чтобы продолжать расти. С этой целью они решили использовать технику персонализированной коммерческой копии веб-сайта.

При оценке проекта быстро стало ясно, что их цели труднореализуемы для человеческого труда. По словам Джейкоба Парри, цифрового менеджера Vivint Smart Home:

«Нам нужно было создать копию с высокой степенью локализации для 12 000 уникальных веб-страниц, что, по нашим расчетам, потребовало бы команды писателей в течение двух лет, при затратах, выходящих за рамки нашего бюджета».

Таким образом, Vivint воспользовалась мощью Wordsmith, одного из инструментов, использующих NLG (создание естественного языка). NLG помогает повысить эффективность продаж за счет создания уникального контента, оптимизированного для источника и местоположения, откуда пришел посетитель веб-сайта. Парри отметил, что вместе они смогли произвести 30 000 страниц всего за несколько месяцев.

Например, см. Страницу продаж в Вейле, штат Колорадо: https://www.vivint.com/stores/city/vail-colorado. Вы заметите, что копия и изображения созданы для этого конкретного места. Уменьшите масштаб до страницы штата Колорадо и прокрутите вниз, и вы увидите, что есть настраиваемые страницы почти для каждого заполненного языкового стандарта в штате: https://www.vivint.com/stores/state/colorado. То же самое касается каждого штата и провинции, где работает Vivint.

Через год после запуска этих персонализированных страниц объем местных продаж Vivint увеличился в 4 раза благодаря органическому поисковому трафику.

Используя инструмент NLG для создания персонализированной копии веб-сайта для продажи большего количества систем умного дома, Vivint смогла резко увеличить объем выпуска (30 000 страниц по сравнению с 12 000), сократить время (2+ года против нескольких месяцев) и стоимость (вручную писать каждую страницы по сравнению с созданием контента с помощью машинного обучения) и улучшить результаты (в 4 раза больше местных продаж по сравнению с прошлым годом).

Пример использования службы поддержки клиентов: Magoosh

Magoosh - это онлайн-платформа для стандартизированной подготовки к экзаменам (SAT, GRE, GMAT и т. Д.). Их команда из 50 вспомогательных сотрудников (разделенных на «поддержку сообщества» и преподавателей) сильно увядала по мере роста. В Zendesk у них был набор из 900 макросов для ответов на общие запросы, и сотрудники потратили чрезмерное количество времени на поиски правильного ответа. Кроме того, было слишком много мертвой работы, связанной с прикреплением метаданных к каждой заявке в службу поддержки: назначением ее команде, маркировкой ее типом запроса, приоритетом, получением соответствующей информации об учетной записи и т. Д. Опросы удовлетворенности клиентов, проведенные компанией, показали, что отсутствие своевременных ответов вызывало разочарование.

Чтобы решить эту проблему, Magoosh начал интеграцию с группой под названием DigitalGenius. DigitalGenius получил доступ ко всем историческим данным поддержки Magoosh и использовал их для обучения модели машинного обучения, чтобы помочь в вышеупомянутых задачах.

Во-первых, DigitalGenius может предлагать и отображать макросы ответа на основе содержимого заявки в службу поддержки, а не агенту, который должен самостоятельно выполнять поиск в базе данных. Алгоритм может сделать это, сравнивая содержимое билета с предыдущими билетами в базе данных и анализируя, какие ответы чаще всего использовались для аналогичных билетов в прошлом. Одно только это снизило среднее время поддержки на заявку на 30%.

Используя те же методы извлечения шаблонов, DigitalGenius также смог предсказать большую часть метаданных, включая маршрутизацию к нужной команде, тегирование и назначение приоритета.

После 6-месячного периода обучения DigitalGenius смогла обработать 83% входящих заявок в службу поддержки, а его прогнозирование тегов достигло точности 92%. Это сократило время ответа на заявки в службу поддержки без ущерба для качества поддержки, что привело к более довольный обслуживающий персонал и, самое главное, довольные клиенты.

Заключение

Надеюсь, эти тематические исследования заставят вас крутиться в голове. Эти три рабочих процесса являются краеугольным камнем предприятия, и в вашей компании, безусловно, есть недостатки, к которым вам было бы интересно применить ML.

Хотя эти результаты впечатляют, они все еще едва касаются возможностей машинного обучения. Помните, что самая важная часть машинного обучения - это обучение. В каждой из этих компаний начался эффект маховика: по мере того, как они собирают больше данных от своих клиентов, алгоритмы будут лучше справляться со своими задачами, и разрыв между ними и их конкурентами будет становиться все больше и больше. Так чего же ты ждешь?