Одной из самых сильных сторон машинного обучения является его способность выводить базовую структуру данных без необходимости создавать модели вручную. Это может пригодиться для конкурентного анализа, если вы знаете, как это сделать. Например, в сценарии у нас есть данные о нашем конкуренте, но мы не обязательно знаем модель, лежащую в основе этих данных, и поэтому с помощью машинного обучения мы можем сделать вывод.

Допустим, вы управляете компанией, которая предоставляет автострахование для ваших клиентов. Плата ваших премиальных клиентов пропорциональна риску. Риск зависит от многих факторов, таких как возраст водителей, происшествие аварий, припаркованное местоположение автомобиля и т. д.

Как каждый для этого примера мы упростим вещи, чтобы лучше понять концепции. Предположим, что риск зависит только от возраста водителей.

Предположим, например, что у нас есть данные конкурентов об их клиентах, в частности, возраст клиентов и их премия. Благодаря этому мы можем определить базовую модель риска конкурента. Для этого все, что нам нужно сделать, это разбить данные на обучающий набор и тестовый набор, а затем использовать обучающий набор для обучения машины. Существует ряд алгоритмов машинного обучения, которые можно использовать, но вы можете выбрать тот, который направлен на уменьшение ошибки в тестовом наборе.

Предположим, что машина обнаружила, что в основе данных конкурентов лежит нелинейная связь между риском и возрастом, как показано ниже:

Теперь мы можем провести тот же эксперимент с данными вашей компании. Теперь предположим, что ваш анализ дает следующие результаты:

Если ваш коэффициент расходов сравним с вашими конкурентами, то вы знаете, что вы захватываете более молодые и пожилые сегменты населения, а ваш конкурент захватывает группу среднего возраста с помощью этой информации, поскольку они предлагают более низкую надбавку к группе среднего возраста. по сравнению с тобой. Обратите внимание, что вы сможете сделать вывод о модели риска конкурентов, даже не зная, что это за модель.

Вооружившись этими знаниями, вы можете принять некоторые деловые решения относительно того, как вы можете выйти на рынок среднего возраста. Возможно, вы можете добавить больше факторов риска в этот сегмент, чтобы получить большую точность, или, возможно, вы хотите оставить все как есть, потому что вы считаете, что оценка риска, которую вы делаете, более точна, чем у ваших конкурентов, и если вы еще снизите риск вы будете терять деньги.

Хотя это основная концепция, вы можете включить больше параметров из данных в алгоритм машинного обучения, чтобы повысить его точность и понять своих конкурентов, чтобы принимать бизнес-решения, основанные на данных. Это то, что делает Google, когда вы используете Google Analytics для своей цифровой платформы. Это дает им огромное конкурентное преимущество, о котором никто не говорит!

Надеюсь, это поможет…

Первоначально опубликовано на blackboxlabs.github.io 13 февраля 2018 г.