Это первая часть учебного пособия Пошаговое руководство PM по созданию продуктов на основе машинного обучения из 6 частей. Перейдите по ссылке для обзора всей серии.

Инвестиции в ML похожи на инвестиции в мобильные устройства 10 лет назад - они могут изменить ваш бизнес

Запросы к существующим данным для анализа - это хорошо известная и широко распространенная дисциплина. Однако машинное обучение - это следующий рубеж в анализе данных. Это дисциплина, в которой компьютерные программы делают прогнозы или делают выводы на основе шаблонов, которые они идентифицируют в данных, и могут улучшить эти идеи с опытом - без явных указаний людей, как это делать. По мере того как организации получают доступ к большему количеству данных, машинное обучение позволяет им извлекать из данных масштабную информацию с уровнем детализации, который варьируется от одного взаимодействия с пользователем до мировых тенденций и их влияния на планету. Использование этих идей также может варьироваться от настройки опыта отдельного пользователя на пиксельном уровне до создания новых продуктов и бизнес-возможностей, которых в настоящее время не существует. Обратите внимание, что с помощью машинного обучения вы можете выйти далеко за рамки использования внутренних данных - возможности машинного обучения часто можно повысить, сочетая внутренние и внешние данные, чтобы получить новые идеи, которые ранее были невозможны.

У Фрэнка Чена из A16Z есть отличный учебник по потенциальным приложениям искусственного интеллекта, многие из которых требуют или потребуют машинного обучения. Некоторые из этих приложений ориентированы на будущее и пока не достижимы с помощью существующих технологий, но дают хорошее представление о возможностях.

Так же, как компании-потребители начали задумываться об инвестировании в мобильные устройства 8–10 лет назад, сейчас для компаний настало время начать изучать ML как технологию, которая может помочь добиться результатов в бизнесе. Для компаний, специализирующихся на использовании существующих технологий машинного обучения, есть несколько ключевых тем, которые позволяют вам делать машинное обучение. Они не являются исчерпывающими или взаимоисключающими, а представляют собой различные точки зрения о потенциальном воздействии на ваш бизнес:

  • Массовая настройка пользовательской среды, опыта и ответов системы. Представьте, что все, что человек делает или видит, можно настроить специально для него и даже предвидеть его потребности и поведение. Сюда входят рекомендации по продуктам или услугам, ранжированные по уровню релевантности для них; адаптированный пользовательский опыт или потоки, основанные на ваших знаниях о пользователе, его поведении, других людях, подобных им, или внешних данных, включая прогнозирование того, что они захотят делать дальше и т. д. В меньшем масштабе это может привести к настройке опыта для сегментов пользователи, а не отдельные лица.
  • Возможность визуально идентифицировать объекты и соответствующим образом автоматизировать или адаптировать опыт. Сегодняшние технологии позволяют идентифицировать объекты на фотографиях и видео, в том числе на камерах в реальном времени. Pinterest использует это, чтобы предлагать объекты, похожие / дополняющие те, что на фотографии, на которую смотрит пользователь; Facebook использует технологию распознавания лиц, чтобы предлагать друзьям отметить фотографии, Amazon строит автоматические проверки магазинов на основе визуальной идентификации объектов и т. Д.
  • Автоматический поиск, создание или обработка содержания. ML позволяет оперативно обрабатывать огромное количество контента в мире. Обычное использование - поиск документов - например, поиск всех документов, имеющих отношение к судебному делу (обратите внимание, что это выходит за рамки простого ключевых слов в контекстный поиск), классификация документов по темам и ключевым словам, автоматическое обобщение контента, извлечение соответствующей информации из больших объемов контента - например, нахождение конкретных условий в контрактах с поставщиками и т. д. «Контент» здесь относится ко всем типам носителей, а не только к тексту.
  • Прогнозы, оценки и тенденции в масштабе. ML позволяет делать прогнозы, которые очень дороги или которые трудно сделать иным образом. Машинное обучение особенно полезно для прогнозов, которые в противном случае требуют высокого уровня знаний, таких как цена дома, или даже невозможно для человека сделать, например, какой контент будет хорошо работать в социальных сетях. Машины также могут определять тенденции в данных задолго до того, как они станут очевидными для людей.
  • Обнаружение необычной активности или сбоев системы. В каждой системе есть сбои и проблемы, но машинное обучение позволяет не только определять, возникают ли проблемы, но и являются ли эти проблемы необычными и тревожными. Это особенно полезно в различных системах мониторинга и безопасности.

Со стратегической точки зрения ML может привести к нескольким типам бизнес-результатов:

  • Расширенные возможности и функциональность для ваших клиентов. Наиболее распространенным вариантом использования является массовая настройка - более быстрый и эффективный поиск продуктов, которые с наибольшей вероятностью будут актуальны для ваших клиентов, например их лучшие совпадения на сайтах знакомств, песни, которые им могут понравиться на музыкальных сайтах, продукты, которые они могут быть заинтересованы в покупке и т. д. Другой вариант использования - использование прогнозов, чтобы получить информацию о сущностях или ситуациях, которых у них не было бы в противном случае. Это может быть общее - например, Zestimate Zillow ценит дом одинаково, независимо от того, кто на него смотрит, и независимо от того, кто на него смотрит, или от того, что он настроен под конкретного клиента, например рейтинг, который пользователь может дать фильму, который он не смотрел, с учетом его конкретных вкусов.
  • Внутренние функции, процессы и бизнес-логика. Машинное обучение может сэкономить ваше время и сделать ваши вложения в ресурсы более эффективными, когда речь идет о бизнес-процессах и решениях. Например: кредитная компания хотела бы уделять приоритетное внимание работе с потенциальными соискателями кредита. Он должен определить, кто хочет получить ссуду в достаточной степени, чтобы действительно взять ее, если она будет предложена, но, вероятно, сможет ее погасить. Расстановка приоритетов для наиболее кредитоспособных клиентов не обязательно является ответом, поскольку у этих клиентов обычно есть много вариантов и вероятность их конверсии ниже, поэтому требуется более сложная модель.
  • Выход на новые направления и новые продукты. Данные могут помочь вам открыть совершенно новые возможности для бизнеса - создавать новые продукты для существующих клиентов или обслуживать сегменты или клиентов, которых вы раньше не обслуживали. Например: Netflix может обслуживать студии, которые не были основной целевой аудиторией, продавая им свои данные о том, какие темы и сюжетные линии подходят для какой аудитории; Zillow может помочь застройщикам понять, какие особенности здания принесут им наибольшую отдачу от инвестиций и т. Д.

Решение о том, какую область следует рассмотреть в первую очередь, должно зависеть от потенциального воздействия на бизнес, а также от сложности проблемы и стоимости достижения такого воздействия.

«Нам нужно что-то сделать с нашими данными» - это стратегия, а не наука о данных, проблема

Многие компании ищут специалистов по обработке данных, людей, которые создают модели машинного обучения, потому что «мы должны что-то делать с нашими данными». Я слышал, как многие руководители известных компаний говорили: «Мы видим, что наши конкуренты покупают данные, поэтому нам нужно делать это, чтобы оставаться конкурентоспособными», а затем нанимали пару специалистов по обработке данных в надежде, что они придумают какое-то волшебство. Это подводит меня к большому заблуждению о машинном обучении.

ML - это не волшебная палочка для вашего бизнеса. Первой задачей машинного обучения является выяснение того, какое влияние на бизнес должна оказать технология. ML - это решение. Сначала вам нужно определить проблему: каких бизнес-результатов вы хотите достичь с помощью ML? Какие преимущества ML может дать вашим клиентам? ML - это молоток, но если у вас нет гвоздя, молоток не особенно полезен. Если еще больше растянуть клише, ML - это очень разнообразный набор молотков, и тип гвоздя, который у вас есть, будет определять, какой молоток вы выберете и как вы будете его использовать. Конкретная проблема, которую вы пытаетесь решить, будет определять все - как будет использоваться результат, что должна предсказывать ваша модель и как ее следует откалибровать, какие данные вы собираете и обрабатываете, какие алгоритмы вы тестируете и многие другие вопросы.

По сути, «какую проблему мы решаем?» - это бизнес-вопрос, а это означает, что в конечном итоге ответственность за его определение несут менеджеры по продукту и руководители бизнеса, а не специалисты по данным. Специалисты по обработке данных и другие заинтересованные стороны должны обязательно участвовать в выработке определения - просто не задавайте им вопрос и ожидайте, что они вернутся с ответами. Если у вас есть данные, с которыми вы не знаете, что делать, проведите интервью с клиентами и обсудите их с другими людьми, работающими с клиентами в организации. Специалисты по обработке данных могут помочь вам изучить ваши данные, придумать и повторить, но, если у них нет большого опыта в области проблемных областей, им будет сложно придумать бизнес-обоснование самостоятельно. Чтобы максимизировать ценность машинного обучения для бизнеса, вам необходимо постоянное сотрудничество между менеджерами по продуктам и специалистами по обработке данных, при этом менеджеры по продуктам несут ответственность за обеспечение того, чтобы решаемые проблемы были наиболее значимыми для бизнеса.

Как ML может продвинуть ваш бизнес вперед

Хотя возможности машинного обучения безграничны, есть определенные вопросы, которые вы можете задать, чтобы понять, как эта технология может применяться в вашей организации. Вот некоторые примеры:

Внутренние процессы

  • Где люди в моей компании сегодня применяют знания для принятия решений, которые можно автоматизировать, чтобы их навыки можно было лучше использовать в других местах?
  • Какие данные люди в моей компании обычно ищут, собирают или извлекают вручную из определенных хранилищ информации и как это можно автоматизировать?
  • Какие решения принимают люди в моей компании? Может ли машина принять эти решения, если она волшебным образом поглотит все данные, которыми обладают мои люди?

Продукты и опыт для существующих клиентов

  • Какие части моего взаимодействия с клиентами настраиваются людьми и потенциально могут быть настроены машинами?
  • Есть ли у меня четкая сегментация моих клиентов на основе их предпочтений, поведения и потребностей? Подбирается ли мой продукт / опыт для каждого сегмента?
  • Могу ли я настроить взаимодействие с каждым отдельным клиентом на основе того, что я знаю о нем или их взаимодействии с моим сайтом / приложением / продуктом? Как я могу создать для них лучший, быстрый или иным образом более приятный опыт?
  • В частности, какие решения и какие выборы я предлагаю сделать своим клиентам сегодня? Можно ли автоматизировать эти решения на основе некоторых знаний, которые у меня уже есть или которые я мог бы иметь?
  • Как мне лучше отличить хорошее от плохого клиентского опыта? Могу ли я обнаружить проблемы, которые могут негативно повлиять на качество обслуживания или удовлетворенность клиентов, до того, как они возникнут или распространятся?

Новые направления или клиенты

  • Есть ли у меня какие-либо данные, которые могут быть полезны другим заинтересованным сторонам в отрасли или смежных отраслях? Какие решения это может помочь принять эти заинтересованные стороны?

Все вышеперечисленное

  • Какие показатели или тенденции, если бы я мог правильно предсказать, оказали бы существенное влияние на мою способность обслуживать клиентов или иным образом конкурировать в отрасли, например прогнозировать спрос на определенные категории товаров, колебания цен и т. д.?
  • О каких ключевых объектах я собираю данные (люди, компании, продукты и т. Д.)? Могу ли я объединить эти данные с любыми внешними данными (из общедоступных источников, партнеров и т. Д.) Таким образом, чтобы сообщить мне что-то новое или полезное об этих объектах? Кому и как полезно? Например: выявляйте потенциальных клиентов, когда они находятся на грани поиска вашего продукта, понимайте, как внешние факторы влияют на спрос в вашей отрасли и соответственно реагируют и т. Д.

Обсудите некоторые из этих (и других) вопросов со своей командой и ключевыми заинтересованными сторонами в организации. Если не знаете, с чего начать - начните с чего-нибудь. Простое экспериментирование с некоторыми данными может помочь вам и вашей команде понять, куда вы можете двигаться дальше.

Во части 2 мы обсудим все технические термины машинного обучения, которые необходимо понимать менеджерам по руководству, как на выбор технологии влияет определение вашей проблемы, а также некоторые подводные камни моделирования, на которые следует обратить внимание, которые влияют на ваш бизнес.

Чтобы прочитать больше моих работ по управлению продуктом и подписаться на мой информационный бюллетень, посетите https://producthumans.com/. Скоро появится больше контента (включая машинное обучение)!