Наука о данных/машинное обучение/ИИ больше не является рекламой. Это потребность часа. Следующее поколение компаний, которые добьются успеха, будут иметь надежную платформу данных и надежные методы обработки данных. Работая в 3 организациях из списка Fortune 500 и разговаривая со многими командами по науке о данных, я заметил следующие общие проблемы:
- Отсутствие понимания искусственного интеллекта и машинного обучения в различных отделах
- Низкое внедрение инструментов на основе ИИ из-за отсутствия ясности в добавленной стоимости.
- Отсутствует надежная платформа данных/вычислительная платформа
- Непоследовательный поток работы специалиста по данным из-за сложности поиска вариантов использования.
Большинство организаций увлечены наукой о данных и наняли специалистов по данным, но не знают, с чего начать. В этой статье я хочу предложить общие варианты использования, которые вы или ваша команда можете начать с общедоступных наборов данных в организации.
Шаг 1. Поиск общих наборов данных
Почти у каждой организации есть основной набор данных, данные о транзакциях, отзывы клиентов, данные о качестве и центре обслуживания клиентов для эффективного управления организацией. Вот некоторые из общедоступных наборов данных в организациях, на которые стоит обратить внимание.
Шаг 2. Создайте поддержку
Чтобы каждый проект по науке о данных был успешным, необходима массивная система поддержки, начиная с руководства, бизнес-групп, групп данных, инженера-программиста и Dev-Ops. Как минимум, требуется поддержка от:
- Управление первоначальным финансированием
- Бизнес-команда для экспертизы предметной области
- Команда данных для доступа и запросов, связанных с данными, чтобы начать работу с небольшим доказательством концепции.
- Базовый доступ к локальному или облачному серверу.
Шаг 3. Создание варианта использования
Счет/заказ/данные о продажах. Эти наборы данных огромны по своей природе и могут содержать очень долгую историю. Для удобства выберите данные за 2–3 года. Используя данные, мы можем построить следующие варианты использования:
- Моделирование анализа потребительской корзины на уровне клиента. Понимание моделей покупок клиентов и выявление сходства продуктов для повышения эффективности дополнительных и перекрестных продаж.
- Моделирование анализа рыночной корзины на уровне продукта. Понимание моделей покупок клиентов на уровне продукта и выявление сильных сторон продаваемых сопутствующих товаров для создания пакетов или пакетных предложений.
- Прогнозирование продаж — понимание моделей ежедневных/еженедельных/ежемесячных покупок по продуктам и составление ежемесячных прогнозов для управления финансами или запасами.
- Обнаружение аномалий. Анализ данных о транзакциях на предмет мошенничества/аномальных транзакций и отправка предупреждений в режиме реального времени.
- Отток клиентов — анализируйте ежемесячный характер покупок клиентов, чтобы определить их отток.
- Ожидаемое время прибытия. Связь данных о транзакциях с окончательной датой доставки позволит определить продолжительность доставки и может быть смоделирована для прогнозирования дат доставки.
Данные о перемещении товара на складе. После размещения заказа сотрудник собирает его на складе, упаковывает и отправляет. Этот набор данных можно использовать для оптимизации времени комплектования, оптимизации размещения товаров на складе и оптимизации транспортировки.
Данные о доставке и перевозке — могут использоваться для прогнозирования дат доставки и оптимизации маршрутов.
Набор данных отзывов клиентов/расшифровка колл-центра –понимание отзывов/настроений клиентов, прогнозирование негативных/положительных отзывов, понимание настроений (довольных, гневных, разочарованных, нейтральных и т. д.), поиск проблемных областей, предложенных клиентом, понимать рекомендации клиентов, классифицировать проблемы по группам и т. д.
Отслеживание обеспечения качества — этот набор данных можно использовать для выявления неисправных элементов.
Шаг 4. Продемонстрируйте время!
Теперь мы определили вариант использования и минималистическую модель. Пришло время создать дружественный пользователю пользовательский интерфейс для взаимодействия с моделью и представления ее руководству.
Минималистическое доказательство концепции гораздо эффективнее, чем презентации PowerPoint с пустыми обещаниями.