Машинное обучение для бизнеса: где оно реально работает
Фраза «машинное обучение» вокруг обросла то ли магией, то ли страхом. Между тем это программа, которая на ваших исторических данных находит закономерность и применяет её к новым случаям. Купил клиент товар А и Б, похожие клиенты после этого покупали В, значит покажем ему В. Оборудование вибрировало вот так перед поломкой, сейчас вибрирует так же, значит пора звонить сервисной службе. Никакой мистики, расчёт вероятностей.
Задачи, которые бизнесу реально платят
Скоринг заявок: кто из пришедших лидов купит с высокой вероятностью. Отдел продаж работает в первую очередь по горячим, конверсия растёт без роста затрат на рекламу. Отток: какие клиенты собираются уйти, виден по снижению активности и изменению паттернов. Персональные предложения: что показать клиенту следующим, чтобы попасть в его реальную потребность. Прогноз спроса: сколько товара какого типа понадобится на следующей неделе, чтобы не замораживать деньги в остатках. Предиктивное обслуживание: какое оборудование сломается, чтобы чинить до простоя. Предсказание платежей: какой счёт зависнет, чтобы напомнить заранее.
Общий признак: у задачи есть история похожих случаев и есть действие, которое зависит от ответа. Если действие не определено, модель бесполезна, как бы точно она ни считала.
Что нужно для старта
Первое: данные. История за год и больше, в любом виде, пусть даже в выгрузках и таблицах. Плохие новости: если истории нет, машинное обучение откладывается до её накопления. Хорошие новости: у большинства компаний, которые ведут CRM или учётку хотя бы год, данные уже есть, просто их никто с этой стороны не рассматривал.
Второе: измеримая цель. Не «внедрить ИИ», а «поднять конверсию заявок на 15 процентов» или «сократить простои на треть». По цели считается окупаемость и проверяется результат.
Третье: петля. Модель предсказала, действие совершилось, результат вернулся в данные для переобучения. Без петли модель деградирует вместе с изменением рынка.
Где компании ошибаются
Стартуют с технологии, а не с задачи: покупают платформу, потом ищут, куда её применить. Берутся за задачу без истории данных и получают красивую бессмыслицу. Внедряют модель без петли и через полгода получают прогнозы «в никуда». И самое частое: строят модель, которая на тесте даёт 90 процентов точности, а в жизни 60, потому что данные в жизни грязнее, чем в учебной выборке. Разрыв между лабораторией и жизнью лечится только пилотом на реальном потоке.
Дальше по теме: чем прогноз отличается от отчёта и как строится предсказание, разобрано в статье про предиктивную аналитику.