Главный специалист по данным разработчика моделей для машинного обучения Domino Data Lab Джош Подуска поделился с порталом InformationWeek советами, которые помогут CIO понять, в каких областях бизнеса лучше всего задействовать машинное обучение.

Все больше и больше организаций наращивают инвестирование в искусственный интеллект (ИИ). По оценкам IDC, в 2018 г. они потратили на эти цели на 54% больше, чем в 2017 г. Несмотря на растущий интерес к ИИ и машинному обучению, пока что не так много компаний окупили свои инвестиции. Недавнее исследование, проведенное MIT Sloan Management Review и Boston Consulting Group, показал, что к активному применению ИИ-технологий удалось перейти не более 5% из числа опрошенных организаций. Учитывая, насколько сложной может быть успешная реализация ИИ, эти результаты не кажутся столь уж непредсказуемыми.

Создание ИИ-решения, адаптирование к нему бизнес-процессов, вовлечение сотрудников — любой из этих шагов представляет сложности и каждая ошибка на пути внедрения может обернуться значительными сложностями. Вдобавок к этому многие CEO не понимают деловой подоплеки, заложенной в ИИ. Они представляют его работу в виде математической модели, которую можно напичкать любыми данными, поведенческими шаблонами и ждать, что она начнет принимать решения. Однако такое представление об ИИ в корне неверное. В этом случае речь идет об особой форме ИИ — машинном обучении, которая по своей сути далека от общепринятого понимания термина «ИИ». Его специфика заключается в принятии определенных решений на основе определенных наборов данных.

Приступая к внедрению моделей машинного обучения, каждая компания должна убедиться, что ее инвестиции направлены в те точки, которые оказывают влияние на бизнес-процессы. Именно таким образом начинали вендоры, которые добились успеха на поприще ИИ — они определили направления, где машинное обучение оказывало наиболее весомое воздействие на их бизнес. Как этого добиться? Обычно для взвешивания конкурентной ситуации на рынке и выработки стратегии бизнеса аналитики применяют анализ пяти сил Портера. Это же средство может сослужить добрую службу компаниям, которые ищут направления для тестирования модельно-ориентированных решений. Изучив действия конкурентов, вендор сможет лучше понять, какие шаги помогут ему повысить прибыльность и какие модели для этого нужны.

Создайте дифференциацию

Как правило, рыночная власть потребителей (bargaining power of buyers) особенно заметна в тех коммерческих сферах, которые отличаются слабой дифференциацией продуктов и низкими затратами на переход с одного типового товара на другой (стоимость переключения). Исходя из этого, компании могут использовать модели машинного обучения для создания дифференциации, то есть направить их на поиск средств (новых товаров, услуг) для повышения лояльности, тем самым снижая рыночную власть потребителей.

Ярким примером того, где она достаточно высока, является рынок потокового видео. Возможность переключения с одного сервиса на другой порой настолько проста, что некоторые платформы ежегодно теряют 50% своих абонентов. Однако лидерам отрасли наподобие Netflix удается контролировать их отток, который измеряется однозначными числами. Это связано с тем, что ИИ-модели помогают им привлекать пользователей с помощью отображения востребованного контента в нужное время и в нужном формате. В частности, Netflix обладает мощным механизмом встроенных рекомендаций, который хорошо знает вкусы клиента, и конкурирующим сервисам сложно что-либо этому противопоставить. Эти преимущества позволяют компании успешно бороться с соперникам даже в такой высококонкурентной отрасли, как потоковое видео.

Google контролирует более трети всего рынка цифровой рекламы в США, что выводит его на позиции крупнейшего провайдера в области цифрового маркетинга. Чтобы охватить большую аудиторию, вендорам не остается иного выбора, кроме как тратить значительные средства на оплату ключевых слов, набивая карманы технического гиганта.

В краткосрочной перспективе ИИ вряд ли поможет компаниям нарушить монополию Google и Facebook на рынке онлайн-рекламы, но все же некоторый смысл в его применении имеется. Например, многие компании с целью оптимизации расходов на рекламу в Google применяют автоматические модели назначения ставок. Стратегия интеллектуального назначения ставок помогает получить максимум конверсий по заданной цене за конверсию. В ней для оптимизации ставок на аукционах объявлений используется технология машинного обучения. Эта стратегия предусматривает учет демографического распределения пользователей и другие факторы и позволяет отказаться от приобретения дорогих ключевых слов с целью генерации повышенного трафика в пользу более дешевых, которые предлагают большую отдачу от затраченных средств.

В долгосрочной перспективе компании также могут использовать свои модельно-ориентированные решения и связанные с этим конкурентные преимущества для выравнивания баланса с поставщиками. Например, благодаря огромному успеху Amazon в розничной торговле, через него генерирует 10% или более своих доходов по меньшей мере 21 компания. Такая зависимость от одного поставщика дает гиганту э-коммерции значительную власть над ними, чем он недавно не преминул воспользоваться, переложив на их плечи часть своих расходов на доставку и другие расходы.

Внедряйте инновации, чтобы противостоять новым участникам рынка

Барьеры для входа в ту или иную отрасль бывают разными. К примеру, они могут являться практически непреодолимым препятствием для новичков, которые желают потеснить полупроводниковых гигантов, таких как Intel или AMD, но они несравнимо ниже, если компания занимается выпуском смартфонов. Планка понижается за счет того, что их разработку и сборку можно отдать на откуп ODM-разработчикам. Однако модели машинного обучения поспособствуют тому, чтобы компании не теряли конкурентоспособности в борьбе со стартапами.

Внедрение машинных моделей поможет снизить затраты крупных компаний за счет автоматизации, что сводит на нет ключевое преимущество молодых, экономных стартапов — гибкость. Они также могут оказаться подспорьем для создания новых продуктов, которые могут быть репликой или усовершенствованной версией прорывных продуктов новичков. Компании «с родословной» в принципе имеют преимущество перед стартапами — они накапливали данные о клиентах задолго до их появления, что позволяет им тонко настроить модели машинного обучения.

До недавнего времени считалось, что сильно регулируемый и капиталоемкий рынок страхования обладает повышенным порогом вхождения, однако за последнее время появилось несколько новых стартапов с инновационными продуктами, основанными на традиционных услугах страхования. Чтобы идти в ногу со временем, страховая компания Allstate, история которой насчитывает без малого 90 лет, принялась за освоение модельно-ориентированных сервисов на базе машинного обучения. В частности, ею было разработано агентское приложение QuikFoto, оценивающее нанесение ущерба по фотографиям пользователей. Скорее всего, созданием QuikFoto компания отреагировала на решения стартапов, которые предлагают аналогичные услуги, одним из которых можно назвать Cover, однако на стороне Allstate — огромный массив данных о клиентах, а также опыт их обработки для создания более совершенных решений.

Повышайте барьеры переключения

Услуги или продукты подавляющего числа компаний могут быть заменены суррогатами или продуктами-заменителями. Чтобы упредить переход клиентов к другому поставщику, организациям нужно повысить барьер перехода при помощи моделей машинного обучения. Особой чувствительностью к услугам-заменителям отличается сектор круизного туризма, где заменой круиза может выступить любой вид туристических услуг, начиная с посещения парков развлечений, походов и заканчивая отдыхом на курорте типа «все включено».

Carnival Cruise Lines — круизный оператор, который применяет модельно-ориентированные решения для предоставления эксклюзивных услуг, раздавая пассажирам круизных лайнеров Princess устройство под названием Ocean Medallion. Медальон можно использовать для открытия дверей и заказа напитков, но, что более важно, он отслеживает местоположение каждого пассажира, его покупки и даже действия. Со временем система «узнает» индивидуальные предпочтения каждого пассажира и подыскивает для них специальные предложения.

Очевидно, что клиенты Carnival Cruise Lines не желают расставаться с высоким уровнем качества обслуживания и многие из них не рассматривают замену круиза на какой-либо другой вид отдыха. Конечно, никто не оспаривает достоинств отдыха по модели «все включено», однако обслуживающий персонал отелей не сможет похвастаться особенным знанием привычек клиентов: кто из них любит живую музыку, а кто не прочь повеселиться на дискотеке, кто какие напитки предпочитает или желает, чтобы его не беспокоили в послеобеденное время. Подобные стратегии могут применяться во многих отраслях коммерции.

Снижение затрат

Важность моделей машинного обучения невозможно переоценить в отраслях, где конкуренция очень высока. Как доказывает практика, они могут обеспечить серьезную экономию средств. Нужно понимать, что неэффективное расходование средств в условиях высококонкурентной среды будет снижать прибыль. Один из способов, который помогает модельно-ориентированным компаниям достичь снижения затрат, является оптимизации цепочек поставок при помощи машинного обучения. К слову, оно помогает Amazon вести успешную ценовую войну с Walmart. Задействование ИИ в логистике предлагает огромные возможности для разных отраслей, но, по данным Forrester Research, пока что к его внедрению подключилось лишь 13% компаний.

Версия для печати (без изображений)