Zarówno handel, jak i marketing mogą być największymi beneficjentami rozwoju algorytmów uczenia maszynowego. Dzięki zaawansowanym metodom identyfikacji, prognozowania i optymalizowania łatwiej będzie o oszacowanie popytu, dotarcie ze spersonalizowaną ofertą do konkretnego klienta – tłumaczy dr hab. Andrzej Wodecki, wykładowca w Szkole Biznesu Politechniki Warszawskiej.
Do metody i technik uczenia maszynowego warto podchodzić jak do inteligentnych narzędzi, których zadaniem jest pomóc nam w wykonywaniu codziennych czynności czy też usprawnić prowadzenie biznesu. Właściciel firmy produkcyjnej, podejmując decyzję o zakupie nowej maszyny, kieruje się np. tym, w jaki sposób może ona podnieść wydajność zakładu? Poprawić jakość produkcji? Zwiększyć bezpieczeństwo pracowników? A może zoptymalizować koszty i oszczędzić na zatrudnieniu? W podobny sposób warto patrzeć na systemy sztucznej inteligencji: znając ich możliwości zadawać sobie pytanie o praktyczne korzyści, jakie mogą nam przynieść.
Algorytmy uczenia maszynowego mają sens wtedy, gdy z nich korzystamy
Modele uczenia maszynowego są istotną częścią inteligentnych produktów czy usługo, a nie inteligentnymi rozwiązaniami samymi w sobie. Do naszego smartfona możemy zalogować się pokazując swoją twarz – niewiele osób jest zainteresowanych technicznymi podstawami takiego rozwiązania: korzystamy z niego, bo jest po prostu wygodne. Z perspektywy inżyniera, który projektował to rozwiązanie, model uczenia maszynowego rozpoznajcy twarz jest komponentem, który trzeba obudować usługą – dodać oprogramowanie, wprowadzić je do urządzenia, które ma odpowiednią wydajność i wreszcie – nauczyć tego użytkownika z tego korzystać. Dopiero tak zaprojektowana i dostarczana całość jest źródłem wartości dla użytkownika.
Podbnie, gdy jako analityk korzystam z narzędzi Business Inteligence (BI) i mam do dyspozycji inteligentny system, pozwalający zaprognozować zakupy klientów albo popyt na konkretny produkt, koncentruję się na efektywnym jego wykorzystaniu w mojej praktyce a nie na technicznych podstawach działania mojego systemu. Algorytm uczenia maszynowego jest sercem rozwiązania ukrytym przed użytkownikiem – ale na koniec dnia, jako komponent systemu BI pomaga analitykom szybko i realizować swoje zadania.
Rozpoznawanie, przewidywanie i poprawa procesów
W bardzo dużym uproszczeniu zdolności algorytmów uczenia maszynowego można zredukować do trzech podstawowych „umiejętności”:
- identyfikacji (obiektów, człowieka, maszyn, przedmiotów na drodze, sytuacji, emocji);
- prognoz (popytu, cen akcji, pogody, zachowań klientów i ich potrzeb, wystąpienia potencjalnych awarii);
- optymalizacji, czyli zmiany procesów i parametrów urządzenia, by przybliżała nas do funkcji i celu (produkcji, procesów biznesowych, obsługi klienta etc.).
W moich badaniach koncentruję się na tym, w jaki sposób firmy czy organizacje z różnych branż mogą skorzystać z tych „umiejętności”? W jaki sposób mogą odzyskać wartość? Wiele wskazuje na to, że handel i marketing są obszarami, w których rozwiązania inteligentne mają największy potencjał. W obszarze sprzedaży uczenie maszynowe może wspierać tzw. model NP2B (next product to buy), czyli prognozę, co konkretny klient kupi następnym razem – po to, by w odpowiednim czasie otrzymał odpowiednią rekomendację i reklamę, a w konsekwencji, by kupił to w moim sklepie, nie zaś sklepie konkurencji. Podobnie, systemy SI mogą nam rekomendować kolejne, optymalne działanie, które warto podjąć w relacjach z klientem (Next-Best-Offer/Action). Nie mówiąc już o opersonalizacji interakcji, ofert czy dynamicznych cennikach.
Churn, prognoza popytu i automatyzacja
Algorytmy uczenia maszynowego są też w stanie też prognozować churn, czyli ryzyko odejścia danego klienta do konkurencji. Dzięki tej wiedzy firmy (np. dostawcy usług telekomunikacyjnych) mogą odpowiednio wcześniej skontaktować się z klientem i zaoferować mu lepszą ofertę (co jest często mniej kosztowne niż jego utrata).
Kolejne zastosowanie w handlu to prognoza popytu na towar. Dzięki tej wiedzy firmy mogą optymalizować zakupy od dostawców: nie kupować za dużo (co generuje koszty obsługi magazynowej oraz zamraża kapitał), ani za mało (co może skutkować brakiem dostępności towaru).
Systemy tego typu, z zaimplementowaną funkcją ciągłego uczenia się w oparciu o dane historyczne i podejmowane decyzje, mogą z czasem podejmować decyzji lepsze od ludzi. W naturalny sposób rodzi to ryzyko dla pracowników, którzy aktualnie pełnią takie funkcje w organizacjach. Warto o tym zagrożeniu pamiętać podejmując decyzje o ewentualnych wdrożeniach.
Nie tylko handel
Sektory handlu i marketingu to niejedyne obszary, w których korzyści z wykorzystania narzędzi uczenia maszynowego są aż nadto widoczne. W przemyśle i produkcji rozwój modeli ML może wspomóc przewidywanie awarii poszczególnych komponentów a co za tym idzie – przynieść oszczędność wynikającą z ograniczenia przestojów w pracy zakładu oraz liczby przeglądów technicznych konkretnych urządzeń.
W ostatnich miesiącach można zaobserwować poważne zaburzenia łańcuchów dostaw: okazuje się, że przy dużym popycie firmy mogą sprzedać praktycznie wszystko, zaś wąskim gardłem jest dostępność towarów i/lub komponentów potrzebnych do produkcji. W efekcie można się spodziewać, że systemy uczenia maszynowego będą wykorzystywane nie tyle do maksymalizacji sprzedaży, co do optymalizacji zatowarowania w relacji do popytu.
Przykłady można by mnożyć…
dr hab. Andrzej Wodecki
