顶级公司如何使用机器学习

在过去的一年里，机器学习热潮席卷了整个商业世界. 根据亚瑟·塞缪尔, 半个世纪前创造了这个词的计算机科学家, 机器学习是 定义 作为计算机科学的一个分支，它使用大数据集和训练算法来“赋予计算机无需明确编程就能学习的能力”.”

许多高管都有一种直觉，即机器学习将被证明是一种与互联网和个人电脑一样重要的范式转变. 最近的一次 调查 普华永道进行的一项调查显示，30%的商业领袖认为人工智能将在五年内对他们的行业造成最大的破坏. 仅在2016年，就有超过50亿美元的风险投资 淹没了 进入机器学习创业公司. 麦肯锡全球研究院 笔记 机器学习“广泛适用于许多常见的工作活动”,，包括模式识别, 生成和理解自然语言, 工艺优化.

为什么现在机器学习很重要

最近的炒作是由三个关键发展推动的, 这为想要应用机器学习的各个部门和阶段的组织降低了进入门槛:

• 更多的数据和更便宜的存储: 基于云的工具的兴起，以及通过亚马逊Redshift等服务存储数据的成本急剧下降，意味着业务关键型应用程序生成和存储的数据比以往任何时候都多.
• 开源库: 广泛使用的机器学习库，比如谷歌的 TensorFlow 和 scikit-learn 让更广泛的数据科学家和通才软件工程师更容易使用尖端算法.
• 更大的马力: 基于云的平台和针对机器学习优化的定制硬件的发展意味着这些应用程序可以以更低的成本运行得更快, 增加它们对各种业务需求的适用性.

抽象地说，有令人信服的证据表明应该投资机器学习. 但是组织如何真正使用这项技术? 今天的机器学习是如何帮助企业创造价值的, 降低成本，提高投资回报率?

在本文中, 我们分享案例研究，说明各种规模的公司如何使用机器学习来解决五个关键业务案例:用户获取, 客户支持, Forecasting, 欺诈防范, 以及人员管理.

1. 用户获取

大致说来, 典型的消费者或企业业务的客户获取渠道有三个阶段:细分客户基础，了解并满足他们的需求, 在正确的时间用正确的信息吸引他们, 将他们转化为你产品的用户.

机器学习已经被初创公司和大公司广泛应用于整个用户获取渠道. 亚马逊在2017年致股东的信中就是一个很好的例子 说 机器学习对亚马逊的贡献.Com通过提供基于用户偏好的产品和交易推荐来体验“表面之下”的体验. 但对用户进行细分并向他们展示相关产品只是第一步:许多零售商使用机器学习来调整品牌, 在飞行中复制和促销定价，以最大限度地提高任何给定客户的销售可能性.

在企业方面，Salesforce最近发布了 爱因斯坦, 一种检查客户关系管理数据以提供量身定制的建议的产品，以增加特定潜在客户从销售推销中转化的机会, 甚至建议发送电子邮件的合适时间.

2. 客户支持

当然，获取客户只是第一步. 无论是电子商务还是企业, 留住用户和限制流失需要提供及时有效的客户支持.

几十个品牌现在利用机器学习来改善客户支持体验. 例如，巴西超市Ocado 使用 谷歌机器学习api来构建一个定制系统，该系统可以测量客户支持查询的情绪，并将负面回复移到支持提示的顶部. 结果是Ocado对紧急信息的响应速度提高了四倍, 创造一个有价值的机会，在成为诋毁者的高风险中赢回客户.

最近，对话“机器人”现在是 筛选 支持无需人工操作人员帮助的请求——使用机器驱动的自然语言来提供第一响应，该响应可以完成例行请求，如发出返回标签. 除了 减少 支持成本降低30%, 聊天机器人可以通过更快的响应来提高客户满意度, 随着他们理解能力的提高，他们的能力范围也会扩大. 令人震惊的是，44%的美国人.S. 消费者 他更喜欢 与聊天机器人而不是人类互动, 投资于机器学习的面向消费者的企业将拥有巨大的优势.

3. Forecasting

在后台办公室, 各种各样的组织都开始使用机器学习来构建更健壮的系统, 精细而准确的Forecasting模型.

2016年，沃尔玛(Walmart)运营了一个 竞争 数据科学招聘平台Kaggle, 要求申请人使用45家商店的历史数据来建立一个模型，Forecasting每家商店按部门的销售额. 保险巨头AIG组建了一个125人的数据科学团队来构建机器学习模型, 目标是提高公司Forecasting索赔和Forecasting结果的能力.

就连全球眼镜巨头陆逊梯卡也不例外 把 机器学习Forecasting需求:它每年增加2000种新款式, 并使用机器学习和过去发布的数据来Forecasting销售业绩.

4. 安全和欺诈检测

2016年，欺诈 成本 电子商务零售商平均超过总收入的7%. 对员工工资进行欺诈管理, 退款, 由于误报而被拒绝的合法交易都增加了这笔费用.

机器学习作为一种实时智能监控数百万笔交易的强大工具，正开始发挥其潜力, 减少欺诈造成的浪费. 贝宝是这个领域的领导者:他们使用开源工具和大量的交易数据 构建 an 人工智能 从零开始的发动机, 其主要目标是减少旧的欺诈模型产生的假警报的数量.

人类仍然在循环中训练模型并整理歧义, 但最初的结果是惊人的:自从实施了他们的新模式, 贝宝已经将其误报率降低了一半. 对于寻求白手套解决方案的公司来说，创业公司喜欢 筛选的科学 可以使用企业的数据并应用来自整个企业客户网络的欺诈信号吗, 确保迅速抓住欺诈者的最新技术.

5. 人员管理

招聘、管理和留住高素质人才是所有业务能力的根本. One of the most onerous parts of hiring is filtering hundreds or thous和s of resumes to assemble a shortlist for interviews; over half of recruiters 说 这是他们工作中最困难的部分. 这个问题正在被像 不安分的强盗, 阿迪达斯和梅西百货等公司使用的候选人管理系统是根据招聘经理过去的决定来筛选简历的.

关键是，这些算法可以 训练有素的 忽略无意识的人类偏见，甚至在职位描述中标记有偏见的语言——这意味着机器学习有潜力识别出表现出色的人, 在第一轮面试中可能被招聘人员忽视的多元化候选人. 在留存率方面, 机器学习可以增加优秀管理者的指导，并帮助员工更好地表现 生成 具体和公正的职业建议，基于过去的员工有类似的情况.

令人震惊的是，44%的美国人.S. 与人类相比，消费者更喜欢与聊天机器人互动, 投资于机器学习的面向消费者的企业将拥有巨大的优势.

机器学习的影响将越来越大

在本文中, 我们回顾了机器学习可以为各种组织创造直接和即时价值的一些最重要的方式. 将机器学习视为某种企业的灵丹妙药是错误的, 机器学习系统的性能取决于它所训练的数据, 企业的关键决策通常是“边缘情况”，需要一定程度的人为判断和轶事经验来评估.

而不是被机器学习的抽象潜力所迷惑, 高管们应该通过评估他们的核心业务挑战，并将其与机器学习的关键能力(从大量数据中提取意义)相匹配，来解决投资这项技术的问题. 鉴于上述案例研究的多样性, 机器学习技术提供帮助的可能性可能比你想象的要大.