Интервью. Как машинное обучение помогает в бизнесе: маркетинг, рекомендации и рекрутмент

Изображение: Unsplash

Есть ли какое-то наиболее очевидное применение машинного обучения? Чтобы прям начал делать – и сразу ощутил улучшения?

На мой взгляд, одна из таких областей – это маркетинг. Бизнес должен решать задачи по продвижению, при этом ресурсы всегда ограниченны. Эти ресурсы необходимо распределять с наибольшей эффективностью, то есть работать над повышением конверсии.

Машинное обучение отлично подходит для решения этой задачи. При наличии данных по продажам по большому количеству пользователей анализ этой информации и построение моделей могут использоваться для генерирования гипотез о том, какова вероятность наступления нужного события. Например, покупки бытовой техники или автомобиля в результате проведения рекламной кампании.

Также этот подход позволяет ретейлерам понять, каким пользователям и на какие товары можно предложить скидку, чтобы повысить продажи. Анализ поведения отдельных групп пользователей лежит в основе рекомендательных систем, и там также применяется машинное обучение.

К примеру, анализ big data и машинное обучение позволяют делать гипотезы вида клиент купил игру, требующую мощного железа, но давно не покупал технику – стоит предложить ему скидку на современное железо.

Всё это нужно тем компаниям, которые хотят повысить качество коммуникаций и конверсию и при этом обладают большим объемом потенциально полезной информации. Данные помогают лучше понимать клиентов, поэтому использовать их очень важно.

А какие еще могут быть применения этой технологии?

В целом применений машинного обучения для бизнеса очень много. Еще одно перспективное направление – рекомендательные системы. Анализируя большие объемы данных и интересы аудитории, можно автоматически генерировать рекомендации, в том числе в виде изображений.

К примеру, у вас есть определенный товар – одежда разных фасонов и цветов. ML-модель способна предугадать, что клиенту может понравиться похожий товар, – всё это серьезно повышает конверсию.

Очистка данных и сегментация аудитории – другой важный аспект. Бизнес должен понимать, кто именно пользуется его услугами, каковы потребности этих людей. К примеру, в ретейле собственные данные компаний могут совмещаться с информацией операторов фискальных данных, мобильных операторов – это позволяет выделять группы пользователей на основе различных факторов. Например, можно находить группы клиентов, которым интересны определенные товары – для спорта, рыбалки. Это также эффективно используется в маркетинге и рекомендательных системах, точность которых существенно возрастает.

Только ли клиентов можно так анализировать?

На самом деле нет, есть уже подвижки в области применения новых технологий, таких как машинное обучение, нейронные сети и искусственный интеллект, например, для поиска сотрудников.

Сегодня существует огромное количество ресурсов, где можно найти данные о кандидатах. Помимо сайтов непосредственно для поиска работы, важными могут быть и другие ресурсы. Например, если вы хотите нанять программиста, то наверняка изучите его GitHub. Объем информации для анализа очень велик, и если вам нужно нанимать много людей, дело многократно усложняется.

Но уже сегодня существуют механизмы машинного обучения, которые могут автоматически анализировать нужные данные. Возвращаясь к примеру с поиском программистов, стоит сказать, что специализированная модель может быть использована для анализа коммитов на GitHub с целью выявления наиболее активных и квалифицированных специалистов. Сделать это эффективно вручную довольно сложно.

Также с помощью таких технологий можно дополнять профили кандидатов данными из социальных сетей, просчитывать зависимости между навыками и образованием, сопоставлять это с базой ранее присланных в компанию резюме. Все эти механизмы могут быть использованы для построения в том числе предиктивных моделей – чтобы рассчитывать вероятность того, что сотрудник, соответствующий определенному профилю, проработает в компании заданное время.

Насколько сложно начать использовать машинное обучение?

Важно понимать, что сами по себе технологии не работают. Более того, если их использовать без наличия должного опыта, то можно неверно интерпретировать данные, принять ошибочные решения.

Чтобы всё это работало, нужен человек, который будет контролировать взаимодействие всех инструментов и технологий (инженер по machine learning). Поэтому, прежде чем начинать внедрение новых технологий, нужно позаботиться о том, чтобы найти того, кто возглавит этот процесс, обладая достаточным опытом.

Если эту задачу решить, дальше всё будет гораздо проще: данные есть, специалист есть, останется лишь предоставить ему свободу действий, а затем активно внедрять data-driven-рекомендации.