#1:机器学习可以为您的业务做什么,以及如何发现

这是由6部分组成的教程的第1部分,该教程是PM创建基于机器学习的产品的分步指南。 单击链接以获取整个系列的概述。

投资ML就像十年前投资手机一样-可以改变您的业务

查询现有数据以获得知识是一门众所周知的广泛学科。 但是,ML是数据分析的下一个前沿领域。 它是一门学科,计算机程序可以使用它们在数据中识别的模式,进行预测或获取见解,并通过经验来改进这些见解,而无需人类明确地告诉他们如何做。 随着公司可以访问更多数据,机器学习可以帮助他们了解数据的规模。 粒度范围从个人用户的互动到全球趋势及其对地球的影响。 这些知识的使用范围还可以从调整像素级别的用户体验到创建当前不存在的新产品和商业机会。 请注意,ML不仅可以使用内部数据。 可以通过组合内部和外部数据来获得以前无法实现的新见解,从而提高ML的性能。

A16Z的Frank Chen对人工智能的潜在应用进行了出色的介绍,其中许多需要或将需要机器学习。 其中一些应用程序面向未来,尚不能使用现有技术来实现,但是给人以可能性的印象。

就像消费者公司在8到10年前考虑在移动设备上进行投资一样,现在是公司探索ML作为有助于推动业务成果的技术的时候了。 对于专注于使用现有ML技术的公司,您提供的ML功能有几个关键主题。 这些并非详尽无遗或互斥,但代表了对您的公司可能产生影响的不同观点:

  • 大规模适应环境,用户的体验和系统反应。 想象一个人所做或看到的一切都可以针对他们量身定制,甚至可以预测他们的需求和行为。 这包括根据相关性订购的产品或服务的建议。 根据您对用户的了解,他们的行为,喜欢他的其他人或外部数据(包括预测他们接下来要做什么),量身定制用户体验或流程。在较小的规模上,这可以使体验适应以下细分受众群引导用户而不是个人。
  • 视觉上识别物体并相应地自动化或适应体验的能力。 当今的技术甚至可以在实时摄像机上识别照片和视频中的对象。 以此方式,Pinterest建议与用户正在查看的照片中的对象相似/互补的对象。 Facebook使用面部识别技术向朋友建议他们应该标记照片。 亚马逊根据对象等的视觉识别创建自动结帐。
  • 自动检索,创建或处理内容。 ML使世界上大量内容的快速处理成为可能。 常见用途是文档检索,例如 查找与法律案件相关的所有文档(请注意,这超出了关键字),按主题和关键字对文档进行分类,自动汇总内容,从大量内容中提取相关信息,例如 在销售合同等中搜索特定术语。此处的“内容”是指所有类型的媒体,而不仅仅是文本。
  • 大规模的预测,估计和趋势。 ML使预测非常昂贵或难以做出。 ML对于做出需要其他专业知识的预测尤其有用,例如 例如,房屋价格,甚至一个人无法确定在社交媒体上哪种内容效果很好。 机器还可以在数据趋势对人类显而易见之前识别它们。
  • 检测异常活动或系统错误。 每个系统都有错误和问题。 但是,使用ML,您不仅可以确定问题是否正在发生,还可以确定是否异常和令人担忧。 这在各种监视和安全系统中特别有用。

从战略角度来看,机器学习可以实现不同类型的业务成果:

  • 为您的客户改善体验和功能。 最常见的用例是大规模定制:更快,更高效地找到最可能与客户相关的产品,例如 他们在约会网站上的最佳匹配,他们在音乐网站上可能喜欢的歌曲,他们可能想要购买的产品等。另一个用例是使用预测来告知他们实体或情况,否则他们将不会会的。 这可能很笼统-例如 Zillows Zestimate均对房子表示赞赏,无论是谁看房子或如何为单个客户量身定制。 用户对由于其特定口味而未看过的电影进行评级的等级。
  • 内部职能,流程和业务逻辑。 机器学习可以节省您的时间,并提高您在业务流程和决策中的资源投资的效率。 例如:贷方要优先考虑与潜在贷方的联系。 需要确定是谁愿意拿出贷款以在提供时实际提取,但很可能能够偿还。 优先考虑最值得信赖的客户并不一定是答案,因为这些客户通常有很多选择,而且转换的可能性较小。 因此,需要一个更复杂的模型。
  • 扩展到新行业和新产品。 数据可以帮助您开拓全新的商机-为现有客户创建全新的产品,或者为以前从未服务的细分市场或客户提供服务。 例如,Netflix可以向不是主要观众的工作室提供数据见解,从而向他们推荐适合哪些观众的主题和故事情节。 Zillow可以帮助房地产开发商了解使用哪些建筑功能来获得最高的投资回报率。

决定首先确定哪个领域应该取决于潜在的业务影响,问题的复杂性以及实现该影响的成本。

“我们必须对数据做些事情”是一种策略,而不是数据科学,是一个问题

许多公司正在寻找数据科学家,他们是构建ML模型的人,因为“我们应该对数据做些事情”。 我听说许多知名公司的高管说:“我们看到竞争对手在购买数据,因此我们必须这样做以保持竞争力。” 然后,我们雇用了一些数据科学家,希望他们能发展一些魔术。 这使我对ML产生了很大的误解。

ML对于您的公司而言不是魔杖。 ML的第一个挑战是确定技术应推动的业务影响。 ML是一种解决方案-您首先必须定义问题:您希望使用ML实现哪些业务成果? ML可以为您的客户带来什么好处? ML是一把锤子-但是,如果您没有钉子,锤子并不是特别有用。 为了进一步扩大陈词滥调,ML是一套极为灵活的锤子。 钉子的类型决定了您选择哪种锤子以及如何使用它。 您要解决的确切问题决定了一切-结果的使用方式,模型的预测结果以及应如何进行校准,收集和处理的数据,测试的算法以及许多其他问题。

其核心是“我们要解决什么问题?”一个业务问题,这意味着定义最终是产品经理和总监的责任,而不是数据科学家的责任。 绝对应该将数据科学家和其他利益相关者包括在定义中-只是不要向他们提出问题,并希望他们能得到答案。 如果您有不熟悉的数据,请与公司中的其他客户进行客户访谈和想法。 数据科学家可以帮助您检查数据,想法和迭代。 但是,如果您对问题领域没有广泛的了解,则很难自己创建业务案例。 为了使ML对公司的价值最大化,需要产品经理和数据科学家之间的持续协作,其中产品经理负责确保要解决的问题对公司最有效。

拆箱ML如何促进您的业务

尽管使用ML的可能性无穷无尽,但您仍然可以问几个问题,以了解如何将该技术应用于您的业务。 以下是一些示例:

内部流程

  • 今天,公司中的人们在哪里使用知识来做出可以自动化的决策,以便他们的技能可以在其他地方得到更好的利用?
  • 通常会从我公司的某些信息存储中搜索,收集或提取哪些数据,并且该如何自动化?
  • 我公司的员工会做出哪些决定? 如果机器神奇地捕获了员工拥有的所有数据,那么机器可以做出这些决定吗?

现有客户的产品和经验

  • 我的客户互动的哪些部分是由人定制的,并且可能可以通过机器进行调整?
  • 是否根据客户的偏好,行为和需求对客户进行了明确的细分? 我的产品/经验是否针对每个细分市场量身定制?
  • 我可以根据我对客户的了解或他们与我的网站/应用程序/产品的交互方式来为每个客户定制体验吗? 我如何为他们创造更好,更快或其他更愉快的体验?
  • 我今天想问客户的决定到底是什么? 这些决定是否可以根据我已经拥有或可能拥有的知识自动执行?
  • 我怎样才能更好地确定好或坏的客户体验? 我可以在问题发生或传播之前确定对客户体验或客户满意度产生负面影响的问题吗?

新产业或新客户

  • 我是否有可能对行业或相关行业中的其他利益相关者有用的数据? 这些利益相关者可以做出什么样的决定?

上面的一切

  • 如果正确预测了哪些指标或趋势,可能会影响我为客户服务或以其他方式在行业中竞争的能力,例如 预测某些产品类别的需求,成本波动等?
  • 我收集数据的主要实体是什么(人员,公司,产品等)? 我是否可以通过某种方式将这些数据链接到外部数据(来自公共来源,合作伙伴等),以告诉我有关这些实体的新知识或有用信息? 对谁有用,如何使用? 例如:确定将要找到您产品的潜在客户,了解外部因素如何影响您行业的需求,并做出相应的反应等。

与您的团队和组织中的主要利益相关者一起考虑其中的一些问题(以及其他问题)。 如果您不确定从哪里开始,请从某个地方开始。 如果您只是尝试一些数据,您和您的团队就可以找出从那里去的方向。

第2部分讨论了项目经理需要了解的所有ML术语,以了解技术选择如何影响您的问题定义,以及需要注意的一些建模问题会影响您的业务。

如果您发现此帖子有趣,请单击下面的绿色心脏,让我知道或与可能有用的人分享。 那完全是我的一天!