# 1: Học máy có thể làm gì cho doanh nghiệp của bạn và làm thế nào để tìm ra nó

Đây là phần 1 của hướng dẫn 6 phần, Hướng dẫn từng bước để xây dựng các sản phẩm dựa trên máy học. Theo liên kết để biết tổng quan về toàn bộ loạt bài.

Đầu tư vào ML giống như đầu tư vào di động 10 năm trước - Nó có thể thay đổi doanh nghiệp của bạn

Truy vấn dữ liệu hiện có để hiểu rõ là một môn học nổi tiếng, được áp dụng rộng rãi. ML, tuy nhiên, là biên giới tiếp theo trong phân tích dữ liệu. Đây là một môn học nơi các chương trình máy tính đưa ra dự đoán hoặc rút ra những hiểu biết dựa trên các mẫu mà họ xác định trong dữ liệu và có thể cải thiện những hiểu biết đó bằng kinh nghiệm - mà không cần con người nói rõ cho họ cách làm như vậy. Khi các tổ chức có quyền truy cập vào nhiều dữ liệu hơn, học máy cho phép họ rút ra những hiểu biết sâu sắc về dữ liệu ở mức độ chi tiết, từ mức độ tương tác của một người dùng đến xu hướng trên toàn thế giới và tác động của họ đến hành tinh. Việc sử dụng những hiểu biết này cũng có thể bao gồm từ việc tùy chỉnh trải nghiệm của một người dùng cá nhân ở cấp độ pixel cho đến việc tạo ra các sản phẩm mới và cơ hội kinh doanh mà hiện tại không còn tồn tại. Lưu ý rằng với ML bạn có thể vượt xa việc sử dụng dữ liệu nội bộ - sức mạnh của ML thường có thể được tăng cường bằng cách kết hợp nội bộ với dữ liệu bên ngoài để thúc đẩy những hiểu biết mới mà trước đây không thể có.

Frank Chen từ A16Z có một mồi tuyệt vời về các ứng dụng tiềm năng của trí tuệ nhân tạo, nhiều trong số đó yêu cầu hoặc sẽ yêu cầu học máy. Một số trong số các ứng dụng này là tương lai và chưa thể đạt được với công nghệ hiện có, nhưng mang lại cảm giác tuyệt vời về các khả năng.

Giống như các công ty tiêu dùng bắt đầu nghĩ về việc đầu tư vào điện thoại di động 810 năm trước, giờ là lúc các công ty bắt đầu khám phá ML như một công nghệ có thể giúp thúc đẩy kết quả kinh doanh. Đối với các công ty tập trung vào việc tận dụng các công nghệ ML hiện có, có một số chủ đề chính cho những gì ML cho phép bạn làm. Đây không phải là toàn diện hoặc loại trừ lẫn nhau, mà là đại diện cho các góc độ suy nghĩ khác nhau về tác động tiềm năng đối với doanh nghiệp của bạn:

  • Tùy chỉnh hàng loạt môi trường, kinh nghiệm và phản hồi của người dùng. Hãy tưởng tượng rằng mọi thứ mà một người làm hoặc nhìn thấy có thể được tùy chỉnh đặc biệt đối với họ và thậm chí dự đoán nhu cầu và hành vi của họ. Điều đó bao gồm các khuyến nghị cho các sản phẩm hoặc dịch vụ, được xếp hạng theo mức độ phù hợp với chúng; trải nghiệm người dùng được điều chỉnh hoặc lưu chuyển dựa trên kiến ​​thức bạn có về người dùng, hành vi của họ, những người khác thích họ hoặc dữ liệu bên ngoài, bao gồm dự đoán những gì họ muốn làm tiếp theo, v.v. Ở quy mô nhỏ hơn, điều này có thể chuyển thành tùy chỉnh trải nghiệm cho các phân đoạn người dùng hơn là cá nhân.
  • Khả năng xác định trực quan các đối tượng và tự động hóa hoặc điều chỉnh trải nghiệm phù hợp. Công nghệ ngày nay có thể xác định các đối tượng trong ảnh và video, kể cả trên cam trực tiếp. Pinterest sử dụng điều này để đề xuất các đối tượng tương tự / bổ sung cho những người trong ảnh mà người dùng đang xem; Facebook sử dụng công nghệ nhận dạng khuôn mặt để đề xuất bạn bè gắn thẻ trong ảnh, Amazon đang xây dựng kiểm tra cửa hàng tự động dựa trên nhận dạng trực quan của các đối tượng, v.v.
  • Tự động truy xuất, tạo hoặc xử lý nội dung. ML cho phép xử lý nhanh chóng số lượng lớn nội dung trên thế giới. Sử dụng phổ biến là truy xuất tài liệu - ví dụ: tìm tất cả các tài liệu có liên quan đến một vụ án pháp lý (lưu ý rằng điều này vượt ra ngoài các từ khóa vào tìm kiếm theo ngữ cảnh), phân loại tài liệu theo chủ đề và từ khóa, tự động tóm tắt nội dung, trích xuất thông tin thích hợp từ số lượng lớn nội dung - ví dụ: tìm kiếm các điều khoản cụ thể trong hợp đồng nhà cung cấp, v.v ... Nội dung trực tuyến tại đây áp dụng cho tất cả các loại phương tiện, không chỉ văn bản.
  • Dự đoán, ước tính và xu hướng ở quy mô. ML cho phép dự đoán rất tốn kém hoặc khó thực hiện. ML đặc biệt hữu ích để đưa ra dự đoán nếu không đòi hỏi trình độ chuyên môn cao như giá nhà hoặc thậm chí không thể để con người đưa ra như nội dung nào sẽ hoạt động tốt trên phương tiện truyền thông xã hội. Máy cũng có thể xác định tốt xu hướng dữ liệu trước khi chúng trở nên rõ ràng đối với con người.
  • Phát hiện các hoạt động bất thường hoặc lỗi hệ thống. Mọi hệ thống đều có lỗi và sự cố, nhưng ML cho phép bạn không chỉ phát hiện xem có vấn đề nào phát sinh hay không, mà còn liệu những vấn đề đó có bất thường và đáng báo động hay không. Điều này đặc biệt hữu ích trong các hệ thống giám sát và bảo mật khác nhau.

Từ góc độ chiến lược, ML có thể thúc đẩy một số loại kết quả kinh doanh:

  • Nâng cao kinh nghiệm và chức năng cho khách hàng của bạn. Trường hợp sử dụng phổ biến nhất là tùy chỉnh hàng loạt - tìm kiếm các sản phẩm có khả năng phù hợp nhất với khách hàng của bạn nhanh hơn và hiệu quả hơn, ví dụ: trận đấu hay nhất của họ trên các trang web hẹn hò, bài hát họ có thể thích trên các trang web âm nhạc, sản phẩm họ có thể quan tâm để mua, v.v ... Trường hợp sử dụng khác là sử dụng dự đoán để giúp họ thông minh về các thực thể hoặc tình huống mà họ không có. Điều này có thể chung chung - ví dụ: Zulum Zestimate coi trọng một ngôi nhà giống nhau bất kể ai nhìn vào nó, hoặc tùy chỉnh cho từng khách hàng - ví dụ: đánh giá người dùng có thể đưa ra một bộ phim mà họ chưa xem theo thị hiếu cụ thể của họ.
  • Chức năng nội bộ, quy trình và logic kinh doanh. Học máy có thể giúp bạn tiết kiệm thời gian và làm cho đầu tư tài nguyên của bạn hiệu quả hơn khi nói đến các quy trình và quyết định kinh doanh. Ví dụ: Một công ty cho vay muốn ưu tiên tiếp cận với những người xin vay tiềm năng. Nó cần xác định ai muốn một khoản vay đủ để thực sự nhận nó nếu được đề nghị, nhưng vẫn có khả năng có thể trả được. Ưu tiên những khách hàng đáng tin cậy nhất không nhất thiết phải là câu trả lời, vì những khách hàng đó thường có nhiều lựa chọn và ít có khả năng chuyển đổi, do đó cần có một mô hình phức tạp hơn.
  • Mở rộng sang ngành dọc mới và sản phẩm mới. Dữ liệu có thể giúp bạn mở ra những cơ hội kinh doanh hoàn toàn mới - tạo ra những sản phẩm hoàn toàn mới cho khách hàng hiện tại của bạn, hoặc phục vụ các phân khúc hoặc khách hàng mà bạn đã từng phục vụ trước đây. Ví dụ: Netflix có thể phục vụ các hãng phim, trong đó có khán giả mục tiêu cốt lõi, bằng cách bán cho họ thông tin chi tiết về dữ liệu của nó về chủ đề và dòng cốt truyện nào hoạt động cho đối tượng nào; Zvel có thể giúp các nhà phát triển bất động sản hiểu được các tính năng xây dựng nào sẽ mang lại cho họ lợi tức đầu tư cao nhất, v.v.

Quyết định khu vực nào cần giải quyết trước tiên nên phụ thuộc vào tác động kinh doanh tiềm năng, cũng như mức độ phức tạp của vấn đề và chi phí để đạt được tác động đó.

Chúng tôi cần phải làm gì đó với dữ liệu của mình. Đây là một chiến lược, không phải là khoa học dữ liệu

Nhiều công ty đang tìm cách thuê các nhà khoa học dữ liệu, những người xây dựng mô hình ML, bởi vì chúng tôi nên làm gì đó với dữ liệu của chúng tôi. Tôi đã nghe nhiều giám đốc điều hành trong các công ty nổi tiếng nói rằng chúng tôi thấy các đối thủ của mình mua dữ liệu vì vậy chúng tôi cần phải làm điều này để duy trì tính cạnh tranh, và sau đó đi thuê một vài nhà khoa học dữ liệu với hy vọng họ sẽ đưa ra một số phép thuật. Điều này đưa tôi đến một quan niệm sai lầm lớn về ML.

ML không phải là cây đũa thần cho doanh nghiệp của bạn. Thách thức đầu tiên trong ML là tìm ra tác động kinh doanh mà công nghệ nhắm đến. ML là một giải pháp - trước tiên bạn cần xác định vấn đề: Kết quả kinh doanh mà bạn mong muốn đạt được với ML là gì? ML có thể mang lại lợi ích gì cho khách hàng của bạn? ML là một cái búa - nhưng nếu bạn không có móng tay, một cái búa không đặc biệt hữu ích. Để kéo dài sự sáo rỗng hơn nữa, ML là một bộ búa rất đa dạng, và loại đinh bạn có sẽ xác định loại búa nào bạn sẽ chọn và cách bạn sử dụng nó. Vấn đề chính xác mà bạn đang cố gắng giải quyết sẽ quyết định mọi thứ - kết quả sẽ được sử dụng như thế nào, mô hình của bạn sẽ dự đoán và cách hiệu chỉnh, dữ liệu bạn thu thập và xử lý, thuật toán nào bạn kiểm tra và nhiều câu hỏi khác.

Về cốt lõi, chúng ta đang giải quyết vấn đề gì? Đây là một câu hỏi kinh doanh, có nghĩa là xác định nó cuối cùng là trách nhiệm của các nhà quản lý sản phẩm và lãnh đạo doanh nghiệp, chứ không phải các nhà khoa học dữ liệu. Các nhà khoa học dữ liệu và các bên liên quan khác hoàn toàn nên tham gia vào việc đưa ra định nghĩa - chỉ cần don ném câu hỏi cho họ và mong họ quay lại với câu trả lời. Nếu bạn có dữ liệu mà bạn không biết phải làm gì, hãy thực hiện các cuộc phỏng vấn khách hàng và giải quyết với những người khác đối mặt với khách hàng trong toàn tổ chức. Các nhà khoa học dữ liệu có thể giúp bạn khám phá dữ liệu của mình, giải quyết và lặp lại, nhưng trừ khi họ có nhiều vấn đề về chuyên môn không gian, họ sẽ khó có thể tự mình đưa ra trường hợp kinh doanh. Để tối đa hóa giá trị ML cho doanh nghiệp, bạn cần có sự hợp tác liên tục giữa các nhà quản lý sản phẩm và nhà khoa học dữ liệu, trong đó trách nhiệm của các nhà quản lý sản phẩm là đảm bảo rằng các vấn đề được giải quyết là những vấn đề có ảnh hưởng nhất đối với doanh nghiệp.

Giải nén làm thế nào ML có thể di chuyển doanh nghiệp của bạn về phía trước

Mặc dù khả năng với ML là vô tận, có một số câu hỏi nhất định bạn có thể hỏi để tìm ra cách công nghệ có thể áp dụng cho tổ chức của bạn. Dưới đây là một số ví dụ:

Nhưng quy trinh nội bộ

  • Những người trong công ty của tôi ngày nay áp dụng kiến ​​thức để đưa ra quyết định có thể được tự động hóa, để các kỹ năng của họ có thể được tận dụng tốt hơn ở nơi khác?
  • Dữ liệu mà mọi người trong công ty tôi thường tìm kiếm, thu thập hoặc trích xuất thủ công từ kho lưu trữ thông tin nhất định và làm thế nào để có thể tự động hóa?
  • Tập hợp các quyết định mà mọi người ở công ty tôi đưa ra là gì? Những quyết định đó có thể được tạo ra bằng máy móc nếu nó ăn một cách kỳ diệu tất cả dữ liệu mà người của tôi có?

Sản phẩm và kinh nghiệm cho khách hàng hiện tại

  • Những phần nào trong tương tác khách hàng của tôi được mọi người tùy chỉnh và có khả năng có thể được tùy chỉnh bằng máy?
  • Tôi có phân khúc khách hàng rõ ràng dựa trên sở thích, hành vi và nhu cầu của họ không? Là sản phẩm / kinh nghiệm của tôi được tùy chỉnh cho từng phân khúc?
  • Tôi có thể tùy chỉnh trải nghiệm cho từng khách hàng dựa trên những gì tôi biết về họ hoặc tương tác của họ với trang web / ứng dụng / sản phẩm của tôi không? Làm thế nào tôi có thể tạo ra trải nghiệm tốt hơn, nhanh hơn hoặc thú vị hơn cho họ?
  • Cụ thể, những quyết định và lựa chọn mà tôi yêu cầu khách hàng của mình đưa ra hôm nay là gì? Những quyết định đó có thể được tự động hóa dựa trên một số kiến ​​thức tôi đã có hoặc có thể có không?
  • Làm thế nào tôi có thể xác định tốt hơn trải nghiệm khách hàng tốt và xấu? Tôi có thể phát hiện các vấn đề sẽ tác động tiêu cực đến trải nghiệm hoặc sự hài lòng của khách hàng trước khi chúng xảy ra hoặc lan rộng không?

Hàng dọc hoặc khách hàng mới

  • Tôi có bất kỳ dữ liệu nào có thể hữu ích cho các bên liên quan khác trong ngành hoặc trong các ngành liền kề không? Những loại quyết định nào nó có thể giúp các bên liên quan đưa ra?

Tất cả những điều trên

  • Các số liệu hoặc xu hướng mà nếu tôi có thể dự đoán chính xác sẽ có tác động có ý nghĩa đến khả năng phục vụ khách hàng của tôi hay cạnh tranh trong ngành, ví dụ: dự báo nhu cầu cho một số loại sản phẩm, biến động chi phí vv?
  • Các thực thể chính mà tôi thu thập dữ liệu (người, công ty, sản phẩm, v.v.) là gì? Tôi có thể kết hôn dữ liệu đó với bất kỳ dữ liệu bên ngoài nào (từ các nguồn công khai, đối tác, v.v.) theo cách cho tôi biết điều gì mới hoặc hữu ích về các thực thể đó không? Hữu ích cho ai và như thế nào? Ví dụ: Xác định khách hàng tiềm năng khi họ đang trên đường tìm kiếm sản phẩm của bạn, hiểu các yếu tố bên ngoài ảnh hưởng đến nhu cầu trong ngành của bạn và phản ứng phù hợp, v.v.

Động não một số trong những câu hỏi này (và những câu hỏi khác) với nhóm của bạn và các bên liên quan chính trong tổ chức. Nếu bạn không biết bắt đầu từ đâu - hãy bắt đầu từ đâu đó. Chỉ cần thử nghiệm với một số dữ liệu có thể giúp bạn và nhóm của bạn tìm ra nơi bạn có thể đi từ đó.

Trong phần 2, chúng tôi sẽ thảo luận về tất cả các thuật ngữ kỹ thuật ML mà PM cần hiểu, sự lựa chọn công nghệ bị ảnh hưởng như thế nào bởi định nghĩa vấn đề của bạn và một số cạm bẫy mô hình để xem xét điều đó có ảnh hưởng đến doanh nghiệp của bạn.

Nếu bạn thấy bài đăng này thú vị, bạn vui lòng nhấp vào trái tim màu xanh lá cây bên dưới để cho tôi biết hoặc chia sẻ với người khác có thể thấy nó hữu ích? Điều đó sẽ hoàn toàn làm cho ngày của tôi!