# 1: Apa yang Dapat Dilakukan Pembelajaran Mesin untuk Bisnis Anda dan Bagaimana Cara Mengetahuinya

Ini adalah bagian 1 dari tutorial 6-bagian, Panduan PM Langkah-demi-Langkah untuk Membangun Produk Berbasis Pembelajaran Mesin. Ikuti tautan untuk ikhtisar seluruh seri.

Berinvestasi dalam ML Seperti Berinvestasi dalam Seluler 10 Tahun Lalu - Berubah Bisnis Anda

Meminta data yang ada untuk wawasan adalah disiplin ilmu yang dikenal luas dan diadopsi secara luas. Namun, ML adalah perbatasan berikutnya dalam analisis data. Ini adalah disiplin di mana program komputer membuat prediksi atau menggambar wawasan berdasarkan pola yang mereka identifikasi dalam data dan mampu meningkatkan wawasan tersebut dengan pengalaman - tanpa manusia secara eksplisit memberi tahu mereka cara melakukannya. Karena organisasi memiliki akses ke lebih banyak data, pembelajaran mesin memungkinkan mereka untuk menarik wawasan dari data pada skala, pada tingkat rincian yang berkisar dari interaksi pengguna tunggal hingga tren di seluruh dunia dan dampaknya terhadap planet ini. Penggunaan wawasan tersebut juga dapat berkisar dari menyesuaikan pengalaman pengguna individu pada tingkat piksel hingga menciptakan produk baru dan peluang bisnis yang saat ini tidak ada. Perhatikan bahwa dengan ML Anda dapat melampaui menggunakan data internal - kekuatan ML sering dapat ditingkatkan dengan menggabungkan data internal dengan eksternal untuk mendorong wawasan baru yang sebelumnya tidak mungkin.

Frank Chen dari A16Z memiliki primer yang sangat baik tentang potensi aplikasi kecerdasan buatan, banyak di antaranya memerlukan atau akan membutuhkan pembelajaran mesin. Beberapa aplikasi ini terlihat di masa depan dan belum dapat dicapai dengan teknologi yang ada, tetapi memberikan kemungkinan yang besar.

Sama seperti perusahaan konsumen mulai berpikir tentang berinvestasi di ponsel 8-10 tahun yang lalu, sekarang adalah saatnya bagi perusahaan untuk mulai menjelajahi ML sebagai teknologi yang dapat membantu mendorong hasil bisnis. Untuk perusahaan yang berfokus pada meningkatkan teknologi ML yang ada, ada beberapa tema kunci untuk apa yang memungkinkan ML lakukan. Ini tidak lengkap atau saling eksklusif, tetapi lebih mewakili sudut pandang yang berbeda tentang dampak potensial pada bisnis Anda:

  • Kustomisasi massal dari lingkungan pengguna, pengalaman dan respons sistem. Bayangkan bahwa segala sesuatu yang dilakukan atau dilihat seseorang dapat disesuaikan khusus untuk mereka dan bahkan mengantisipasi kebutuhan dan perilaku mereka. Itu termasuk rekomendasi untuk produk atau layanan, yang diberi peringkat berdasarkan tingkat relevansinya; pengalaman pengguna yang disesuaikan atau aliran berdasarkan pengetahuan yang Anda miliki tentang pengguna, perilaku mereka, orang lain seperti mereka atau data eksternal, termasuk memprediksi apa yang ingin mereka lakukan selanjutnya dll. Pada skala yang lebih kecil ini bisa diterjemahkan ke dalam kustomisasi pengalaman untuk segmen pengguna daripada individu.
  • Kemampuan untuk mengidentifikasi objek secara visual dan mengotomatisasi atau menyesuaikan pengalaman yang sesuai. Teknologi saat ini dapat mengidentifikasi objek dalam foto dan video, termasuk di live cam. Pinterest menggunakan ini untuk menyarankan objek yang mirip / komplementer dengan yang ada di foto yang dilihat pengguna; Facebook menggunakan teknologi pengenal wajah untuk menyarankan teman-teman memberi tag pada sebuah foto, Amazon sedang membangun checkout toko otomatis berdasarkan identifikasi visual objek, dll.
  • Pengambilan otomatis, pembuatan, atau pemrosesan konten. ML memungkinkan pemrosesan yang bijaksana dari sejumlah besar konten di dunia. Penggunaan umum adalah pengambilan dokumen - mis. menemukan semua dokumen yang relevan dengan kasus hukum (perhatikan bahwa ini melampaui hanya kata kunci dalam pencarian kontekstual), klasifikasi dokumen berdasarkan topik dan kata kunci, ringkasan otomatis konten, ekstraksi informasi terkait dari sejumlah besar konten - mis. menemukan ketentuan khusus dalam kontrak vendor dll. "Konten" di sini berlaku untuk semua jenis media, bukan hanya teks.
  • Prediksi, perkiraan, dan tren pada skala. ML memungkinkan prediksi yang sangat mahal atau sulit dibuat sebaliknya. ML sangat berguna untuk membuat prediksi yang membutuhkan tingkat keahlian tinggi seperti harga rumah, atau bahkan mustahil bagi manusia untuk membuat seperti konten mana yang akan bekerja dengan baik di media sosial. Mesin juga dapat mengidentifikasi tren dalam data jauh sebelum menjadi jelas bagi manusia.
  • Deteksi aktivitas yang tidak biasa atau kegagalan sistem. Setiap sistem memiliki kegagalan dan masalah, tetapi ML memungkinkan Anda untuk tidak hanya mendeteksi apakah masalah muncul, tetapi juga apakah masalah itu tidak biasa dan mengkhawatirkan. Ini sangat berguna dalam berbagai sistem pemantauan dan keamanan.

Dari perspektif strategis, ML dapat mendorong beberapa jenis hasil bisnis:

  • Pengalaman dan fungsionalitas yang ditingkatkan untuk pelanggan Anda. Kasus penggunaan yang paling umum adalah kustomisasi massal - menemukan produk yang paling mungkin relevan bagi pelanggan Anda dengan lebih cepat dan efisien, mis. pertandingan terbaik mereka di situs kencan, lagu yang mungkin mereka sukai di situs musik, produk yang mereka mungkin tertarik untuk membeli dll. Kasus penggunaan lainnya adalah menggunakan prediksi untuk membuat mereka intelijen tentang entitas atau situasi yang mereka tidak akan sebaliknya. Ini bisa bersifat umum - mis. Zillow's Zestimate menghargai rumah yang sama terlepas dari siapa yang melihatnya, atau disesuaikan untuk pelanggan individu - mis. peringkat pengguna cenderung memberikan film yang belum mereka lihat sesuai dengan selera mereka.
  • Fungsi internal, proses dan logika bisnis. Pembelajaran mesin dapat menghemat waktu Anda dan membuat investasi sumber daya Anda lebih efektif dalam hal proses dan keputusan bisnis. Misalnya: Perusahaan pemberi pinjaman ingin memprioritaskan penjangkauannya kepada calon pemohon pinjaman. Perlu menentukan siapa yang menginginkan pinjaman yang cukup untuk benar-benar mengambilnya jika ditawarkan, tetapi kemungkinan masih dapat membayarnya kembali. Memprioritaskan pelanggan yang paling layak mendapatkan kredit belum tentu jawabannya, karena pelanggan tersebut biasanya memiliki banyak pilihan dan cenderung tidak mau melakukan konversi, sehingga diperlukan model yang lebih kompleks.
  • Ekspansi ke vertikal baru dan produk baru. Data dapat membantu Anda membuka peluang bisnis yang sama sekali baru - membuat produk baru untuk pelanggan yang sudah ada, atau melayani segmen atau pelanggan yang belum pernah dilayani sebelumnya. Sebagai contoh: Netflix dapat melayani studio, yang bukan merupakan target audiens inti, dengan menjual wawasan dari datanya tentang tema dan alur alur apa yang berfungsi untuk audiens mana; Zillow dapat membantu pengembang real estat memahami fitur bangunan mana yang akan memberi mereka pengembalian investasi tertinggi, dll.

Keputusan bidang mana yang harus ditangani terlebih dahulu harus bergantung pada potensi dampak bisnis, serta kompleksitas masalah dan biaya untuk mencapai dampak tersebut.

“Kita Perlu Melakukan Sesuatu dengan Data Kita” Adalah Strategi, Bukan Ilmu Data, Masalah

Banyak perusahaan mencari untuk mempekerjakan ilmuwan data, orang-orang yang membangun model ML, karena "kita harus melakukan sesuatu dengan data kita". Saya telah mendengar banyak eksekutif di perusahaan-perusahaan terkemuka mengatakan "kami melihat pesaing kami membeli data sehingga kami perlu melakukan ini agar tetap kompetitif", dan kemudian menyewa beberapa ilmuwan data dengan harapan mereka akan menemukan keajaiban. Ini membawa saya ke kesalahpahaman besar tentang ML.

ML bukan tongkat ajaib untuk bisnis Anda. Tantangan pertama dalam ML adalah mencari tahu dampak bisnis yang ingin didorong oleh teknologi. ML adalah solusi - Anda harus terlebih dahulu menentukan masalahnya: Apa hasil bisnis yang ingin Anda capai dengan ML? Apa manfaat yang dapat diberikan ML untuk pelanggan Anda? ML adalah palu - tetapi jika Anda tidak memiliki paku, palu tidak terlalu berguna. Untuk meregangkan klise lebih jauh, ML adalah seperangkat palu yang sangat bervariasi, dan jenis kuku yang Anda miliki akan menentukan palu mana yang akan Anda pilih dan bagaimana Anda akan menggunakannya. Masalah tepat yang Anda coba selesaikan akan menentukan segalanya - bagaimana hasilnya akan digunakan, apa yang harus diprediksi model Anda dan bagaimana harus dikalibrasi, data apa yang Anda kumpulkan dan proses, algoritma apa yang Anda uji dan banyak pertanyaan lainnya.

Pada intinya, "masalah apa yang kita selesaikan?" Adalah pertanyaan bisnis, yang berarti mendefinisikannya pada akhirnya merupakan tanggung jawab manajer produk dan pemimpin bisnis, bukan ilmuwan data. Para ilmuwan data dan pemangku kepentingan lainnya harus benar-benar terlibat dalam mendapatkan definisi - jangan hanya mengajukan pertanyaan kepada mereka dan berharap mereka akan kembali dengan jawaban. Jika Anda memiliki data yang tidak Anda ketahui apa yang harus dilakukan, lakukan wawancara pelanggan dan lakukan ide dengan orang-orang lain yang menghadapi pelanggan di seluruh organisasi. Ilmuwan data dapat membantu Anda menjelajahi data, mengideasikan, dan mengulangi, tetapi kecuali jika mereka memiliki banyak masalah ruang keahlian, akan sulit bagi mereka untuk membuat kasus bisnis sendiri. Untuk memaksimalkan nilai ML untuk bisnis, Anda perlu kolaborasi berkelanjutan antara manajer produk dan ilmuwan data, di mana itu adalah tanggung jawab manajer produk untuk memastikan bahwa masalah yang dipecahkan adalah yang paling berdampak bagi bisnis.

Membuka Kemasan Bagaimana ML Dapat Memajukan Bisnis Anda

Sementara kemungkinan dengan ML tidak terbatas, ada beberapa pertanyaan tertentu yang dapat Anda tanyakan untuk mencari tahu bagaimana teknologi itu dapat diterapkan pada organisasi Anda. Berikut ini beberapa contohnya:

Proses internal

  • Di mana orang-orang di perusahaan saya saat ini menerapkan pengetahuan untuk membuat keputusan yang dapat diotomatisasi, sehingga keterampilan mereka dapat dimanfaatkan dengan lebih baik di tempat lain?
  • Apa data yang biasanya dicari oleh orang-orang di perusahaan saya, kumpulkan, atau ekstrak secara manual dari repositori informasi tertentu dan bagaimana ini dapat diotomatisasi?
  • Apa seperangkat keputusan yang diambil orang di perusahaan saya? Bisakah keputusan itu dibuat dengan mesin jika secara ajaib mencerna semua data yang dimiliki orang saya?

Produk dan pengalaman untuk pelanggan yang sudah ada

  • Bagian apa dari interaksi pelanggan saya yang disesuaikan oleh orang-orang dan berpotensi disesuaikan oleh mesin?
  • Apakah saya memiliki segmentasi pelanggan yang jelas berdasarkan preferensi, perilaku, dan kebutuhan mereka? Apakah produk / pengalaman saya disesuaikan untuk setiap segmen?
  • Dapatkah saya menyesuaikan pengalaman untuk setiap pelanggan berdasarkan pada apa yang saya ketahui tentang mereka atau interaksinya dengan situs / aplikasi / produk saya? Bagaimana saya bisa menciptakan pengalaman yang lebih baik, lebih cepat atau lebih menyenangkan bagi mereka?
  • Secara khusus, apa keputusan dan pilihan yang saya minta pelanggan saya buat hari ini? Bisakah keputusan-keputusan itu diotomatiskan berdasarkan pengetahuan yang sudah saya miliki atau yang bisa saya miliki?
  • Bagaimana saya bisa mengidentifikasi pengalaman pelanggan yang baik vs yang buruk? Dapatkah saya mendeteksi masalah yang akan berdampak negatif pada pengalaman atau kepuasan pelanggan sebelum terjadi atau menyebar?

Vertikal atau pelanggan baru

  • Apakah saya memiliki data yang dapat berguna bagi pemangku kepentingan lainnya di industri atau di industri yang berdekatan? Keputusan apa yang dapat membantu para pemangku kepentingan ini membuat keputusan?

Semua yang di atas

  • Apa metrik atau tren yang jika saya dapat memprediksi dengan benar akan memiliki dampak yang berarti pada kemampuan saya untuk melayani pelanggan saya atau bersaing di industri, mis. perkiraan permintaan untuk kategori produk tertentu, fluktuasi biaya, dll.?
  • Apa entitas utama yang saya kumpulkan data (orang, perusahaan, produk, dll.)? Dapatkah saya menggabungkan data itu dengan data luar (dari sumber publik, mitra, dll.) Dengan cara yang memberi tahu saya sesuatu yang baru atau berguna tentang entitas itu? Berguna untuk siapa dan bagaimana? Misalnya: Identifikasi pelanggan potensial ketika mereka hampir mencari produk Anda, pahami bagaimana faktor-faktor eksternal memengaruhi permintaan di industri Anda dan bereaksi sesuai itu, dll.

Lakukan brainstorming beberapa pertanyaan ini (dan lainnya) dengan tim Anda dan pemangku kepentingan utama dalam organisasi. Jika Anda tidak yakin harus mulai dari mana - mulailah dari suatu tempat. Hanya bereksperimen dengan beberapa data dapat membantu Anda dan tim Anda mengetahui ke mana Anda bisa pergi dari sana.

Di bagian 2, kami akan membahas semua persyaratan teknis ML yang perlu dipahami PM, bagaimana pilihan teknologi dipengaruhi oleh definisi masalah Anda, dan beberapa pemodelan jebakan yang harus diperhatikan yang berdampak pada bisnis Anda.

Jika Anda menemukan posting ini menarik, tolong klik pada hati hijau di bawah ini untuk memberi tahu saya, atau berbagi dengan orang lain yang mungkin menganggapnya berguna? Itu benar-benar akan membuat hari saya!