Недавно одна компания спросила нас: «Почему мы должны использовать решения на основе искусственного интеллекта и аналитики?». После некоторого размышления стало очевидно, что на этот вопрос можно ответить с разных точек зрения.

Глаза и уши и не только

Самый простой аргумент в пользу использования аналитики данных заключается в том, что она дает вам тысячи глаз и ушей в вашем бизнесе и вашей среде. Хотя вся эта информация доступна в разных системах и источниках, аналитика данных предназначена для объединения всей этой информации, чтобы она была доступна и могла использоваться на предприятии в режиме реального времени с соответствующими разрешениями безопасности. По сути, это комплексная сенсорная система для вашей компании. Используя методы машинного обучения / искусственного интеллекта, аналитика данных может выполнять множество задач, которые до сих пор требовали вмешательства человека. Хотя эти задачи в настоящее время ограничены простыми задачами, такими как распознавание изображений, распознавание речи, языковой перевод и т. д., они могут быть объединены в бизнес-решения, которые могут предоставлять высокоавтоматизированные интеллектуальные приложения. Например, компания с более чем 1000 торговых точек может отслеживать видеопотоки из всех 1000+ магазинов в режиме реального времени, используя решения, основанные на машинном зрении и аналитике.

Дело против опыта

В быстро меняющейся среде, например, в отраслях, переживающих спад, или в случае начинающих компаний, опыт иногда не очень надежен и может даже оказаться контрпродуктивным. С другой стороны, данные нелегко ввести в заблуждение. Возьмем, к примеру, такие автомобильные компании, как Uber и AirBnB, которые использовали интеллектуальные алгоритмы и аналитику, чтобы устранить целые звенья бюрократии и заменить их относительно безболезненным, упорядоченным и экономичным опытом к удовольствию клиента. Такие компании не входили в неизведанные географические регионы благодаря бизнес-опыту, вместо этого они использовали аналитику данных.

Снижение рисков для организации, иногда с самых ярких

Во многих организациях самыми способными сотрудниками являются те, кто глубоко разбирается в процессах компании, клиентах и ​​т. д. Со временем организации начинают чрезмерно полагаться на опыт таких людей и бессознательно устанавливают планку производительности, основанную на результатах работы самых ярких сотрудников. . Возьмем квазиакадемический пример, который имеет поразительное сходство с тем, что происходит в организациях. В конкурсе Whale Detection Challenge, проводимом совместно с Kaggle и Корнельским университетом, был предложен общий призовой фонд в размере 10 000 долларов США командам, создавшим наиболее эффективный алгоритм для обнаружения североатлантических криков южных китов. За два месяца более 300 участников подали 3333 заявки. Победившая работа увеличила точность модели обнаружения исследователей с 72% до 98%, что является значительным улучшением, которое оказывает влияние на реальный мир, предотвращая столкновения с судами в Массачусетском заливе. Более того, лучшее решение было найдено учеными, не имевшими большого опыта в морской биологии.

Поиск неосвоенных рынков

Большинство систем таргетинга на клиентов в большинстве стран основаны на традиционных моделях привлечения клиентов, основанных на опыте, в результате чего сотни миллионов клиентов остаются необслуживаемыми или недостаточно обслуживаемыми. Это резкое сравнение наблюдается между традиционными банками и компаниями, выпускающими кредитные карты, и финтех-компаниями. ZestFinance очень кратко формулирует это следующим образом.

Сегодня большинство кредиторов используют тот же подход к кредитным решениям, который был разработан 50 лет назад. Этот подход основан на предположении, что большие объемы данных трудно получить, дорого их хранить и почти невозможно использовать…

…Эта новая технология способна потреблять огромные объемы данных для более точного определения хороших заемщиков, обеспечивая более высокие ставки погашения для кредиторов и более дешевые кредиты для потребителей.

В ZestFinance при андеррайтинге не происходит никакого человеческого взаимодействия. Вместо этого мы полагаемся на несколько параллельно работающих математических моделей для принятия решений об андеррайтинге. В то время как многим кредиторам требуются часы или даже дни, чтобы принять кредитное решение, мы принимаем его — точно — менее чем за 10 секунд.

Делать это в масштабе

Когда компании используют интеллектуальные приложения для автоматизации всех рутинных задач, для сбора и очистки данных и выявления интересных закономерностей, это позволяет им масштабировать и разрушать уже существующих игроков в отрасли с гораздо меньшими капиталовложениями и операционными расходами. Такие компании могут использовать свои достижения, чтобы по-настоящему сосредоточиться на близости с клиентами и инновациях, а также создать сильные барьеры для конкуренции.

Наши 2 цента

Аналитика изменит бизнес в ближайшие дни. В этом блоге приводится ряд примеров, которые заставят вас задуматься о том, как можно использовать аналитику в различных контекстах. Мы считаем, что предприятия выиграют, если зададут следующие вопросы

1. Где мы можем автоматизировать с небольшим интеллектом, чтобы делать вещи быстрее, лучше и дешевле?

2. Как мы можем создать организационный интеллект и мудрость, не полагаясь полностью на избранных людей?

3. Где возможности для инноваций и преобразования бизнеса в обычном режиме?

Возвращаясь к первоначальному вопросу, т. е. «Почему мы должны использовать решения на основе ИИ и аналитики?». Мы считаем, что ответ на этот вопрос все чаще будет риторическим… «Можете ли вы позволить себе этого не делать?»