Термины «аналитика», «наука о данных», «машинное обучение», «глубокое обучение» и «автоматизация» становятся все более заметными. На самом деле вопрос заключается в том, как компании используют эти технологии, как они используют их для увеличения доходов, улучшения продукта и повышения эффективности. Здесь мы обсудим некоторые варианты использования этих технологий в различных сегментах экономики. .

А. Сеть ресторанов

Сетевые рестораны используют науку о данных и аналитику для анализа влияния нового меню на рынок, они делают это, чтобы выяснить, может ли новое меню обеспечить достаточно продаж, чтобы компенсировать затраты на маркетинг нового меню. Влияние нового меню на выбранные места анализируется с помощью A/B-тестирования, и даются рекомендации относительно того, следует ли сетевому ресторану запускать это новое меню.

Сетевые рестораны также получают информацию, просматривая данные о своих покупках. Как только вы узнаете, что людям, которые с большей вероятностью покупают «Меню А», может также понравиться пункт «Меню Б», вы также получите много информации от потребителя о не только с точки зрения рекламы, но и с точки зрения комплектации, и эта информация может помочь вам настроить меню.

Корпорация Макдоналдс недавно приобрела Dynamic Yield, израильскую технологическую компанию, специализирующуюся на машинном обучении, которая предоставляет предложения продуктов покупателям электронной коммерции на основе их заказов и других переменных.

B. Производство / производственные отрасли

Производитель использует Analytics для прогнозирования запасов. Производители используют исторические данные о производстве, чтобы узнать, сколько товаров (например, генераторов, трехколесных велосипедов) им потребуется произвести в течение следующих шести месяцев, чтобы удовлетворить ожидаемый спрос. Поскольку результат, который производитель хочет предсказать, представляет собой число, целевая переменная является числовой. Поэтому для решения этой проблемы можно использовать числовую или регрессионную модель.

Такие компании, как General Electric, с более чем 500 заводами и тысячами заводов в цепочке поставок, используют преимущества анализа данных на уровне предприятия. Они используют прогностические приложения для прогнозирования спроса на запасы. Преимущества таких систем включают общее улучшение качества при меньшем количестве простоев, более быстрое время цикла и большую экономию затрат на рабочую силу и повышение эффективности работы на предприятии и во всем мире.

C. Быстро движущиеся потребительские товары

Быстро развивающиеся отрасли потребительских товаров, такие как (обработанные продукты, готовые блюда, напитки, лекарства), используют науку о данных и аналитику различными способами.

Сети пиццерий используют данные о продажах в своих существующих магазинах и соответствующие демографические данные по этим магазинам, чтобы предсказать, сколько пицц они будут продавать в новом магазине. Поскольку результатом, который пытается предсказать Pizza, является количество пицц, то целевая переменная является числовой, и они будут использовать числовую или регрессионную модель для решения этой проблемы.
Это также относится к продавцам мороженого, которые каждую неделю продают разное количество мороженого. они размещают заказы на контейнеры для мороженого раз в неделю, но хотели бы знать, сколько заказывать, чтобы иметь достаточное количество мороженого для продажи, но не тратить слишком много на замораживание избыточных запасов.

Domino Pizza собирает данные по всем своим каналам — текстовым сообщениям, Twitter, Pebble, Android, Amazon Echo — и это только малая часть — и передает их в Domino’s Information Management Framework. Там они объединяются с данными из сторонних источников, таких как Почтовая служба США, а также с информацией о геокодировании, демографическими данными и данными о конкурентах, чтобы обеспечить глубокую аналитику и сегментацию клиентов.

D. Кредитные компании/компании по управлению рисками

Кредитные организации предоставляют кредиты малому бизнесу. После того, как заявка на предварительный кредит будет одобрена, у заявителя есть 90 дней, чтобы подать заявку на фактический кредит. Финансовая организация использует науку о данных и аналитику, чтобы предсказать, сколько заявок на кредит они должны обработать из своего пула заявок на получение кредита.
Кредитные компании / отдел управления рисками в банках также используют исторические данные своих клиентов, чтобы предсказать, новый клиент не выполнит обязательства по кредиту, всегда платит вовремя или иногда платит. Поскольку результат, который банк пытается предсказать, представляет собой категорию, в которую попадет новый клиент, для решения этой проблемы используется нечисловая или классификационная модель.

Amazon кредитует малый бизнес на миллиарды долларов, перепродавая товары на своей платформе. Машинное обучение используется для выявления заемщиков с низким кредитным риском на основе их оборачиваемости запасов и прибыльности. Amazon полностью полагается на машинное обучение, поэтому люди не участвуют даже в заполнении заявки, и она предлагает незапрашиваемые кредиты на условиях бери или не бери.

E. Рекламные/маркетинговые компании

Маркетинговые организации используют аналитику, чтобы предсказать, может ли кто-то использовать купон, поскольку они хотели бы минимизировать затраты и отправлять купоны только тем людям, которые могут их использовать.

Influans использует архитектуру больших данных и алгоритмы искусственного интеллекта для создания более целенаправленного и персонализированного маркетинга для брендов и ритейлеров.

F. Медиакомпании, служба поддержки клиентов

ИИ теперь позволяет предприятиям лучше управлять и находить ценность в своих корпоративных видео- и аудиоресурсах.

Технология глубокого обучения позволяет компаниям понимать и оптимизировать библиотеки видеоконтента с расширенным обогащением метаданных и ранее неиспользованными аналитическими данными. От повышения вовлеченности и повышения доступности до автоматизации субтитров и повышения инклюзивности.

Глубокое обучение также позволяет медиа-компаниям или специалистам по работе с клиентами расшифровывать записи/звонки в режиме реального времени или почти в реальном времени, а полученные расшифровки могут использоваться для расширенной аналитики. Эти текстовые расшифровки могут быть сохранены, в то время как высококачественные несжатые аудиофайлы теперь можно удалить, и их не нужно сохранять. Способность компаний предоставлять доступ к этим данным в режиме реального времени также требует улучшений в том, как данные хранятся и обрабатываются».

Gridspace использует сети глубокого обучения для управления сложными системами распознавания речи. Их сети начинаются с необработанного аудио и расширяются до темы, ключевого слова и идентификации говорящего. Их программное обеспечение Gridspace Memo предназначено для определения выступающих, ключевых слов, критических моментов и времени, затраченного на разговоры, а также предоставления групповых выводов из конференц-звонков. Gridspace Sift предоставляет аналогичную информацию об обслуживании клиентов и контактных звонках.

G. Кадровые агентства

Кадровые агентства используют науку о данных для прогнозирования соответствия требованиям сотрудников с помощью моделей дерева решений, параметры которых были оптимизированы с помощью GridSearchcv.

Специалисты по управлению персоналом, такие как LinkedIn, все чаще предлагают инструменты больших данных и ИИ для просеивания профилей кандидатов и выявления наиболее подходящих людей на должность. И это хорошо, учитывая, что 52% руководителей по поиску талантов заявляют, что самая сложная часть процесса найма — это выявление нужных людей из большого числа претендентов.

JetBlue Airlines дает нам отличный пример использования анализа данных для поиска наиболее подходящих кандидатов. Ранее компания сосредоточилась на «вежливости» как на самом важном атрибуте бортпроводников. Затем, проведя некоторый анализ данных о клиентах в бизнес-школе Wharton, JetBlue заинтересовались тем, что в глазах их клиентов быть полезным на самом деле важнее, чем быть любезным, и даже может компенсировать не очень хорошее поведение людей. . Затем компания смогла использовать эту информацию для более эффективного поиска кандидатов.

H. Разработка веб-приложений и мобильных приложений

Бизнес теперь развертывает модели Data Science / Machine Learning в веб-приложениях и мобильных приложениях.

Веб-приложения — к ним относятся интерактивная аналитическая панель с возможностями прогнозирования, например панель прогнозирования оттока клиентов/сотрудников, панель прогнозирования цен на акции.

Мобильные приложения. К ним относятся приложения для машинного обучения, такие как чат-боты или виртуальные помощники, основанные на данных разговора, которые могут предсказать подходящий ответ на вопросы. Например, виртуальный помощник Siri и Google Assistant использует обработку естественного языка. Это машинная модель для преобразования речи в текст. .

Некоторые реальные примеры использования интеграции машинного обучения в мобильные приложения включают интеллектуальную компоновку Google, функция интеллектуальной компоновки основана на машинном обучении и будет предлагать предложения по мере ввода. Он включает в себя модель LSTM, которая будет предсказывать следующий вероятный текст для напечатанного предложения. Это позволяет быстрее писать электронные письма. Также приложение Snapchat накладывает смайлики на изображения и видео, используя модель машинного обучения для обнаружения лиц и определения черт лица.

I. Розничная торговля/финансы

Предприятия розничной торговли используют науку о данных и аналитику, чтобы ответить на такие вопросы, как
• Продукт: поставляет ли бизнес нужные товары в нужное время (локальный ассортимент, ориентированный на клиента)? Что стоит за колебаниями продаж и маржи? Какова текущая ситуация со складами и есть ли вероятность того, что их нет в наличии?
•Цены: каковы наиболее привлекательные цены? Как корректировка цен влияет на сквозные продажи? Какую тактику можно использовать для управления уценками и снижения маржи?
• Рекламные акции. Какие товары клиенты обычно покупают вместе? Можно ли оптимизировать расходы на рекламу?
• Продакт-плейсмент: соответствуют ли продукты планам продаж? Какое влияние репозиционирование может оказать на конкретные элементы? Какова доходность размещения на полках, в проходах и на торцах?
• В магазине: оптимально ли укомплектованы сотрудники и управляются ли магазины? Получают ли сотрудники магазина информацию о клиентах в режиме реального времени? Предоставляются ли клиентам персонализированные впечатления?

Nike приобрела компанию Celect, занимающуюся аналитикой розничной торговли, чтобы развить свои навыки в области обработки данных для своего плана Consumer Direct Offense. Платформа облачной аналитики Celect позволяет ритейлерам оптимизировать запасы по каналам. Платформа обеспечивает эффективное управление заказами, распределение, планирование и принятие решений в сезон.

J. Интернет-бизнес (цифровые продукты/товары)

Онлайн-бизнес использует науку о данных и методы машинного обучения для создания простых алгоритмов, которые анализируют и фильтруют действия пользователя, чтобы предлагать ему наиболее актуальные и точные элементы. Такие рекомендательные движки показывают элементы, которые могут заинтересовать пользователя, еще до того, как он сам их искал.

Чтобы создать механизм рекомендаций, специалисты по данным анализируют и обрабатывают большой объем информации, определяют профили клиентов и собирают данные, показывающие их взаимодействие, чтобы избежать повторения предложений. Например, есть бизнес, использующий рекомендательную систему для рекомендации цифровых продуктов, таких как видеоконтент, новостные статьи, пакеты данных / варианты эфирного времени от интернет-провайдеров и телекоммуникационных компаний, кредитные услуги, расходные материалы на веб-сайтах электронной коммерции.

YouTube и Netflix используют рекомендательную систему, чтобы предлагать видеоконтент своим клиентам на основе того, насколько высоко они оценивают контент, на основе контента, который нравится людям, похожим на них, на основе того, сколько времени было потрачено на просмотр контента и на основе вообще популярный контент.

К. Операции

Обработка большого объема счетов связана с повторяющимися ручными задачами, которые могут привести к задержке и неправильным платежам. Обработка счетов сопряжена со многими проблемами, такими как счета с форматами, необходимость консолидации данных из различных источников в единую систему финансовой базы данных и т. д.

Роботизированная автоматизация процессов (RPA) автоматически обрабатывает счета после их получения. RPA может автоматизировать ввод данных, ошибку согласования и даже может обрабатывать определенные решения, необходимые для обработки счета, что сводит к минимуму потребность во вмешательстве человека. Бумажный формат счета можно автоматизировать с помощью OCR (оптическое распознавание символов).

В Соединенных Штатах компания KeyBank, расположенная в Кливленде, ищет способы повышения эффективности и недавно заключила партнерское соглашение с Billtrust для автоматизации доставки счетов и обслуживания дебиторской задолженности.

Благодаря электронному выставлению счетов на облачной платформе, основанной на Quantum Payment Cycle Management от Billtrust, банк теперь может внедрять принципы RPA в действия, связанные с обработкой дебиторской задолженности, такие как создание счетов, ведение учета причитающихся и полученных платежей, предоставление кредита, и выполнение бухгалтерских функций. В частности, технология RPA избавляет сотрудников от необходимости выполнять повторяющиеся ручные задачи.