Что делает хороший вариант использования машинного обучения?

Что делает хороший вариант использования машинного обучения?

Подсказка: дело не только в данных

Машинное обучение (ML) - горячая тема. Хотя машинное обучение не ново, снижение стоимости вычислительных мощностей и огромных объемов данных, которые мы собираем как предприятия, так и частные лица, снижает начальные затраты на внедрение этой технологии. Однако у наших потенциальных партнеров по развитию всегда возникает один вопрос: «Что делает хороший вариант использования машинного обучения?» И да, хотя данные для поддержки варианта использования имеют решающее значение, данные - ничто без определенной бизнес-проблемы.

От бизнес-проблемы к варианту использования

Лучшие варианты использования машинного обучения основываются на анализе проблем бизнеса, которые в большинстве случаев сосредоточены вокруг трех тем (с несколькими примерами):

• Снижение затрат: сокращение или поддержание затрат, повышение эффективности сотрудников, повышение эффективности критически важных процессов, увеличение количества выигрышей по предложениям.
• Снижение рисков: соблюдение государственных постановлений, сокращение внеплановых отключений, соблюдение бюджета проекта.
• Увеличение прибыли: выход на новые рынки за счет улучшенного ценностного предложения, увеличения прибыли, повышения эффективности продаж.

По сути, если вы уменьшите затраты и риски, вы, вероятно, увеличите прибыль. Я считаю, что использование этих трех простых сегментов может вызвать много интересных дискуссий с компаниями, которые рассматривают возможность внедрения машинного обучения. Но иногда этого недостаточно.

Чтобы разбить его немного дальше, я часто пишу на доске два слова: уменьшить и увеличить. Затем я прошу своих клиентов подумать о вещах, которые они хотят уменьшить или увеличить в рамках своего бизнеса. Предостережение в том, что необходимы некоторые данные, подтверждающие это утверждение, и мы должны иметь возможность рассчитать рентабельность инвестиций (ROI).

Вы будете удивлены вариантами использования машинного обучения, которые можно раскрыть с помощью этой простой техники. Фактически, многие из этих вариантов использования - низко висящие плоды. Большое заблуждение, связанное с ML, заключается в том, что вам нужно целиться в фиолетовую белку, выстрелить в луну или решать мировые проблемы. На самом деле ML может помочь улучшить результаты некоторых относительно приземленных и универсальных бизнес-проблем.

Отличным примером простого варианта использования является использование машинного обучения для снижения стоимости предложения (сокращение затрат из списка выше). У многих фирм есть большие фабрики предложений, например:

• AEC (архитектура, инженерия и строительство),
• Консультации
• Промышленные услуги

Кроме того, создание предложений в ответ на запросы предложений, запросы предложений, запросы предложений и любую другую комбинацию запросов предложений сопряжено с большими затратами, обычно от 2% до 8% от дохода. Вдобавок к этому, если вы не используете процесс «готово / получаю», чтобы объективно определить, есть ли у вашей компании шанс выиграть предложение, мы можем с уверенностью предположить, что вы слишком много тратите на предложения из-за субъективного мнения.

Как простой вариант использования может иметь огромное влияние на прибыль

Компании, которые соревнуются за работу через предложения, имеют много данных о выигрышах и проигрышах, особенно если у них есть процесс или форма «готов / получен», которые используются для оценки потенциала победы в торгах.

Посредством процесса обнаружения с недавним клиентом, который конкурирует за работу в основном через предложения, мы определили, что хороший вариант использования или бизнес-проблема - это желание снизить затраты на предложение за счет использования машинного обучения для более точного прогнозирования процента побед перед разработкой предложения. Звучит просто, но на самом деле это отличный вариант использования!

Для упрощения вычислений предположим, что эта фирма приносит доход в размере 50 миллионов долларов и имеет 30% выигрышных результатов (самая низкая эффективность в своей отрасли, средняя эффективность составляет 50%). Это означает, что для получения дохода в размере 50 миллионов долларов этой компании необходимо заявить о торгах на сумму 166 миллионов долларов США при 3% затрат на разработку предложения. Другими словами, компании необходимо потратить 5 миллионов долларов на разработку предложений, чтобы получить 50 миллионов долларов дохода.

Используя машинное обучение, мы разработали продукт для прогнозирования выигрышей, который улучшил способность этой компании предсказывать выигрыши (мы использовали все виды функций в модели машинного обучения, включая оценку выполнения проекта, оценку клиента и различные внутренние и внешние наборы данных), что означает, что они могут уверенно говорите «да» и «нет» возможностям, прежде чем потратить ни копейки на фактическое предложение.

Хотя мы все еще находимся на ранней стадии, мы считаем, что повышение винрейта до 40% вполне реально, и в результате мы получим огромную экономию. Коэффициент выигрыша 40% означает, что этой компании нужно будет предложить только 125 миллионов долларов для получения дохода в 50 миллионов долларов, что соответствует 3,75 миллионам долларов затрат на разработку предложения - сокращение затрат на 1,25 миллиона долларов, все благодаря машинному обучению и надежной, но надежной основе. простой, вариант использования.

Суть? Хотя машинному обучению нужны данные, на самом деле оно начинается с определенной бизнес-задачи, направленной на снижение затрат, снижение рисков и повышение прибыли.