Многие предприятия электронной коммерции руководствуются рекомендациями. У него много плюсов: он стимулирует конверсии и прибыль, устраняет ручной труд, автоматизирует оптимизацию (если все сделано правильно), персонализирует в соответствии с поведением клиентов, использует неоперативное хранилище данных и создает настройку, в которой вы оптимизируете алгоритм вместо этого. одиночных баннеров. Во многих отношениях это идеальный метод для начала, когда ставится цель улучшить результаты вашей электронной торговли.
Из-за его довольно волшебных результатов многие рекомендации не оптимальны. Поскольку даже первая попытка искусственного интеллекта при размещении вашего продукта может увеличить продажи на 10%, многие на этом останавливаются. Похоже, что сделал свое дело.
Отнюдь не. Мы живем в мире, где мы соревнуемся по алгоритмам (и UX / CX, но это уже другая тема). Когда вы соревнуетесь по алгоритмам, ваша первая попытка рекомендаций или ИИ в целом недостаточно хороша. Давайте возьмем другой сценарий, рассмотрим проблемные сценарии, с которыми мы сначала сталкиваемся в DNA, но затем сумели создать что-то, что действительно работает (ДНК - это финская телекоммуникационная компания, награжденная за использование данных и ИИ и с проверенной репутацией в создании алгоритмов. стимулированные продажи).
Проблемный сценарий 1. Механизмы рекомендаций предназначены только для персонализации и продаж электронной коммерции.
Что на самом деле работает: механизмы рекомендаций - это мощные системы оптимизации, ориентированные на клиентов, которые должны полагаться на все доступные данные и стимулировать продажи и качество обслуживания клиентов по всем каналам. Это означает, что мы не должны смотреть на базовую настройку механизма рекомендаций как таковую (являющуюся формой совместной фильтрации, возможно, ALS, работающей на Spark), а должны смотреть, как создать конвейер алгоритмов, которые устраняют проблему субоптимизации. . Это может быть комбинация повышения градиента или случайных лесов для ваших табличных данных, связанных с матричной факторизацией и методами НЛП для рекомендаций с включенной классификацией метаданных продукта. Добавление некоторой случайности в смесь, чтобы помочь алгоритму бороться с опрометчивым поведением. У всех этих методов есть свои особые сверхспособности, и в сочетании они помогают бороться с усилиями ваших конкурентов. Что еще более важно: эти рекомендации должны управлять электронной коммерцией, электронной почтой, SMS, физическими лицами и т. Д. В режиме реального времени.
Проблемный сценарий 2. Прежде чем что-либо делать, у нас должно быть хранилище данных.
Что действительно работает: никто не заботится о вашем хранилище данных. Иными словами: как управлять данными, чтобы они работали как основа для слоя ИИ, важно и ими нужно правильно управлять, но это не то, что отнимет у вас большую часть времени. Скорее всего, у вашего конкурента примерно такие же активы данных, некоторые из которых не смоделированы вообще, некоторые в нормализованной форме, некоторые в надлежащих хранилищах данных, а некоторые в комбинации этих данных. Доступность, своевременность, простота использования и качество имеют значение, но именно в таком порядке. Хранилища решают эти проблемы, но никоим образом не критичны для успеха в бизнесе. Есть несколько способов создания надлежащих платформ данных, и мы должны обратить внимание на автоматизацию и простоту наших конвейеров данных. Для достижения автоматизации, простоты, своевременности и простоты использования нам не нужно начинать с хранилищ. Тем не менее, если есть инструменты для автоматизации этих вещей с помощью структуры хранилища, вы также можете пойти на это. Но не создавайте из этого масштабный проект.
Проблемный сценарий 3: Это маркетинговый проект.
Что на самом деле работает: многие провайдеры, похоже, думают, что маркетингу нужны собственные платформы данных и AI. Нет ничего более далекого от правды. Если вы даете рекомендации только для маркетинга, вы ограничиваете возможности инструментов и методов искусственного интеллекта. Рекомендации можно использовать для управления всеми каналами в маркетинговом смысле, но платформа должна быть спроектирована так, чтобы решать все важные для бизнеса вещи: логистика, маркетинг, продажи, динамическая доставка контента, кредитный скоринг, планирование инвестиций, стратегическое планирование и даже креативный дизайн. , среди прочего. Все компании выиграют от наличия стратегии данных и стратегии искусственного интеллекта, которые заявляют, чего мы хотим достичь с помощью данных, и искусственный интеллект, который нам следует исключить. При запросе таких документов я их пока не получала.
Проблемный сценарий 4. Мы решили эту проблему с технологической точки зрения, поэтому готово.
Что действительно работает: работая заказчиком для платформ данных и искусственного интеллекта, 80% моего времени уходит на то, чтобы сообщить, что это такое, что они значат для организации и что они значат для людей, работающих в этой организации. Нет никаких ярлыков. Мы, люди, хотим понять, что меняется, что это означает для нашей повседневной нагрузки и как это улучшает нашу жизнь. ИИ не заменяет ручной труд, он дает нам сверхспособности. Суперспособности создавать лучший клиентский опыт, суперспособности принимать более правильные стратегические решения, суперспособности делать нас лучшими креативными дизайнерами. Многие, кажется, используют ИИ как оружие, хотя на самом деле это умный слой в стеке корпоративных систем, позволяющий упростить и развлечься.
Очень немногие видят ИИ и данные, выходящие за рамки их собственной организационной разрозненности. В этом случае мы, как правило, наблюдаем рост числа платформ искусственного интеллекта, специфичных для разрозненных хранилищ, которые субоптимизируют нашу работу. Что еще хуже, разрозненные хранилища склонны приспосабливать свои объекты искусственного интеллекта и данных к своим стандартам. Основная задача финансов / ИТ - это сначала создать хранилище данных, основная задача маркетинга - сначала купить стек маркетинговой платформы, основная задача электронной коммерции - создать механизм рекомендаций для их первой страницы. Ни одно из них не касается того, что важно с точки зрения бизнеса.
Начните со стратегии обработки данных и искусственного интеллекта. Что важно, каковы ваши варианты использования, что для этого требуется. И что еще более важно, что на самом деле не важно, какие варианты использования не важны, чего для этого не требуется. Затем боритесь за простоту, своевременность, удобство использования и чистые продажи.
