Какие задачи решает машинное обучение в бизнесе
Модели машинного обучения полезны там, где решений много, они повторяются и для них накоплена история. Алгоритм находит в данных закономерности, которые человек не видит, и выдаёт прогноз или рекомендацию для каждого случая.
- Прогноз спроса и планирование закупок
- Рекомендации товаров и персональные предложения
- Скоринг заявок и оценка вероятности сделки
- Прогноз оттока клиентов
- Выявление аномалий и мошенничества
- Динамическое ценообразование
- Компьютерное зрение: контроль качества, подсчёт, распознавание
- Классификация обращений и анализ отзывов
Анализ данных и внедрение BI
Часто компании нужна не модель, а порядок в данных. Сведения о продажах лежат в 1С, заявки — в CRM, реклама — в рекламных кабинетах, и никто не видит общей картины. Собираем данные в единое хранилище, настраиваем регулярную загрузку и строим дашборды для руководителя, маркетинга и продаж.
Внедрение BI начинаем с вопросов, на которые бизнес хочет получать ответ каждый день, а не с выбора инструмента. Работаем с Yandex DataLens, Apache Superset, Power BI и собственными веб-дашбордами.
Как проходит ML-проект
Первый этап — исследование данных: проверяем, хватает ли истории и качества для решения задачи. Примерно в трети случаев выясняется, что сначала нужно наладить сбор данных, и лучше узнать это за две недели, а не через полгода.
Затем строим базовую модель, сравниваем её с текущим способом принятия решений и считаем эффект в деньгах. Если результат есть, внедряем: модель работает как сервис, получает свежие данные, отдаёт прогнозы в ваши системы и автоматически переобучается. Качество отслеживается мониторингом.


