# 1: Was maschinelles Lernen für Ihr Unternehmen leisten kann und wie Sie es herausfinden

Dies ist Teil 1 des 6-teiligen Tutorials Die Schritt-für-Schritt-Anleitung für PM zum Erstellen maschinell lernbasierter Produkte. Folgen Sie dem Link für eine Übersicht über die gesamte Serie.

In ML zu investieren ist wie vor 10 Jahren in Mobile zu investieren - es kann Ihr Geschäft verändern

Das Abfragen vorhandener Daten nach Erkenntnissen ist eine bekannte und weit verbreitete Disziplin. ML ist jedoch die nächste Grenze in der Datenanalyse. Es ist eine Disziplin, in der Computerprogramme anhand von Mustern, die sie in Daten identifizieren, Vorhersagen treffen oder Erkenntnisse gewinnen und diese Erkenntnisse durch Erfahrung verbessern können - ohne dass der Mensch ihnen ausdrücklich sagt, wie dies zu tun ist. Da Unternehmen Zugriff auf mehr Daten haben, können sie mithilfe von maschinellem Lernen Einblicke in die Größenordnung der Daten gewinnen. Die Granularität reicht von der Interaktion einzelner Benutzer bis hin zu weltweiten Trends und deren Auswirkungen auf den Planeten. Die Nutzung dieser Erkenntnisse kann auch von der Anpassung der Benutzererfahrung auf Pixelebene bis zur Schaffung neuer Produkte und Geschäftsmöglichkeiten reichen, die derzeit nicht existieren. Beachten Sie, dass Sie mit ML weit über die Verwendung interner Daten hinausgehen können. Die Leistungsfähigkeit von ML lässt sich häufig steigern, indem interne mit externen Daten kombiniert werden, um neue Erkenntnisse zu gewinnen, die zuvor nicht möglich waren.

Frank Chen von A16Z hat eine exzellente Einführung in die möglichen Anwendungen der künstlichen Intelligenz, von denen viele maschinelles Lernen erfordern oder erfordern werden. Einige dieser Anwendungen sind zukunftsweisend und mit der vorhandenen Technologie noch nicht realisierbar, vermitteln jedoch einen guten Eindruck von den Möglichkeiten.

Genau wie Verbraucherunternehmen vor 8 bis 10 Jahren über eine Investition in Mobilgeräte nachdachten, ist es jetzt an der Zeit, dass Unternehmen ML als eine Technologie erkunden, die zur Steigerung der Geschäftsergebnisse beitragen kann. Für Unternehmen, die sich auf die Nutzung vorhandener ML-Technologien konzentrieren, gibt es mehrere Schlüsselthemen für die von Ihnen angebotenen ML-Funktionen. Diese sind nicht erschöpfend oder schließen sich gegenseitig aus, sondern stellen unterschiedliche Betrachtungswinkel für mögliche Auswirkungen auf Ihr Unternehmen dar:

  • Massenanpassung der Umgebung, der Erfahrung und der Systemreaktionen eines Benutzers. Stellen Sie sich vor, dass alles, was eine Person tut oder sieht, speziell auf sie zugeschnitten werden kann, und antizipieren Sie sogar ihre Bedürfnisse und Verhaltensweisen. Dies schließt Empfehlungen für Produkte oder Dienstleistungen ein, die nach ihrer Relevanz geordnet sind. maßgeschneiderte Benutzererfahrung oder -flüsse basierend auf Ihren Kenntnissen über den Benutzer, sein Verhalten, andere Personen wie ihn oder externe Daten, einschließlich der Vorhersage dessen, was sie als Nächstes tun möchten usw. In kleinerem Maßstab könnte dies zu einer Anpassung der Erfahrung an Segmente von führen Benutzer statt Einzelpersonen.
  • Die Fähigkeit, Objekte visuell zu identifizieren und Erlebnisse entsprechend zu automatisieren oder anzupassen. Die heutige Technologie kann Objekte in Fotos und Videos identifizieren, auch auf einer Live-Kamera. Pinterest schlägt auf diese Weise ähnliche / ergänzende Objekte zu denjenigen auf einem Foto vor, die der Benutzer betrachtet. Facebook verwendet die Gesichtserkennungstechnologie, um Freunden vorzuschlagen, dass sie ein Foto mit einem Tag versehen sollen. Amazon erstellt eine automatische Kaufabwicklung basierend auf der visuellen Identifizierung von Objekten usw.
  • Automatisches Abrufen, Erzeugen oder Verarbeiten von Inhalten. ML ermöglicht die rasche Verarbeitung der riesigen Mengen an Inhalten in der Welt. Häufige Verwendungen sind das Abrufen von Dokumenten, z. Finden aller Dokumente, die für einen Rechtsfall relevant sind (beachten Sie, dass dies über Schlüsselwörter hinausgeht), Klassifizieren von Dokumenten nach Thema und Schlüsselwörtern, automatische Zusammenfassung des Inhalts, Extrahieren relevanter Informationen aus großen Inhaltsmengen - z. Suche nach bestimmten Begriffen in Verkäuferverträgen usw. „Inhalt“ bezieht sich hier auf alle Arten von Medien, nicht nur auf Text.
  • Vorhersagen, Schätzungen und Trends im Maßstab. ML ermöglicht Vorhersagen, die sehr teuer oder sonst schwer zu treffen sind. ML ist besonders nützlich, um Vorhersagen zu treffen, die ansonsten ein hohes Maß an Fachwissen erfordern, z. B. den Preis eines Eigenheims, oder sogar unmöglich für einen Menschen, um festzustellen, welche Inhalte in den sozialen Medien gut abschneiden. Maschinen können auch Trends in Daten erkennen, bevor sie für den Menschen offensichtlich werden.
  • Erkennung ungewöhnlicher Aktivitäten oder Systemfehler. Jedes System weist Fehler und Probleme auf. Mit ML können Sie jedoch nicht nur feststellen, ob Probleme auftreten, sondern auch, ob diese ungewöhnlich und alarmierend sind. Dies ist besonders nützlich in verschiedenen Überwachungs- und Sicherheitssystemen.

Aus strategischer Sicht kann ML verschiedene Arten von Geschäftsergebnissen erzielen:

  • Verbesserte Erfahrung und Funktionalität für Ihre Kunden. Der gebräuchlichste Anwendungsfall ist die Massenanpassung: Finden Sie die Produkte, die für Ihre Kunden am wahrscheinlichsten relevant sind, schneller und effizienter, z. Ihre besten Übereinstimmungen auf Dating-Sites, Songs, die sie vielleicht auf Musik-Sites mögen, Produkte, die sie vielleicht kaufen möchten usw. Der andere Anwendungsfall ist die Verwendung von Vorhersagen, um sie über Entitäten oder Situationen zu informieren, die sie sonst nicht hätten. Dies könnte allgemein sein - z. Zillows Zestimate schätzt ein Haus gleich, unabhängig davon, wer es ansieht oder wie es auf den einzelnen Kunden zugeschnitten ist - z. Die Bewertung, mit der ein Benutzer einen Film bewertet, den er aufgrund seines spezifischen Geschmacks nicht gesehen hat.
  • Interne Funktionen, Prozesse und Geschäftslogik. Durch maschinelles Lernen sparen Sie Zeit und steigern die Effektivität Ihrer Ressourceninvestitionen bei Geschäftsprozessen und Entscheidungen. Zum Beispiel: Ein Darlehensgeber möchte seinen Kontakt zu potenziellen Darlehensgebern priorisieren. Es muss ermittelt werden, wer ein Darlehen aufnehmen möchte, um es tatsächlich in Anspruch zu nehmen, wenn es angeboten wird, aber wahrscheinlich in der Lage ist, es zurückzuzahlen. Die Priorisierung der kreditwürdigsten Kunden ist nicht unbedingt die Antwort, da diese Kunden normalerweise viele Optionen haben und mit geringerer Wahrscheinlichkeit konvertieren. Daher ist ein komplexeres Modell erforderlich.
  • Expansion in neue Branchen und neue Produkte. Daten können Ihnen dabei helfen, völlig neue Geschäftsmöglichkeiten zu eröffnen - erstellen Sie brandneue Produkte für Ihre bestehenden Kunden oder bedienen Sie Segmente oder Kunden, die Sie zuvor noch nicht bedient haben. Zum Beispiel: Netflix kann Studios bedienen, die nicht die Hauptzielgruppe waren, indem es ihnen Einblicke in die Daten verkauft, welche Themen und Handlungsstränge für welche Zielgruppen geeignet sind. Zillow kann Immobilienentwicklern helfen, zu verstehen, mit welchen Gebäudefunktionen sie den höchsten Return on Investment erzielen.

Die Entscheidung, welcher Bereich zuerst angesprochen werden soll, sollte von den möglichen Auswirkungen auf das Geschäft sowie von der Komplexität des Problems und den Kosten für die Erreichung dieser Auswirkungen abhängen.

"Wir müssen etwas mit unseren Daten tun" ist eine Strategie, keine Datenwissenschaft, ein Problem

Viele Unternehmen suchen nach Data Scientists, die Leute, die ML-Modelle bauen, weil "wir etwas mit unseren Daten machen sollten". Ich habe gehört, dass viele Führungskräfte in prominenten Unternehmen sagten: "Wir sehen, wie unsere Konkurrenten Daten kaufen, also müssen wir dies tun, um wettbewerbsfähig zu bleiben." Dann stellten wir ein paar Datenwissenschaftler ein, in der Hoffnung, dass sie etwas Magie entwickeln. Dies bringt mich zu einem großen Missverständnis über ML.

ML ist kein Zauberstab für Ihr Unternehmen. Die erste Herausforderung bei ML besteht darin, die geschäftlichen Auswirkungen zu ermitteln, die die Technologie vorantreiben soll. ML ist eine Lösung - Sie müssen zunächst das Problem definieren: Welche Geschäftsergebnisse möchten Sie mit ML erzielen? Welchen Nutzen kann ML für Ihre Kunden bringen? ML ist ein Hammer - aber wenn Sie keinen Nagel haben, ist ein Hammer nicht besonders nützlich. Um das Klischee noch weiter auszudehnen, ist ML ein äußerst vielseitiger Satz von Hämmern. Die Art des Nagels bestimmt, welchen Hammer Sie auswählen und wie Sie ihn verwenden. Das genaue Problem, das Sie zu lösen versuchen, bestimmt alles - wie das Ergebnis verwendet wird, was Ihr Modell vorhersagen und wie es kalibriert werden soll, welche Daten Sie sammeln und verarbeiten, welche Algorithmen Sie testen und viele andere Fragen.

Im Kern ist „Welches Problem lösen wir?“ Eine Geschäftsfrage, was bedeutet, dass die Definition letztendlich in der Verantwortung von Produktmanagern und Geschäftsführern und nicht von Datenwissenschaftlern liegt. Datenwissenschaftler und andere Interessengruppen sollten unbedingt in die Definition einbezogen werden - werfen Sie die Frage einfach nicht auf sie und erwarten Sie, dass sie mit Antworten zurückkommen. Wenn Sie Daten haben, mit denen Sie nicht vertraut sind, führen Sie Kundeninterviews durch und führen Sie Ideen mit anderen Kunden im gesamten Unternehmen. Data Scientists können Ihnen dabei helfen, Ihre Daten, Ideen und Iterationen zu untersuchen. Wenn sie jedoch nicht über umfassende Kenntnisse im Bereich Problembereiche verfügen, ist es für sie schwierig, den Business Case selbst zu erstellen. Um den Wert von ML für das Unternehmen zu maximieren, ist eine kontinuierliche Zusammenarbeit zwischen Produktmanagern und Datenwissenschaftlern erforderlich, bei der die Produktmanager dafür verantwortlich sind, dass die zu lösenden Probleme für das Unternehmen die wirksamsten sind.

Auspacken Wie ML Ihr Geschäft voranbringen kann

Während die Möglichkeiten mit ML endlos sind, gibt es einige Fragen, die Sie sich stellen könnten, um herauszufinden, wie die Technologie auf Ihr Unternehmen angewendet werden kann. Hier sind einige Beispiele:

Interne Prozesse

  • Wo setzen die Leute in meinem Unternehmen heute Wissen ein, um Entscheidungen zu treffen, die automatisiert werden können, damit ihre Fähigkeiten an anderer Stelle besser genutzt werden können?
  • Welche Daten werden in meinem Unternehmen normalerweise von bestimmten Informationsspeichern manuell gesucht, gesammelt oder extrahiert, und wie kann dies automatisiert werden?
  • Welche Entscheidungen treffen die Mitarbeiter in meinem Unternehmen? Können diese Entscheidungen möglicherweise von einer Maschine getroffen werden, wenn sie alle Daten, die meine Mitarbeiter haben, auf magische Weise aufnimmt?

Produkte und Erfahrungen für Bestandskunden

  • Welche Teile meiner Kundeninteraktionen werden von Personen angepasst und können möglicherweise von Maschinen angepasst werden?
  • Habe ich eine klare Segmentierung meiner Kunden anhand ihrer Vorlieben, Verhaltensweisen und Bedürfnisse? Ist mein Produkt / meine Erfahrung auf jedes Segment zugeschnitten?
  • Kann ich die Erfahrung für jeden einzelnen Kunden basierend auf dem, was ich über ihn weiß, oder seiner Interaktion mit meiner Site / App / meinem Produkt anpassen? Wie könnte ich eine bessere, schnellere oder auf andere Weise angenehmere Erfahrung für sie schaffen?
  • Was genau sind die Entscheidungen und Entscheidungen, zu denen ich meine Kunden heute auffordern möchte? Können diese Entscheidungen auf der Grundlage von Kenntnissen automatisiert werden, die ich bereits habe oder haben könnte?
  • Wie kann ich gute oder schlechte Kundenerlebnisse besser identifizieren? Kann ich Probleme erkennen, die sich negativ auf das Kundenerlebnis oder die Kundenzufriedenheit auswirken, bevor sie auftreten oder sich verbreiten?

Neue Branchen oder Kunden

  • Verfüge ich über Daten, die für andere Interessengruppen in der Branche oder in angrenzenden Branchen nützlich sein könnten? Welche Art von Entscheidungen können diese Stakeholder treffen?

Alles oben

  • Welche Metriken oder Trends könnten sich bei korrekter Vorhersage auf meine Fähigkeit auswirken, meine Kunden zu bedienen oder auf andere Weise in der Branche zu konkurrieren, z. prognostizierte Nachfrage nach bestimmten Produktkategorien, Kostenschwankungen usw.?
  • Was sind die wichtigsten Entitäten, über die ich Daten sammle (Personen, Unternehmen, Produkte usw.)? Kann ich diese Daten mit externen Daten (aus öffentlichen Quellen, Partnern usw.) in einer Weise verbinden, die mir etwas Neues oder Nützliches über diese Entitäten sagt? Nützlich für wen und wie? Zum Beispiel: Identifizieren Sie potenzielle Kunden, die kurz vor der Suche nach Ihrem Produkt stehen, verstehen Sie, wie externe Faktoren die Nachfrage in Ihrer Branche beeinflussen, und reagieren Sie entsprechend usw.

Überlegen Sie sich einige dieser Fragen (und andere) gemeinsam mit Ihrem Team und den wichtigsten Stakeholdern in der Organisation. Wenn Sie nicht sicher sind, wo Sie anfangen sollen, fangen Sie irgendwo an. Wenn Sie nur mit einigen Daten experimentieren, können Sie und Ihr Team herausfinden, wo Sie von dort aus hingehen können.

In Teil 2 werden alle Fachbegriffe von ML besprochen, die PMs benötigen, um zu verstehen, wie sich die Auswahl der Technologie auf Ihre Problemdefinition auswirkt, und einige der Modellierungsprobleme, auf die Sie achten müssen, wirken sich auf Ihr Unternehmen aus.

Wenn Sie diesen Beitrag interessant fanden, klicken Sie bitte auf das grüne Herz unten, um es mir mitzuteilen, oder teilen Sie ihn jemand anderem mit, der ihn möglicherweise nützlich findet. Das wäre total mein Tag!