Якщо ваш проєкт поки не має елементів штучного інтелекту, вірогідно, він ще просто не досяг потрібних масштабів. Зміни з впровадженням штучного інтелекту вимагають чітко поставлених завдань і розуміння від замовника, у якій частині проєкту потрібен штучний інтелект.
Мене звати Ігор Шарманський, я фахівець у галузі Data Science в IT-компанії Boosta. Сьогодні пропоную поговорити про приклади застосування штучного інтелекту для онлайн-бізнесів, а також поширені помилки під час імплементації ШІ у свої бізнес-процеси.
Які можливості відкриває ML для онлайн-бізнесу
Сьогодні важко уявити собі будь-який великий онлайн-бізнес, який би не використовував Machine Learning для досягнення своїх цілей. ML — це великий підрозділ штучного інтелекту, що вивчає методи побудови алгоритмів, здатних навчатися.
Коли ви викликаєте Uber, ML-модель підбирає вам водія відповідно до вашого профілю клієнта. На YouTube наступне відео після переглянутого, найімовірніше, припаде вам до смаку. Телефон із легкістю розпізнає ваше обличчя, а левова частина сайтів впроваджує чат-боти з підтримкою ChatGPT. Нижче наводжу приклади можливостей для вашого бізнесу, які може дати Machine Learning.
1. Користувачі довше взаємодіятимуть із сайтом
Що зробить Machine Learning
Наразі потенційні клієнти онлайн-сервісу настільки перевантажені інформацією, що в них часто немає змоги й бажання проводити велику кількість часу на вашому сайті. Відповідно, швидкість, з якою вони знайдуть те, що їх цікавить, напряму впливає на те, чи не перейдуть вони на сайт конкурента в пошуку потрібної їм послуги. Тож якщо ваш сайт відображається у форматі каталогу (фільми, музика, слоти тощо), вам потрібно побудувати рекомендаційну модель, що проаналізує історію користування користувача й знайде елементи вашого сервісу, які точно зацікавлять його.
Раніше користувачам просто пропонували найпопулярніші товари, проте це створювало інформаційні бульбашки на сайті. До прикладу, якби на Netflix рекомендації створювали винятково на основі останнього переглянутого фільму, після перегляду фільму жахів більшість користувачів далі отримували б тільки добірки стрічок у цьому жанрі. Такі рекомендації не враховували, що, можливо, це було одноразове бажання користувача.
Через таку модель рекомендацій велика частина навіть найпопулярнішого контенту могла бути прихованою від користувачів. Тому сьогодні більшість рекомендаційних систем переходять до пошуку найвідповідніших користувачів. Якщо на вашій платформі є достатня кількість людей, вам потрібно знайти користувачів із подібними патернами поведінки й, згідно з їхніми преференціями, рекомендувати в онлайн-режимі інші свої послуги.
Що це дасть бізнесу
Крім зручності для користувача, це напряму впливає на ключові метрики вашого бізнесу: повернення користувачів, кількість послуг на користувача й, найголовніше, прибуток із користувача.
2. Швидке опрацювання запитів користувачів
Що зробить Machine Learning
Цей функціонал дуже популярний для онлайн-маркетплейсів, де вагання користувача може перервати досвідчений агент підтримки й пояснити йому цінність і шляхи для отримання товару. На жаль, наявність у простому доступі для користувача чату дуже часто призводить до появи тисяч запитів, які важко розділити на інформаційні та «продажні». Проте в останні кілька років, із появою на ринку ChatGPT і його конкурентів, це стало можливим.
Цікавим моментом є те, що для опрацювання простіших запитів необов’язково користуватися найновішою системою від ChatGPT чи конкурентів. Насправді дешевші аналоги зможуть опрацьовувати загальні питання з фактично тим самим успіхом. Набагато менш розкручений AI Gemini від Google пропонує ціни на деякі сервіси приблизно в 10 разів менші за найновіші моделі ChatGPT, що робить його значно доступнішим для впровадження.
Що це дасть бізнесу
Ця система може ідентифікувати проблеми, для яких потрібне людське втручання, а в усіх інших випадках самостійно розв’язати проблеми клієнта. Для бізнесів, що працюють із великою кількістю онлайн-звернень, наразі це є надзвичайно великим бустом для продуктивності та швидкості опрацювання критичних запитів.
3. Персоналізація знижок і вища ймовірність повторного замовлення
Що зробить Machine Learning
Загалом є чотири групи користувачів:
- ті, що завжди скористаються послугою;
- ті, що за жодної умови не скористаються послугою;
- ті, що скористаються послугою, лише якщо буде гарний дисконт чи пропозиція;
- ті, що не скористаються послугою, якщо буде дисконт.
Загальний фокус іде на дві групи користувачів — тих, що завжди скористаються послугою, і тих, що скористаються, якщо буде гарний дисконт чи пропозиція. Відповідно, першим бажано не давати пропозицій, що вплинуть на прибуток від них, а для других це є обов’язковим. Саме предиктивна модель, що буде підказувати ймовірність повторного замовлення залежно від наявності дисконту, може допомогти з розв’язанням цієї проблеми.
Що це дасть бізнесу
У будь-якому варіанті бізнесу, чи це модель за підпискою, чи маркетплейс, час від часу проходять акції: знижки, додаткові послуги тощо. Це допомагає збільшити наплив клієнтів, загальний обіг і, потенційно, прибуток компанії. У цьому контексті важливо зрозуміти вплив знижок на користувачів.
4. Оптимізація ціни на послуги й підвищення прибутку
Що зробить Machine Learning
Цей пункт актуальний для бізнесів, де ціна за товар чи послугу є мінливою, до прикладу, авіаперевезення. Один із методів штучного інтелекту (тут може бути застосовані логістична регресія, нейронні мережі, дерева) допоможе проаналізувати, який є шанс на повернення користувача. Це у свою чергу допоможе зрозуміти потребу в оптимізації ціни на послугу.
Що це дасть бізнесу
Візьмемо ціну на послугу $100 (вище, ніж у конкурентів), у такому випадку маржа компанії складає $30. Якщо ціна $100 для конкретного клієнта дає шанс на оплату замовлення в 33%, то апроксимованим прибутком користувача на цьому замовленні будуть $10. За умови ціни 90$ (припустимо, що ця ціна середня на ринку), якщо шанс на оплату замовлення зросте хоча б до 50%, ми вийдемо на той самий прибуток за серйозного зниження маржі. Якщо шанс зросте більше, можна вийти й на більший прибуток.
5. Чіткі прогнози продажів і прибутку для компанії
Що зробить Machine Learning
Це класичне застосування Machine Learning у бізнесі, яке однаково є важливим. Прогнози щодо продажів впливають на логістику, плани команд і відділів. У цьому контексті можна аналізувати як діяльність компанії, так і користувачів і навіть працівників.
Що це дасть бізнесу
Прогнози щодо прибутку великих компаній впливають на фондові ринки, тоді як у менших бізнесах вони щонайменше впливають на поточні процеси, розуміння необхідності розширення чи скорочення та загалом розуміння для власників компанії напрямку її руху.
ML-підходи в офлайн-бізнесі
А чи є місце ML в офлайн-бізнесу? Однозначно. Офлайн-бізнес частіше може використовувати аналітичну частину ML, а саме прогнозувати свої прибутки, продажі тощо. А якщо робота з клієнтами пов’язана з ризиками (кредити, страхування), застосування машинного навчання для прогнозів повернення кредиту/використання страховки вже є необхідністю. Брак цих прийомів буде конкурентним недоліком на ринку, де наразі панують різноманітні моделі штучного інтелекту.
Які напрями бізнесу покрити системами ШІ найпершими
Щоб зрозуміти, звідки можна розпочати впровадження АІ, варто аналітичними методами спершу віднайти проблемні моменти. Початок цього аналізу рекомендую робити з так званої «воронки» продажів.
1. Кількісний аналіз проблемних етапів «воронки»
Знайдіть місця, де клієнти пропадають і де потенціал до зростання є найбільшим. Якщо один із кроків воронки працює дуже добре (на малюнку, наприклад, втрати з моменту оплати до повернення є всього 2% клієнтів, а конверсія складає 90%), то зробивши навіть неймовірно хорошу модель для покращення цього моменту, поліпшити його помітно буде дуже важко. Водночас ми бачимо, що конверсія з відвідувачів у переході до оплати складає 30% — тобто провівши значно менші покращення в цьому компоненті, загальний прибуток буде вищий.
2. Якісний аналіз проблемних етапів «воронки»
Проведіть опитування клієнтів, щоби зрозуміти причини, чому вони залишають «воронку». Це може бути пов’язано з недостатньою інформацією, складним процесом оформлення замовлення або іншими чинниками.
3. Визначаємо фінансову спроможність клієнтів
Зробити прості аналітичні моделі можна за допомогою одного спеціаліста з ML, тоді як для реалізації великих систем потрібна команда спеціалістів. Тобто за відносної рівності потенційного вихлопу від реалізації ML-рішень варто брати до уваги швидкість і вартість впровадження.
4. Орендуємо хмарні сервіси для обчислень коштів для реалізації проєкту
Ці речі також не є безплатними, тому закладати їх для обчислення коштів для реалізації проєкту надзвичайно важливо. Основна рекомендація — починати з простішого й за необхідності переходити до складніших моментів. Тобто на початкових етапах варто зосередитися на створенні простих моделей, що дадуть змогу отримати швидкі результати й оцінити потенціал ШІ для вашого бізнесу. Це мінімізує витрати та ризики на ранніх етапах проєкту.
Помилки під час імплементації ML-підходів
1. Зайвий поспіх і недопрацювання прототипів
Ми всі працюємо в умовах горіння дедлайнів і потреби реалізувати все якнайшвидше. Зробити прототип моделі часто можна за кілька днів, і є дуже велика спокуса не займатися покращенням цього прототипу (що може розтягнутися на кілька тижнів). Загалом майбутній тюнінг (підбір параметрів, фіч, архітектури моделі) займає більше часу, але й покращення наявного стану речей може вийти на інший рівень.
Мої знайомі в різних компаніях займалися впровадженням тієї ж моделі, яка в одній із них завершилася на проді, а в іншій її відкинули тільки через те, що компанія, яка дала час на хорошу «відшліфовку» моделі, отримала помітно вигідний перформанс, коли прототип давав покращення на рівні похибки, тож його відкинула інша компанія.
2. Використання фіч, що мають пряму каузацію від таргетної фічі
Перевірка даних є критичною, але в контексті машинного навчання є кілька моментів, про які забувають. Найчастішою помилкою, що трапляється як у початківців, так і в досвідченіших DS-командах, є використання певних фіч, що мають пряму каузацію від таргетної фічі.
Для прикладу, якщо у вас на сайті в базу даних вартість замовлення записується як 0 у випадку відсутності оплати і як вартість у випадку оплаченого замовлення, то не можна використовувати цю «вартість замовлення» як фічу для тренування моделі з прогнозування оплати замовлення. У цьому випадку ціна корегується після факту оплати в момент замовлення: у всіх юзерів буде певна ціна, а для тренування моделі в тих, хто не оплатив, вона 0.
Складнішим випадком може бути кейс, коли під час тренування використовуються фічі, що змінилися з моменту, який є важливим (замовлення чи оплата), до моменту тренування моделі й прямо вказують на таргетну фічу. Умовно кажучи, поточна тривалість підписки на сервіс в один рік може бути хорошим показником того, що ймовірність продовження підписки пів року тому була 100% (але це не є правдою на момент ухвалення рішення). Хорошим індикатором цих проблем є тестування на реальних нових живих даних: якщо перформанс моделі значно відрізняється в гіршу сторону на живих даних, є велика ймовірність саме таких проблем.
3. Нехтування регулярною перевіркою змін у даних
Частковим моментом цієї проблеми є зміни в даних. Уявімо ситуацію, що всі ціни в системі записували в гривнях, але ухвалили рішення переорієнтуватися на долари для збереження історичної інформації про коливання курсів валют. Якщо це рішення ухвалили після тренування моделі (а вартість у гривнях була однією з фіч), результати її роботи без перетренування серйозно погіршаться. Якщо ж це рішення ухвалили в якийсь із моментів минулого, необхідно зрозуміти, чи «вловлює» ваша модель цей перехід між валютами.
Перевірити це можна, порівнявши загальний перформанс моделі з перформансом за останні кілька місяців. У реальності ці проблеми навіть у разі доволі детальної роботи з базою з’являються, і це потрібно постійно перевіряти під час підготовки моделей. Навіть проста діаграма щодо кожної фічі відносно часу покаже вам, чи не відбулося кардинальної неочікуваної зміни, і дасть змогу ML-спеціалісту переробити фічу на змістовнішу.
Замість висновку
Чи впроваджувати Machine Learning у ваш бізнес вирішувати тільки вам. Але думаю варто нагадати, фінально і коротко, як ці технології можуть допомогти вашому бізнесу вирости:
- Збільшить прибуток завдяки персоналізації пропозицій, оптимізації цін і підвищенню ефективності маркетингу.
- Покращить взаємодію з клієнтами завдяки персоналізованим рекомендаціям і швидкому обслуговуванню.
- Дасть змогу ухвалювати більш обґрунтовані бізнес-рішення на основі даних.
- Підвищить конкурентну перевагу бізнесу на ринку компаній.
- Визначить проблемний напрям вашого бізнесу й підкаже, як його підсилити.
- Спрогнозує продажі й прибутки вашого бізнесу.