Giver Machine Learning mening for din virksomhed? Ja!

Machine learning og deep learning er på toppen af deres hype cycle. De er blandt de mest populære nye teknologier, som fylder sociale og professionelle netværk med diskussioner om, hvorfor de udgør en trussel mod menneskeheden og/eller hvor mange jobs de vil erstatte i løbet af de næste to årtier. Fremtidsorienterede teknologier som selvkørende biler vil snart blive virkelighed, takket være machine learning, mens andre AI-drevne produkter som Alexa og Google Home allerede er ved at blive mainstream. Det er et godt tidspunkt at udvikle og markedsføre produkter, der bygger på ideen om machine learning, men det er ikke den eneste måde at drage fordel af de to teknologier.

Alle etablerede virksomheder kan drage fordel af machine learning uden at skulle ændre sin forretningsmodel eller produkt. Machine learning muliggør automatiseringen af gentagende og tidskrævende opgaver og kan give ny viden om forbrugeradfærd gennem prediction. Det kan føre til besparelser og større overskud. Den afgørende tekniske forudsætning for at kunne arbejde med machine learning-løsninger er data, og det har de fleste virksomheder mere end nok af. Det, der afholder mange fra at bruge machine learning, er mangel på inspiration til, hvordan de kan gøre brug af prediction og automatisering. Derfor præsenterer vi her fire situationer, hvor machine learning kan hjælpe virksomheder, der ellers ikke arbejder med machine learning.

1) Forudsig forbrugernes handlinger (og gør dine kampagner mere målrettede)

I 2012 landede virksomheden Target på forskellige nyhedsmedier efter at have bragt en historie om, at deres marketingafdeling var i stand til at målrette deres kommunikation mod familier, der venter barn – også selvom de ikke havde offentliggjort deres graviditet. De byggede en predictor, som kunne fortælle om en kunde var gravid og hendes terminsdato, kun baseret på de ting, hun købte. Rent teknisk matchede det ikke niveauet på aktuelle machine learning-modeller (heller ikke i 2017), men det er et glimrende eksempel på, at marketingfolk finder en ny måde at anvende prediction på: at gå målrettet efter kommende forældre med de produkter, de har brug for, før konkurrenterne overhovedet kender til deres behov.

At agere ud fra forudsigelser om graviditet er ikke relevante for enhver forretning og det kan opfattes som en krænkelse af privatlivet. Men budskabet er, at machine learning-metoder kan gøre dig i stand til at forudsige næsten alt om dine kunder – køn, alder, præferencer, interesser og selv personlighed – og det kan revolutionere den måde, vores marketingkampagner fungerer på i dag.

2) Forudsig, hvad dine kunder vil gøre i fremtiden (og gør brugeroplevelsen bedre)

Loadspeed er en big deal for marketingfolk, fordi det er tæt relateret til brugerkonvertering. Normalt starter en side med at loade, når brugeren klikker på et link, men browsere kan også loade sider, før forbrugeren foretager en handling. Resultatet af dette er, at brugeren oplever, at websitet loader dobbelt så hurtigt. Webudviklere bruger normalt denne feature på en håndfuld sider, hvor brugerens rejser altid er den samme, for eksempel på den bekræftelsesside, der altid kommer efter betalingssiden. Men teknologien kan udnyttes på enhver side på websitet til at forudsige, hvor brugeren vil klikke. Det er den grundlæggende ide bag IIH Nordics Intelligent Prefetching, et machine learning-system, som kan integreres med ethvert website og forbedre dets loadspeed.

At forudsige handlinger og intentioner vil også gøre dig i stand til at forudse dine brugeres behov og tilbyde dem tilpasset personligt content og anbefalinger, både online, mens de besøger din side, bruger din app eller spiller dit spil, og offline gennem notifikations, reklamer og e-mails.

3) Identificér problemer med driften (og løs krisen med det samme)

Enhver virksomhed, der er til stede online, har brug for nogen, der holder øje med dashboards og rapporterer ugentligt for at sikre, at alle systemer og indtægtsstrømme fungerer, som de skal. Løbende monitorering kræver en masse ressourcer, og komplekse problemer eller problemer lokaliseret et bestemt sted, kan gå under radaren, indtil problemets effekt bliver så stor, at man ikke længere kan undgå at bemærke den. En erfaren analytiker kan undersøge årsagerne og rette op på problemet, men en computer vil være bedre til at opdage fejl med det samme. Machine learning kan opdage fejl med det samme, uanset datavolumen og problemets kompleksitet. Med denne automatisering slipper analytikere for den simple opgave, det er at monitorere og give dem mere tid til at finde løsninger. Hos IIH Nordic har vi brugt denne teknologi til at skabe vores Anomaly Detector, som producerer detaljerede, automatiserede rapporter, som beretter om fejl i webtrafikken, på sociale netværk, i annoncering i websitets performance og alle andre kilde til online data. Kontakt os på mark@iihnordic.com og få mere information.

Opdagelse af fejl er et generelt eksempel på, hvordan man kan forbedre response time og udnytte virksomhedens ressourcer bedre ved at automatisere gentagende opgaver med machine learning.

4) Organisér og prioritér dine kundebeskeder (og boost din kundeservice)

B2C-virksomheder med en online tilstedeværelse har brug for et kundeserviceteam til at modtage og besvare ris og ros, som kunderne giver dem over mail, gennem kontaktformularer og på sociale medier. Effektiv kundeservice skimmer forespørgslerne og sorterer og prioriterer dem, snarere end at besvare dem i den rækkefølge, de kom ind. Det sikrer, at hastesager bliver håndteret først. Ocado gav deres kontaktcenter et system, der kategoriserer beskeder automatisk. Systemet bygger på machine learning og de kategoriseringer, der foretages af systemet dækker behovet for at skimme alle beskeder, før de skal prioriteres. Det sparer tid og mindsker risikoen for frustrerede medarbejdere.

Den nyeste udvikling inden for machine learning gør det let at få information om tekst og billeder, hvilket gør det muligt for os at automatisere ikke-trivielle gentagende arbejdsopgaver, som ellers tager tid og kræver mentale ressourcer.

Jeg ved, hvor machine learning giver mening – hvad nu?

Når du først har en ide om, hvor machine learning kan bruges, skal du sikre dig, at du har historisk data om den opgave, du gerne vil automatisere, eller de værdier som du gerne vil forudsige. Med en god ide og god data, så har du allerede overkommet de værste forhindringer. Så giv dine opgaver videre til en medarbejder, der har forstand på data og start allerede nu med at tænke på den næste ide.

Hos IIH Nordic har vi hjulpet virksomheder med at finde inspiration og med at implementere machine learning-løsninger, som dem, jeg beskriver i denne artikel. Så kontakt os, hvis du har brug for hjælp til at gøre machine learning til en del af din virksomhed. Eller skriv til mig på hector@iihnordic.com hvis du vil vide mere om machine learning eller om de cases, der blev gennemgået i artiklen her.

0 replies

Skriv en kommentar

Want to join the discussion?
Feel free to contribute!

Skriv et svar

Din e-mailadresse vil ikke blive publiceret. Krævede felter er markeret med *