Публикувано на: 11 септември, 2024Изкуственият интелект и машинното обучение вече играят съществена роля в трансформирането на съвременния бизнес анализ. Компаниите все по-често използват тези технологии за автоматизация на процеси, подобряване на ефективността и вземане на по-информирани решения. Интеграцията на AI не само улеснява обработката на големи обеми данни, но също така оптимизира комуникацията с клиенти и открива нови възможности за предсказване на бъдещи тенденции
Експертите от DataArt AI Lab – Димитри Байков и Владислав Безсмертни, споделиха с DEV.BG своите наблюдения за 13 ключови области, където AI може да бъде полезен за бизнеса.
Те посочиха и четири реални примера от работата на DataArt с клиенти от различни индустрии, които демонстрират как AI и ML могат да предложат конкретни решения за подобряване на бизнес процесите.
DataArt е партньор и спонсор на AI Industrial Summit 2024, който ще се проведе на 14 септември 2024 г. в София Тех Парк. Събитието ще бъде съсредоточено върху изкуствения интелект, автоматизацията и интернет на нещата (IoT) с акцент върху индустриалната автоматизация.
В рамките на един ден конференцията ще събере професионалисти и експерти, които ще обсъдят най-новите тенденции в тези технологии, предоставяйки практически знания и перспективи за бъдещи проекти.
Идентифициране на потенциала за AI/ML интеграция
В DataArt AI Lab разработваме прототипи за AI (Proof of Concept) и внедряваме AI/ML инструменти в различни бизнес процеси с цел повишаване на ефективността. На базата на работата на нашите колеги в бизнес анализа изведохме 13 ключови признака, които показват, че даден проект може да се възползва от изкуствения интелект.
Loading …В кои случаи можем да обмислим внедряване на AI/ML?
1. Голям обем потребители и исторически данни
При наличието на над 100 потребители и поне шест месеца исторически данни машинното обучение може значително да улесни анализа. Данните могат да се използват за различни цели – от прогнозиране на загуба на клиенти до откриване на измами и групиране (клъстеризация) на клиентите.
2. Повтарящи се данни от трансакции
Трансакционните данни, характерни за търговията и продажбите, предоставят основа за предсказване на бъдещите тенденции. AI може да използва външни фактори, сред които дори метеорологични условия и събития, за да подобри точността на прогнозите чрез анализ на времеви серии.
3. Използване на анкети
Компании, които разчитат на анкети и обратна връзка от клиенти за продажби на услуги и продукти, могат да се възползват от ML за автоматизация на рутинни задачи и предвиждане на клиентските предпочитания.
4. Обработка на голям брой документи
Обработката на стотици документи и изображения може да бъде автоматизирана чрез машинно обучение. AI може да разпознава текстове (OCR), да класифицира документи и да извлича структурирана информация, което значително ускорява процесите.
5. Автоматизация на domain-specific знания
В колцентрове, на рецепции или в туристически агенции ML може да автоматизира сложни алгоритми за вземане на решения, като ги мащабира за по-голям брой клиенти и облекчава натоварването на персонала.
6. Онлайн взаимодействие с клиенти
AI може да помогне на бизнеси с много онлайн взаимодействия да структурират и класифицират събраните данни. Това позволява оптимизиране на процесите за продажба на различни услуги в зависимост от потребителските сегменти.
7. Анализ на социални мрежи
Чрез AI компаниите могат да анализират обратната връзка от клиентите в социалните мрежи, да предвиждат нагласите им и да извличат ценна информация чрез обработка на естествен език (NLP). Този вид анализ е особено полезен за бизнеси, които искат да разберат по-добре нуждите и предпочитанията на своите потребители.
8. Сложни процеси на вземане на решения
AI може да улесни вземането на решения в сложни процеси, като например одобряване на заеми или застрахователни претенции, където се налага сътрудничество между множество участници. Съществува и подход „човек в цикъла“ – когато AI взема решения при висока увереност, а при по-ниска – човекът финализира процеса.
9. Сегментиране на клиенти
Чрез неуправляемо машинно обучение (unsupervised learning) данните могат да бъдат разделени на различни сегменти или клъстери, което е полезно за таргетирани маркетингови кампании. Компаниите могат да предлагат различни продукти и услуги според сегментацията на своите клиенти.
10. Анализ на визуални данни
Компютърното зрение позволява анализ на визуална информация – от разпознаване на обекти до оптимизиране на търговски процеси – чрез мониторинг на стоки и анализ на клиентски потоци в магазините.
11. Оптимизационни задачи
Машинното обучение може да се използва в сложни изследователски процеси като клинични изпитвания, за оптимизиране на разходи, рискове и времеви рамки при провеждане на проекти на различни локации.
12. Препоръчващи системи
Препоръчващите системи на базата на AI могат да увеличат възможностите за кръстосани продажби като предлагат допълнителни или свързани продукти, които отговарят на нуждите на клиентите.
13. Откриване на измами
AI предлага различни методи за откриване на измами и злоупотреби. Чрез супервизирано обучение моделите могат да се обучават с исторически данни, докато клъстеризацията групира трансакциите по сходство. Времевите серии се използват за предсказване на отклонения, когато трансакциите се различават от обичайния модел.
Explore more
Примери от практиката на DataArt, представени от Владислав Безсмертни и Димитри Байков
Казус 1: Събиране на алтернативни данни за застраховане
Наш клиент, компания, оперираща в областта на застраховането, искаше да използва интернет данни, за да разделя клиентите си според различните нива на риск и тип бизнес. Използвахме обработка на естествен език (NLP), за да извлечем тази информация. Моделът беше обучен с данни от компании с известни бизнес типове и рискови профили, като използвахме алгоритъма Random Forest.
Резултатът беше прототип с 80% точност при класифициране на рискови нива и 66% при класифициране на типа бизнес.
Казус 2: Прототип за предсказване на кредитен дефолт
Друг наш клиент, кредитна институция, ни възложи създаването на модел, който да предвижда дали клиентът ще изпадне в неизпълнение по кредита. Използвахме седем различни набора от данни, включително информация за текущи и предишни заявки, данни от различни бюра и други източници. След различни подходи за обединение и обучение на данните, успяхме да създадем прототип с 80% успеваемост.
Казус 3: Прогнозиране на обема на дневни продажби
Голям търговец имаше нужда от по-точна прогноза за дневните си продажби. След като ни предоставиха съществуващи модели и цели за точност, разработихме нов модел, който предвиждаше приходите за следващата седмица за различни категории продукти. Нашият модел отчете сезонни влияния и постигна точност с отклонение от ±10% спрямо реалните стойности, използвайки метриката MAPE.
Казус 4: Система за откриване на измами
Клиентът ни използваше външна услуга за откриване на измами, но реши да разработи собствена система. Внедрихме три подхода: супервизирано обучение с исторически данни за измами, клъстеризация на трансакции и анализ на времеви серии за предсказване на аномалии. Благодарение на нашето решение клиентът успешно премина към собствена система за откриване на измами.
Тези примери показват, че AI и ML могат да трансформират бизнес процесите и да повишат ефективността в различни индустрии. Изкуственият интелект не замества напълно човешкия фактор, но в съчетание с правилния човешки контрол може да се постигне отличен баланс между автоматизация и експертен опит, което да осигури реални и дългосрочни ползи за бизнеса.
