Сейчас, когда все большее число предприятий использует возможности машинного обучения, не пора ли инвестировать? В статье – беседа с основателями трех компаний, которые сделали именно это, чтобы стимулировать рост своих клиентов.



Деловой мир становится все более цифровым, а анализ данных и использование ИИ стали нормой в широком спектре отраслей. Чтобы продвигаться вперед и оставаться на плаву в этой новой и конкурентной бизнес-среде, жизненно важно, чтобы руководители использовали и внедряли новые технологии в свой бизнес.

Машинное обучение, тип искусственного интеллекта, который использует алгоритмы для анализа данных, является ключевой технологией, которая отличает высокопроизводительные компании от их менее разбирающихся в цифровых технологиях коллег.

Что отличает машинное обучение от других программ анализа данных, так это его способность извлекать уроки из данных, выявлять закономерности и отклонения для повышения точности и принятия решений без вмешательства человека.

Правильно интегрированное машинное обучение может иметь множество преимуществ для любого бизнеса, включая то, что оно:

- Автоматизирует задачи и повышает эффективность.
- Решает проблемы с данными, которые препятствуют росту организации.
- Повышает кибербезопасность.
- Обеспечивает персонализацию без использования сторонних данных.
- Оптимизирует работу с клиентами.
- Увеличивает продажи и прибыльность.
- Улучшает управление рисками.

Вот три основателя, которые использовали машинное обучение для достижения успеха в своем бизнесе.

Централизация данных

В 2014 году Стефани Лапьер наблюдала, как клиент просматривает огромную папку визитных карточек в поисках ключевого поставщика, и до нее дошло, как отчаянно организации нуждаются в доступе к централизованным и прозрачным данным о поставщиках.

"Меня потрясло, что организации тратят так много денег на поставщиков, но им доступно очень мало информации", – рассказывает она журналу CEO.

"К тому времени, когда они находят поставщиков, собирают и обрабатывают запросы предложений, принимают их, платят им, управляют и поддерживают их информацию, мы говорим о миллионах долларов, которые тратятся каждый год. И я бы сказала, что это гораздо больше связано с упущенными возможностями или рисками ".

У Lapierre было видение создания единого источника достоверных данных о поставщиках, и в 2014 году родилась компания TealBook, базирующаяся в Торонто.

"Моей первоначальной идеей было создать платформу, подобную LinkedIn, которая позволяла бы поставщикам размещать свою информацию в своем профиле и распространять ее среди всех своих клиентов", – объясняет генеральный директор. "Но мы быстро поняли, что поставщики не будут этого делать, потому что у нас не было монополии".

Когда Лапьер и технический директор TealBook поняли, что могут создать новую платформу на облачной платформе Google и использовать ее сервисы машинного обучения, они поняли, что нашли ключ к раскрытию действительно динамичных данных о поставщиках.

TealBook обновил платформу в 2017 году после первых начальных инвестиций и снова в 2021 году после раунда финансирования серии A. На сегодняшний день стартап привлек 73 миллиона долларов США, и только в 2021 году его выручка выросла на 350 процентов.

"Сегодня у нас есть 5,5 миллионов цифровых профилей, которые постоянно пополняются новыми источниками данных, которые мы добавляем, чтобы включать все больше и больше атрибутов", –говорит Лапьер.

"В настоящее время у нас есть около 73 атрибутов для каждого поставщика с разной степенью качества. Главный вопрос в начале был: «Как мы определяем качество с помощью машин?»

«Мы можем заставить машины с достаточной уверенностью сообщать нам, имеет ли атрибут высокий показатель доверия или он слишком противоречив, и наши клиенты не должны зависеть от него».

"И мы находимся в процессе повышения прозрачности, масштабирования и управления, чтобы наши клиенты могли выбирать, каким данным они доверяют, а каким нет. Для некоторых клиентов высокого доверия при 90-процентной точности может быть недостаточно. Им может потребоваться 100 процентов ".

Получение полной картины

На другом конце земного шара компания Specific Audience из Сиднея использует возможности машинного обучения, чтобы помочь интернет-магазинам создавать персонализированные условия для покупок без использования личной информации.

В связи с постепенным отказом от сторонних файлов cookie розничные торговцы все чаще ищут эффективные способы таргетирования потребителей без использования их персональных данных.

"Машинное обучение – это, по сути, прогнозы, а для того, чтобы делать правильные прогнозы, вам нужны надежные данные", - объясняет основатель и генеральный директор Particular Audience Джеймс Тейлор. «Это может показаться нелогичным, но персонализация не требует персональных данных».

"Вы – это больше, чем ваша демография, ваше местоположение или время суток. Ваш контекст постоянно меняется. Если вы покупаете подарок на День матери для своей свекрови, ваше покупательское поведение будет сильно отличаться от того, если вы покупаете джинсы ".

У онлайн-ритейлеров уже есть все данные, необходимые для создания онлайн-путешествия, которое показывает их клиентам продукты, которые они хотят видеть, и повышает их конверсию и прибыль - им просто нужно найти способ использовать это.

"Мы можем применить другой алгоритм к метаданным продукта розничной торговли, изображениям продуктов, а также данным о взаимодействии и покупках", - рассказывает Тейлор.

"Для метаданных продукта мы используем обработку естественного языка для идентификации товаров с похожими атрибутами, чтобы мы могли предложить их потребителю.

"Кроме того, есть компьютерное зрение, которое в основном используется в моде и мебели, которое позволяет нам буквально спуститься до уровня пикселей, чтобы понять, насколько визуально разные предметы похожи друг на друга. Вот как вы получаете предложения «посмотреть похожие продукты».

"Наконец, есть поведенческие данные, которые говорят нам, какие товары сравниваются и попадают в одни и те же корзины, и позволяют нам идентифицировать сопоставимые, альтернативные и дополнительные товары".

Особая аудитория отличается от других программ для персонализации электронной коммерции, позволяя мультибрендовым розничным торговцам взимать плату со своих поставщиков за продвижение своих товаров в соответствующих рекомендациях поиска.

"Ваша розничная медиа-платформа и персонализация поиска и рекомендаций не должны быть разделены", – указывает Тейлор.

"Если вы запускаете рекламу на своем веб-сайте розничной торговли и это негативно сказывается на ваших продажах, значит, вы поставили телегу впереди лошади. Внедрение его в единую систему – это наш уникальный козырь ".

Розничные продавцы, такие как DigiDirect, The Good Guys и Target, увидели, что их количество единиц на транзакцию, средняя стоимость заказа и маржа растут благодаря продуктам определенной аудитории. "Результаты нашего продукта Price Beat – это лучшее, что мы видели", - говорит Тейлор.

"Это расширение для Google Chrome, которое позволяет потребителям сравнивать товары на разных сайтах, а нашим розничным торговцам – снижать конкуренцию в режиме реального времени. Это привело к увеличению конверсий на 102 процента для продуктов, у которых еще не была лучшая цена ".

Сокращение количества ошибок

Tiliter – еще одна компания из Сиднея, которая использует компьютерное зрение для оптимизации процесса самообслуживания покупателей в супермаркетах и сокращения дорогостоящих ошибок и мошенничества для розничных продавцов.

"Наш ИИ использует изображения с камер, чтобы быстро идентифицировать различные сорта продуктов в продуктовых магазинах для покупателей и кассиров", - говорит соучредитель и генеральный директор Марсель Герц.

"Увеличив скорость сканирования, покупатели, использующие нашу технологию, могут совершать покупки в пять раз быстрее.

"Еще одно преимущество автоматической идентификации товара заключается в том, что у покупателей гораздо меньше возможностей для выбора неправильного товара, что может быть случайным или преднамеренным действием, которое обходится розничным торговцам в миллионы долларов в год.

"Популярным продуктом в нашем ассортименте являются готовые весы с искусственным интеллектом, которые идентифицируют фрукты и овощи без необходимости использования штрих-кодов или поиска по меню. Мы также предоставляем программное обеспечение с искусственным интеллектом, которое может работать при самообслуживании и обычных кассах ".

Благодаря использованию технологии, меняющей правила игры, крупнейшими международными сетями супермаркетов, включая Woolworths, Countdown, Netto и IGA, Tiliter уже сэкономил покупателям более 200 дней ожидания в очереди.

"За последние пару лет пользовательский интерфейс стал более элегантным и удобным", – подтверждает Герц.

"Компьютерное зрение было недостающим элементом для свежих продуктов, что позволило еще более эффективно проводить транзакции. В один прекрасный день компьютерное зрение будет плавно управлять всей работой супермаркета ".

По мере того, как все большее число конкурентов выходит на рынок машинного обучения, Tiliter планирует оставаться впереди игры благодаря постоянным инновациям.

"Инновации являются частью ДНК нашей компании", - объясняет Герц. "До того, как мы запустили Tiliter в 2017 году, [технический директор] Крис и я изучали приложения для машинного обучения, одним из которых было выявление раковых клеток на МРТ с помощью компьютерного зрения. Было приятно видеть бесконечные возможности компьютерного зрения.

"С тех пор все больше компаний используют машинное обучение для внедрения инноваций и улучшения процессов. По сути, это здорово для человечества, и мы хотим внести свой вклад в раскрытие его очевидных возможностей и полезности.

"Tiliter продолжит внедрять инновации, проводить эксперименты и предоставлять нашим клиентам лучший опыт, внимательно прислушиваясь к их болевым точкам и оставаясь непоколебимыми в нашей убежденности в том, куда, по нашему мнению, может привести нас компьютерное зрение".