# 1: ما الذي يمكن أن يفعله التعلم الآلي لعملك وكيفية تحديده

هذا جزء 1 من البرنامج التعليمي المكون من 6 أجزاء ، دليل PM خطوة بخطوة لبناء المنتجات القائمة على تعلم الآلة. اتبع الرابط للحصول على نظرة عامة على السلسلة بأكملها.

الاستثمار في ML يشبه الاستثمار في الهاتف المحمول منذ 10 سنوات - يمكن أن يحول عملك

يُعد الاستعلام عن البيانات الموجودة للرؤى مجالًا معروفًا ومُعتمدًا على نطاق واسع. ML ، ومع ذلك ، هو الحدود التالية في تحليل البيانات. إنه مجال يقوم فيه برامج الكمبيوتر بإجراء تنبؤات أو استخلاص رؤى بناءً على الأنماط التي يحددونها في البيانات ويكونون قادرين على تحسين تلك الرؤى ذات الخبرة - دون أن يخبرهم البشر صراحةً عن كيفية القيام بذلك. نظرًا لأن المنظمات تتمتع بحق الوصول إلى مزيد من البيانات ، فإن التعلم الآلي يمكّنها من الحصول على رؤى من البيانات على نطاق واسع ، على مستوى من الدقة يتراوح من تفاعل مستخدم واحد إلى اتجاهات عالمية وتأثيرها على الكوكب. يمكن أن يتراوح استخدام هذه الرؤى أيضًا من تخصيص تجربة المستخدم الفردي على مستوى البكسل إلى إنشاء منتجات وفرص أعمال جديدة غير موجودة حاليًا. لاحظ أنه مع ML يمكنك الذهاب إلى أبعد من استخدام البيانات الداخلية - غالبًا ما يمكن تعزيز قوة ML من خلال الزواج الداخلي مع البيانات الخارجية لدفع رؤى جديدة لم تكن ممكنة من قبل.

يمتلك Frank Chen من A16Z كتابًا ممتازًا عن التطبيقات المحتملة للذكاء الاصطناعي ، وكثير منها يتطلب أو سيتطلب التعلم الآلي. بعض هذه التطبيقات تبدو مستقبلاً ولا يمكن تحقيقها بعد مع التكنولوجيا الحالية ، ولكنها تعطي إحساسًا كبيرًا بالاحتمالات.

تمامًا مثلما بدأت الشركات الاستهلاكية في التفكير في الاستثمار في الأجهزة المحمولة منذ 8-10 سنوات ، فقد حان الوقت الآن للشركات لبدء استكشاف ML كتقنية يمكن أن تساعد في دفع نتائج الأعمال. بالنسبة للشركات التي تركز على الاستفادة من تقنيات ML الحالية ، هناك العديد من الموضوعات الرئيسية لما يتيح لك ML القيام به. هذه ليست شاملة أو حصرية بشكل متبادل ، ولكنها تمثل زوايا مختلفة من التفكير في التأثير المحتمل على عملك:

  • التخصيص الشامل لبيئة المستخدم وتجربته واستجابات النظام. تخيل أن كل شيء يفعله أو يراه شخص ما يمكن تخصيصه خاصة بالنسبة له وحتى توقع احتياجاته وسلوكياته. يتضمن توصيات بشأن المنتجات أو الخدمات ، مرتبة حسب مستوى أهميتها ؛ تجربة مستخدم مخصصة أو تدفقات بناءً على المعرفة التي لديك عن المستخدم وسلوكه والأشخاص الآخرين الذين يحبونهم أو البيانات الخارجية ، بما في ذلك التنبؤ بما يريدون القيام به بعد ذلك ، وما إلى ذلك. على نطاق أصغر ، يمكن أن يترجم هذا إلى تخصيص التجربة لشرائح من المستخدمين بدلا من الأفراد.
  • القدرة على تحديد الأشياء بصريا وأتمتة أو تصميم خبرات وفقًا لذلك. يمكن للتكنولوجيا اليوم تحديد الكائنات في الصور ومقاطع الفيديو ، بما في ذلك الكاميرا الحية. يستخدم Pinterest هذا لاقتراح كائنات مماثلة / مكملة لتلك الموجودة في الصورة التي ينظر إليها المستخدم ؛ يستخدم Facebook تقنية التعرف على الوجوه لاقتراح الأصدقاء لوضع علامة في صورة ، أما أمازون فيقوم ببناء تسجيل خروج تلقائي من المتجر استنادًا إلى التعرف المرئي على الأشياء وما إلى ذلك.
  • استرجاع تلقائي أو إنشاء أو معالجة المحتوى. يمكّن ML معالجة سريعة للكميات الهائلة من المحتوى في العالم. الاستخدامات الشائعة هي استرداد المستندات - على سبيل المثال البحث عن جميع المستندات ذات الصلة بقضية قانونية (لاحظ أن هذا يتجاوز مجرد الكلمات الرئيسية إلى البحث في السياق) ، وتصنيف الوثائق حسب الموضوع والكلمات الرئيسية ، والملخص التلقائي للمحتوى ، واستخراج المعلومات ذات الصلة من كميات كبيرة من المحتوى - على سبيل المثال العثور على شروط محددة في عقود البائعين ، إلخ. "المحتوى" هنا ينطبق على جميع أنواع الوسائط ، وليس النص فقط.
  • التنبؤات والتقديرات والاتجاهات على نطاق واسع. تمكن ML التنبؤات التي هي مكلفة للغاية أو يصعب إجراء خلاف ذلك. يعد ML مفيدًا بشكل خاص في وضع تنبؤات تتطلب خلاف ذلك مستوى عالٍ من الخبرة مثل سعر المنزل ، أو حتى من المستحيل على الإنسان أن يفعله مثل المحتوى الذي سيحقق نتائج جيدة على وسائل التواصل الاجتماعي. يمكن للآلات أيضًا تحديد الاتجاهات في البيانات قبل أن تصبح واضحة للبشر.
  • الكشف عن نشاط غير عادي أو فشل النظام. كل نظام لديه فشل ومشاكل ، ولكن يسمح لك ML ليس فقط باكتشاف ما إذا كانت هناك مشكلات ، ولكن أيضًا ما إذا كانت هذه المشكلات غير عادية ومثيرة للقلق. هذا مفيد بشكل خاص في أنظمة المراقبة والأمن المختلفة.

من منظور استراتيجي ، يمكن أن يقود ML عدة أنواع من نتائج الأعمال:

  • تجربة ووظائف محسنة لعملائك. حالة الاستخدام الأكثر شيوعًا هي التخصيص الشامل - العثور على المنتجات التي من المرجح أن تكون ذات صلة بعملائك بسرعة أكبر وكفاءة ، على سبيل المثال أفضل مبارياتهم على مواقع المواعدة ، والأغاني التي قد يرغبون فيها على مواقع الموسيقى ، والمنتجات التي قد يرغبون في شرائها ، وما إلى ذلك. تستخدم حالة الاستخدام الأخرى التنبؤات للحصول على معلومات استخبارية عن الكيانات أو المواقف التي لم يكن لديهم خلاف ذلك. قد يكون هذا عامًا - على سبيل المثال يقدر Zillow’s Zestimate المنزل نفسه بصرف النظر عمن ينظر إليه ، أو مخصص للعميل الفردي - على سبيل المثال من المرجح أن يقدم المستخدم فيلمًا لم يشاهده نظرًا لأذواقه المحددة.
  • الوظائف الداخلية والعمليات والمنطق التجاري. التعلم الآلي يمكن أن يوفر لك الوقت ويجعل الاستثمار في الموارد الخاصة بك أكثر فعالية عندما يتعلق الأمر بعمليات الأعمال والقرارات. على سبيل المثال: تود شركة الإقراض إعطاء الأولوية لتواصلها مع طالبي القروض المحتملين. يجب تحديد من يريد قرضًا كافيًا للحصول عليه فعليًا إذا تم عرضه ، ولكن من المحتمل أن يكون قادرًا على سداده. إن إعطاء الأولوية للعملاء الأكثر جدارة بالائتمان ليس هو الحل بالضرورة ، لأن هؤلاء العملاء عادة ما يكون لديهم العديد من الخيارات وأقل عرضة للتحويل ، لذلك هناك حاجة إلى نموذج أكثر تعقيدًا.
  • التوسع في قطاعات جديدة ومنتجات جديدة. يمكن أن تساعدك البيانات على فتح فرص تجارية جديدة تمامًا - إنشاء منتجات جديدة تمامًا لعملائك الحاليين ، أو تقديم شرائح أو عملاء لم تخدمهم من قبل. على سبيل المثال: يمكن لـ Netflix تقديم استوديوهات ، والتي لم تكن تمثل الجمهور المستهدف الأساسي ، عن طريق بيعها رؤى من بياناتها حول المواضيع والخطوط المؤدية التي تناسب الجماهير ؛ يمكن أن تساعد Zillow مطوري العقارات على فهم ميزات البناء التي ستحصل على أعلى عائد على الاستثمار ، إلخ.

يجب أن يعتمد أي مجال يجب معالجته أولاً على التأثير المحتمل للأعمال ، فضلاً عن تعقيد المشكلة وتكلفة تحقيق هذا التأثير.

"نحن بحاجة إلى القيام بشيء ما باستخدام بياناتنا" هي استراتيجية وليست مشكلة في علم البيانات

تتطلع العديد من الشركات إلى توظيف علماء البيانات ، وهم الأشخاص الذين يبنون نماذج ML ، لأننا "يجب أن نفعل شيئًا باستخدام بياناتنا". لقد سمعت أن العديد من المديرين التنفيذيين في الشركات البارزة يقولون "نرى منافسينا يشترون البيانات لذلك نحن بحاجة إلى القيام بذلك للبقاء في المنافسة" ، ثم انتقل إلى استئجار اثنين من علماء البيانات على أمل أن يتوصلوا إلى بعض السحر. هذا يقودني إلى فكرة خاطئة عن ML.

ML ليس عصا سحرية لعملك. التحدي الأول في ML هو معرفة تأثير الأعمال التي تهدف التكنولوجيا إلى تحقيقها. ML هو الحل - تحتاج إلى تحديد المشكلة أولاً: ما هي نتائج الأعمال التي تأمل في تحقيقها باستخدام ML؟ ما الفائدة التي يمكن أن تقدمها ML لعملائك؟ ML هو مطرقة - ولكن إذا لم يكن لديك مسمار ، فإن المطرقة ليست مفيدة بشكل خاص. لتمديد الكليشيه إلى أبعد من ذلك ، فإن ML هي مجموعة متنوعة بشكل كبير من المطارق ، وسوف يحدد نوع الظفر الذي لديك المطرقة التي ستختارها وكيف ستستخدمها. سوف تحدد المشكلة الدقيقة التي تحاول حلها كل شيء - كيف سيتم استخدام النتيجة ، وما ينبغي أن يتنبأ به النموذج الخاص بك ، وكيف ينبغي معايرتها ، والبيانات التي تجمعها ومعالجتها ، وما الخوارزميات التي تختبرها والعديد من الأسئلة الأخرى.

في جوهرها ، "ما المشكلة التي نحلها؟" هي مسألة العمل ، مما يعني أن تحديدها هو في النهاية مسؤولية مديري المنتجات وقادة الأعمال ، وليس علماء البيانات. يجب أن يشارك علماء البيانات وأصحاب المصلحة الآخرون تمامًا في الوصول إلى التعريف - لا تطرح عليهم السؤال ونتوقع منهم أن يعودوا بالإجابات. إذا كانت لديك بيانات لا تعرف ما عليك فعله ، فقم بإجراء مقابلات مع زبائنك وتعلمهم مع أشخاص آخرين يواجهون العملاء عبر المؤسسة. يمكن لعلماء البيانات مساعدتك في استكشاف بياناتك ، و ideat ، والتكرار ، ولكن ما لم يكن لديهم الكثير من الخبرة في مجال المساحة ، فسيكون من الصعب عليهم التوصل إلى حالة العمل الخاصة بهم. من أجل تعظيم قيمة ML إلى العمل ، فأنت بحاجة إلى تعاون مستمر بين مديري المنتجات وعلماء البيانات ، حيث تقع على عاتق مديري المنتجات مسؤولية ضمان أن المشاكل التي يتم حلها هي الأكثر تأثيرًا على الأعمال.

تفريغ كيف يمكن ML تحريك عملك إلى الأمام

على الرغم من أن إمكانيات ML لا حصر لها ، فهناك بعض الأسئلة التي يمكنك طرحها لمعرفة كيف يمكن أن تنطبق التكنولوجيا على مؤسستك. وهنا بعض الأمثلة:

العمليات الداخلية

  • أين يطبق الأشخاص في شركتي اليوم المعرفة لاتخاذ القرارات التي يمكن أن تكون آلية ، بحيث يمكن الاستفادة من مهاراتهم بشكل أفضل في أي مكان آخر؟
  • ما هي البيانات التي يبحث عنها الأشخاص في شركتي عادةً أو تجمعها أو تستخرجها يدويًا من مستودعات معينة للمعلومات وكيف يمكن أتمتة ذلك؟
  • ما هي مجموعة القرارات التي يتخذها الأشخاص في شركتي؟ هل يمكن اتخاذ تلك القرارات بواسطة آلة إذا كانت تستوعب بطريقة سحرية جميع البيانات التي يمتلكها الناس؟

المنتجات والخبرة للعملاء الحاليين

  • ما الأجزاء من تفاعلات العملاء الخاصة بي التي يتم تخصيصها بواسطة الأشخاص والتي يمكن تخصيصها بواسطة الأجهزة؟
  • هل لدي تجزئة واضحة لعملائي بناءً على تفضيلاتهم وسلوكياتهم واحتياجاتهم؟ هل تم تخصيص المنتج / التجربة لكل شريحة؟
  • هل يمكنني تخصيص التجربة لكل عميل على أساس ما أعرفه عنهم أو تفاعلهم مع موقعي / التطبيق / المنتج الخاص بي؟ كيف يمكنني خلق تجربة أفضل وأسرع أو أكثر متعة بالنسبة لهم؟
  • على وجه التحديد ، ما هي القرارات والخيارات التي أطلب من زبائني القيام بها اليوم؟ هل يمكن أتمتة تلك القرارات بناءً على بعض المعرفة التي لدي بالفعل أو قد أمتلكها؟
  • كيف يمكنني تحديد تجارب العملاء الجيدة والسيئة بشكل أفضل؟ هل يمكنني اكتشاف المشكلات التي تؤثر سلبًا على تجربة العملاء أو رضاهم قبل حدوثها أو انتشارها؟

رؤوس جديدة أو عملاء

  • هل لدي أي بيانات يمكن أن تكون مفيدة لأصحاب المصلحة الآخرين في الصناعة أو في الصناعات المجاورة؟ ما نوع القرارات التي يمكن أن تساعد أصحاب المصلحة هؤلاء على اتخاذها؟

كل ما سبق

  • ما هي المقاييس أو الاتجاهات التي إذا استطعت التنبؤ بها بشكل صحيح سيكون لها تأثير حقيقي على قدرتي على خدمة عملائي أو المنافسة في الصناعة ، على سبيل المثال توقعات الطلب على فئات معينة من المنتجات ، تقلبات التكلفة وما إلى ذلك؟
  • ما هي الكيانات الرئيسية التي أجمع عنها البيانات (الأشخاص والشركات والمنتجات وما إلى ذلك)؟ هل يمكنني الزواج من هذه البيانات مع أي بيانات خارجية (من مصادر عامة أو شركاء إلخ) بطريقة تخبرني بشيء جديد أو مفيد عن تلك الكيانات؟ مفيدة لمن وكيف؟ على سبيل المثال: حدد العملاء المحتملين عندما يكونون على وشك البحث عن منتجك ، وفهم كيف تؤثر العوامل الخارجية على الطلب في صناعتك وتتفاعل وفقًا لذلك ، إلخ.

فكر في بعض هذه الأسئلة (وغيرها) مع فريقك وأصحاب المصلحة الرئيسيين في المؤسسة. إذا لم تكن متأكدًا من أين تبدأ - ابدأ من مكان ما. مجرد تجربة بعض البيانات يمكن أن يساعدك وفريقك في معرفة أين يمكنك الذهاب من هناك.

في الجزء 2 ، سنناقش جميع المصطلحات الفنية التي يجب على مديري المشتريات فهمها ، وكيف يتأثر اختيار التكنولوجيا بتعريف مشكلتك ، وبعض عثرات النمذجة التي يجب الانتباه إليها والتي لها تأثير على عملك.

إذا وجدت أن هذا المنشور مثيرًا للاهتمام ، فهل يرجى النقر على القلب الأخضر أدناه لإخبارنا أو مشاركته مع شخص آخر قد يجدها مفيدة؟ وهذا من شأنه أن يجعل تماما يوم لي!