业务需求

面向业务的机器学习

Karolis Urbonas

Head of Machine Learning & Science, Amazon

界定业务需求

  1. 业务情境是什么？
    • 公司计划拓展新市场
  2. 业务机会是什么，多大？
    • 找出需求最大的目标市场
  3. 我们将采取哪些业务行动？
    • 优先并加大投入于预测需求更高的市场
面向业务的机器学习

业务范围——欺诈示例

  1. 情境——欺诈率开始上升

  2. 机会——将欺诈率降低 X%，节省 Y 美元

  3. 行动——改进欺诈检测系统，减少欺诈驱动因素，并人工审查高风险交易

欺诈

面向业务的机器学习

业务范围——流失示例

  1. 情境——客户流失开始增多

  2. 机会——将流失率降低 X%，挽回 Y 美元收入

  3. 行动——识别并改进流失驱动因素（网站错误、投放过多/过少、客服问题等）；识别高风险客户并开展挽留活动

流失

面向业务的机器学习

业务情境——提出正确问题

始终从因果/解释性问题入手

为什么流失开始增加？

哪些信息表明交易可能是欺诈？

我们最有价值的客户与其他人有何不同？

基于解释性问题来定义预测性问题

我们能识别有流失风险的客户吗？

我们能标记潜在高风险交易吗？

我们能及早预测哪些客户可能会成为高价值客户吗？

面向业务的机器学习

业务机会

你会花 100 万美元每年多赚 5000 美元吗？（投资回收约 200 年）

  • 评估机会规模
  • 找到结果驱动因素后，改变它们要花多少成本？这样做的价值是多少？
  • 最后，如何知道你能影响预测结果？（提示：做实验，一次又一次）
面向业务的机器学习

可行动的机器学习

最后，如何知道你能影响预测结果？（提示：实验、实验、再实验）

  • 先看历史水平（流失、欺诈、高价值客户数量等）
  • 做实验：如对高风险客户给折扣、人工审查风险最高的前 10% 交易。多次重复，观察是否稳定产出期望结果
  • 若可以，用其估算机会，并决定是否值得投资
  • 若不行：1）收集更多数据，2）做定性研究，3）收窄业务问题
面向业务的机器学习

Passons à la pratique !

面向业务的机器学习

Preparing Video For Download...