Maskininlärning för verksamheter
Karolis Urbonas
Head of Machine Learning & Science, Amazon
Situation – Bedrägeriraten har börjat öka
Möjlighet – Minska bedrägeriraten med X %, vilket ger Y USD i besparingar
Åtgärd – Förbättra bedrägeridefektion, minska bedrägeridrivare och granska transaktioner manuellt

Situation – Kundavhoppet har börjat öka
Möjlighet – Minska avhoppstakten med X %, vilket ger Y USD i bibehållen intäkt
Åtgärd – Identifiera och förbättra avhoppsdrivare (webbplatsfel, för mycket/lite annonsering, kundtjänstproblem m.m.); identifiera kunder i riskzonen och lansera retentionskampanjer

Börja alltid med inferensfrågor
Varför har kundavhoppet börjat öka?
Vilken information tyder på ett potentiellt bedrägeri?
Vad skiljer våra mest värdefulla kunder från övriga?
Bygg vidare på inferensfrågor för att formulera prediktionsfrågor
Kan vi identifiera kunder som riskerar att hoppa av?
Kan vi flagga potentiellt riskfyllda transaktioner?
Kan vi tidigt förutsäga vilka kunder som sannolikt blir högt värderade?
Skulle du investera 1 miljon USD för att tjäna 5 000 USD extra per år? (~200 års återbetalningstid)
Hur vet du om du kan påverka det förutsedda utfallet? (tips – experiment, experiment och fler experiment)
Maskininlärning för verksamheter