การจัดการการสื่อสาร

Machine Learning for Business

Karolis Urbonas

Head of Machine Learning & Science, Amazon

Working groups

นัดประชุมสม่ำเสมอเพื่อติดตามความคืบหน้าและกำหนดสิ่งต่อไปนี้:

กำหนดความต้องการทางธุรกิจ
ทบทวนโมเดล machine learning และ ผลิตภัณฑ์ทางธุรกิจ
Inference vs. prediction
ผลลัพธ์ของโมเดล baseline และแผนการปรับปรุงโมเดล
การทดสอบตลาด
การนำไปใช้งานจริง

ความต้องการทางธุรกิจ

สถานการณ์ทางธุรกิจคืออะไร?
- อัตราการเลิกใช้บริการเริ่มเพิ่มขึ้น
โอกาสทางธุรกิจคืออะไร และมีขนาดใหญ่แค่ไหน?
- ลดอัตราการเลิกใช้บริการจาก X% เป็น Y%
การดำเนินการทางธุรกิจที่จะทำคืออะไร?
- รันแคมเปญรักษาลูกค้าที่มีความเสี่ยงจะเลิกใช้บริการ

ผลิตภัณฑ์ machine learning

ธุรกิจต้องการ ผลิตภัณฑ์ ML แบบใด?

$$

ตัวอย่างที่ 1 — พยากรณ์การเลิกใช้บริการ ธุรกิจต้องการ 1) inference เกี่ยวกับปัจจัยที่ทำให้เลิกใช้บริการ อัปเดตทุกไตรมาส และ 2) การจำแนกลูกค้ารายวันเป็น: ลูกค้าที่หายไป ลูกค้าที่มีความเสี่ยง และลูกค้าที่ไม่มีความเสี่ยง

$$

ตัวอย่างที่ 2 — พยากรณ์การฉ้อโกง ธุรกิจต้องการ 1) inference เกี่ยวกับตัวบ่งชี้สำคัญของการฉ้อโกง และ 2) รายการธุรกรรมเสี่ยงสูงแบบ real-time สำหรับการตรวจสอบด้วยตนเอง และธุรกรรมเสี่ยงปานกลางสำหรับขอข้อมูลเพิ่มเติม

ประสิทธิภาพและการปรับปรุงโมเดล

ระบุความคลาดเคลื่อนที่ยอมรับได้ของโมเดล (จำไว้ว่าโมเดลทุกตัวมีข้อผิดพลาด):

Classification
- คลาสใดที่การจำแนกผิดพลาดมีต้นทุนสูงกว่า?
- ตัวอย่าง — การจำแนกธุรกรรมฉ้อโกงเป็นปกติมีต้นทุนสูงกว่าในทางกลับกัน
Regression
- ความคลาดเคลื่อนที่ยอมรับได้ในการพยากรณ์คือเท่าใด?
- ตัวอย่าง — ในการพยากรณ์ความต้องการสินค้า หากโมเดลมีความผิดพลาดสูงจะทำให้ต้องสั่งซื้อสินค้าคงคลังเกินความจำเป็น

การทดสอบตลาด

การทดสอบ A/B

Machine learning ในการใช้งานจริง

ผลการทดสอบให้ผลลัพธ์เชิงบวกอย่างสม่ำเสมอหรือไม่?
โมเดลมีความเสถียรเพียงพอหรือไม่?
มีระบบและเครื่องมือที่สามารถรวมโมเดลเข้าไปได้หรือไม่?

มาฝึกกันเถอะ!

Machine Learning for Business

Preparing Video For Download...