Как машинное обучение трансформирует бизнес

Автоматизированное выполнение бизнес-задач с большим массивом данных

Упрощение работы с систематизацией, созданием документации, — для получения быстрого результата по документационному обеспечению понадобится ML. Как правило, сотрудники компаний тратят от 20-40% рабочего времени на обработку и анализ документации. В юридической, финансовой сфере показатели будут превышать 40%, из этих данных видно, как  растет спрос на решения в области автоматизации документооборота. При помощи систематического обучения  ML способен выявлять ошибки в документах, создавать шаблоны/сценарии для упрощенного заполнения новых файлов, анализировать заданную информацию для поиска в больших массивах документации. Сейчас на российском технологическом рынке больше 50 компаний предлагают оптимизировать работу с документацией, применяя ML-технологии. 

Реструктуризация процессов на производстве в промышленном секторе 

Российская промышленность заинтересована в сокращении расходов, связанных с простоем, снижением количества брака и износостойкости оборудования. Для комплексного решения подобных задач подходит ML. Удачные кейсы уже есть у «Ростеха», где запущен AI-сервис для выявления дефектов на производстве газотурбинных двигателей. «Северсталь» («Карельский окатыш») внедрила комплекс на базе машинного обучения для управления производством, подобная система позволила повысить производительность на 11% с сохранением качества продукции. 

«НЛМК» при помощи машинного обучения планирует сэкономить на закупке природного газа для производства, ML-продукт выявляет пропорции для смешивания различных видов топлива, анализирует данные и рассчитывает соотношение энергоресурсов, что позволяет сократить издержки на производстве. WMT Group для крупной металлургической компании создали многофункциональную систему для оптимизации рабочего пространства бухгалтерского отдела, благодаря использованию данного решения сократилось время обработки документов, повысилась прозрачность и скорость принятия решений внутри компании. 

Увеличение количества персонализированных продаж для ритейла 

Исследование спроса, учитывание пользовательского опыта взаимодействия с продукцией, управление товарооборотом и улучшенное ценообразование  — ключевые задачи для компаний в области ритейла, для которых необходимо внедрение машинного обучения. Например, для прогнозирования спроса в конкретном сегменте необходимо внедрять ML-модели, способные объединять данные от анализа трендов и потребительских предпочтений для роста продаж. Похожее технологическое решение использует «Лента». ML-модель анализирует поведение покупателей, составляет их портреты для персонализированных товарных рекомендаций. Кроме того, ML-модель может на основе проанализированных данных оценивать потенциал открытия новых офлайн магазинов.  

Один из вспомогательных элементов, который использует ML, — это предиктивная аналитика, влияющая на точность прогнозов. С помощью мультифакторной предиктивной аналитики X5 Retail Group смогут оптимизировать издержки в прогнозировании спроса. Применение подобной ML-модели позволит расширить географию присутствия офлайн гипермаркетов, улучшить бизнес-показатели по увеличению новых потребителей. 

Использование предиктивной аналитики на глобальном рынке к 2030 году согласно данным Reports Insights Consulting достигнет показателей 44,3 миллиарда долларов. Поэтому для наиболее точного прогноза в период работы с большим массивом данных рекомендую внедрять ML-модели,  базирующиеся на предиктивной аналитике, но важно знать, что для построения корректного прогноза необходимо на старте собрать данные (предикторы), влияющие на получение конечного результата от анализа. 

Для прогнозирования потребительского поведения,  основанного на большом массиве данных, WMT Group разработала ML-модель для крупной розничной сети. Глобальная задача заключалась в понимании потребительского поведения для оптимизации закупки товаров к конкретных регионах. Решение позволило увеличить показатели по продажам в новых точках дистрибуции. 

Адаптация маркетинговых инструментов 

Относительно новая область применения ML  —  это маркетинг. Netflix применяет машинное обучение для улучшения алгоритмов персонализированных рекомендаций контента, Amazon повысил чистые продажи на почти на 10% за счет целевой рекламы ранее проанализированной ML-моделями. Также любопытный кейс компании Armor VPN, которая с минимальным маркетинговым бюджетом смогла в сотрудничестве с сервисом Pecan AI спрогнозировала жизненный цикл и стоимость клиента, таким образом, скорректировав маркетинговую стратегию по продвижению, выявив разрыв в 25% между фактической и ожидаемой стоимостью пользователя. 

Удачный пример внедрения ML на российском технологическом рынке — это кейс сервиса «Купер» от «Сбера». Благодаря ML-модели персонализированные скидки увеличили ROI (return on investment) в 8 раз, сократили время выбора товаров, увеличили прирост клиентов-участников акции на 15%. 

Постскриптум

Внедрение машинного обучения (ML) в бизнес-процессы открывает новые горизонты для повышения эффективности, оптимизации операций и улучшения клиентского опыта.

По данным исследования ИТМО и VK лидерами в ML-сообществе компанию делают собственные разработки, авторитетные спикеры и решения с открытым кодом, а эксперты опрошенные исследователями центра «Сильный ИИ в промышленности» от ИТМО возлагают надежды на мультиагентные подходы на основе больших языковых моделей (LLM), вплоть до замены части команды разработки на ИИ-агентов. При этом общая постановка задач останется за человеком. Это повлияет на рост запросов на инструменты из сферы LLMOpts и AutoML. Несмотря на то что существует множество активно используемых проектов, многие ниши остаются незакрытыми.