Sztuczna inteligencja w e-commerce
Podcast

Sztuczna inteligencja w e-commerce

Przygotowałem dla Ciebie 10 przykładów, jak uczenie maszynowe może zmienić świat e-commerce.

Z tego odcinka dowiesz się:

  • Jakie znaczenie ma zbliżająca się rewolucja przemysłowa?
  • Czy technologia diametralnie odmieni nasz sposób życia w przyszłości?
  • Czy komputer może mieć wyobraźnię?
  • Na jakich płaszczyznach wykorzystuje się uczenie maszynowe?
  • Czy sztuczna inteligencja zastąpi człowieka w przyszłości w aspekcie kontaktu firma – klient?
  • Jak zaawansowane systemy rekomendacyjne dopasowują się do swoich odbiorców/klientów?
  • Jak bardzo sprawny oraz efektywny system rekomendacyjny może wpłynąć na sprzedaż?
  • jak efektywnie zwiększyć swój open rate przy pomocy uczenia maszynowego?
  • czy uczenie maszynowe jest w stanie zapobiec oszustwom podczas zakupów internetowych?
  • jak odpowiednio zarządzać katalogiem (strukturami drzewiastymi) wykorzystując potencjał uczenia maszynowego?
  • czy sztuczna inteligencja może stać się Twoim potencjalnym konsultantem?
  • który z obecnych asystentów głosowych jest najbardziej inteligentny?
  • czy w przyszłości będziemy robić zakupy przez Internet wyłącznie za pomocą komend głosowych?

Przed wstępem do tej rozmowy, chcę zrobić zapowiedź konferencji, którą organizuję – DataWorkshop Club Conf. Odbędzie się ona 13 października w Warszawie. Dzięki inspirującym historiom, zaoszczędzisz kilka lat ciągłego błądzenia i gromadzenia nadmiaru zbędnej wiedzy. Nawiążesz wartościowe kontakty i poznasz właściwe osoby, z którymi na pewno znajdziesz wspólne cele oraz motywację do działania.

Ugryź kawałek Machine Learning
Ugryź kawałek Machine Learning

Obecnych będzie osiemnastu prelegentów, którzy opowiedzą o swoich doświadczeniach. Jak to się stało, że są tam gdzie są, jakie porażki popełnili, jakie wyciągnęli z nich wnioski, z jakich ‘life-hacków’ korzystają, które pomagają im w życiu. Dzięki temu będziesz mógł poznać różne ścieżki rozwoju Machine Learning, jak i również odnaleźć swoją własną. To będzie dobra okazja zarówno dla początkujących, jak i również dla osób, które już działają w tym temacie i chciałyby go poszerzyć.

Nie trać czasu! Podobnie było z DataWorkshop Tour. Bilety wyprzedały się w mgnieniu oka i potem było wiele próśb, aby zwiększyć ich liczbę, lecz ze względu na limity “fizyczne”, nie jest to takie proste. Sprzedaż dopiero ruszyła i w momencie jak nagrywam, wyprzedane jest już 40% biletów. Koszt biletu, jak na wysiłek który jest włożony, jest mocno zaniżony. Dlatego schodzi dość szybko. Robię to z kilku powodów, np. dlatego, że chcę udostępnić tę wiedzę szerszemu gronu. Są też jeszcze inne powody.

Kolejną wyróżniającą nas rzeczą jest to, że postanowiliśmy to zrobić własnymi siłami, bez sponsorów, dzięki czemu, jak łatwo się domyślić, udało nam się wyeliminować prezentacje sponsorskie. Wszystkie prezentacje które się pojawią, będą wnosiły tylko i wyłącznie praktyczną wartość. Zobacz na program :).

Natomiast jeśli jednak ten dzień masz już zajęty (będzie to sobota), lub nawet jesteś zagranicą, czy zabrakło biletów, też o tym pomyśleliśmy. Możesz kupić dostęp do transmisji online i zobaczyć prezentację 18 prelegentów, przy czym wszystkie nagrania będą dostępne co najmniej przez rok, więc możesz je obejrzeć w dogodnym dla Ciebie czasie. Co ważne, dostaniesz również dostęp do slack’a, gdzie będziesz mógł poznać uczestników, jak i zadać pytania prelegentom. Koszt dostępu do transmisji to jedynie 150 zł. (netto).

Specjalista Machine Learning to jeden z najbardziej opłacalnych zawodów przyszłości, dlatego warto tam być. Jestem pewien, że robimy coś unikalnego nawet w skali europejskiej.


Teraz wracamy już do dzisiejszego tematu.

Świat zmienia się szybciej, niż myślisz. Średnio co 100-150 lat odbywa się rewolucja przemysłowa, teraz mamy kolejną, już czwartą. Uczenie maszynowe, tak zwana sztuczna inteligencja lub AI przyczyni się do zmian w czwartej rewolucji. Czasy w których żyjemy są unikalne (swoją drogą, tak pisali ludzie 100 i nawet 200 lat temu). Dlaczego znów to powtarzam? Jeśli zaobserwujemy jak wygląda rozwój, to faktycznie te zmiany zawsze następowały. Zarówno 100, 200, jak i nawet 500 lat temu. Jednak z biegiem czasu, okres potrzebny na wprowadzenie tej zmiany staje się coraz mniejszy.

Jeszcze 300 czy nawet 500 lat temu, dziadek przekazując swój fach wnukom, mógł być pewien, że wnuk i jego rodzina przeżyją dzięki tej wiedzy. Jak jest dzisiaj? Już w jednym pokoleniu pojawią się nowe zawody i zanikają stare. Wyobraź sobie dwa wykresy, jeden z nich pokazuje czas, jaki mija od momentu urodzenia się dziecka, do stania się rodzicem (zwykle ok. 25 lat), drugi wykres pokazuje, ile potrzeba czasu na wdrożenie zmian w społeczeństwie. Wcześniej to zajmowało stulecia, potem dziesięciolecia teraz już tylko lata…

Przyjrzymy się tym zmianom i pewnym trendom. Mówi się, że początki internetu (ARPANET) miały miejsce pod koniec lat 60-tych ubiegłego stulecia (przynajmniej taka jest wersja oficjalna). Musiało minąć jeszcze trochę czasu, aby on zyskał na popularności. Już na początku roku 2000 internet zaczął przenikać życie codzienne, na skutek czego wszystko dookoła zaczęło się zmieniać. Między innymi, wtedy zaczął pojawiać się potencjał w obszarze e-commerce.

Wtedy, np. Bill Gates zasłynął z powiedzenia:

“Jeśli Twojego biznesu nie ma w Internecie, to już jest po nim”.

Faktycznie, branże zaczęły się zmieniać. Trochę później, pojawiły się telefony komórkowe (w szczególności smartfony), które po raz kolejny wpłynęły na nasz sposób życia. Można dzięki nim budować relacje, komunikować się, czy robić zakupy. Zaczęło się mówić o podejściu “mobile-first”. Przez ostatnie kilka dobrych lat faktycznie tak było. Wiele firm (również tych dużych, np. Google czy Microsoft) zastosowali tę strategię: Mobile First.

Teraz mamy kolejną falę, i to znacznie potężniejszą niż Internet czy telefony komórkowe! Jest to uczenie maszynowe, które bardzo zmieni nasz świat. Tak naprawdę, te zmiany już się rozpoczęły i nie ma przed nimi odwrotu. Co to oznacza dla nas, ludzi, jak i dla obszaru e-commerce?

Kiedy mówimy o sztucznej inteligencji, zwykle nam się to kojarzy z książkami czy filmami science fiction. Wtedy wydaje się, że to raczej nastąpi w dalekiej przyszłości i zbytnio się tym nie przejmujemy (i częściowo to jest prawda). Natomiast chciałbym dzisiaj skupić się na innych tematach, bardziej pragmatycznych, które można wdrożyć w życie i dzięki nim mieć pewne korzyści, zarówno biznesowe, jak i inne.

Dodam jeszcze jeden argument w którym przedstawię ważność czasu w którym aktualnie żyjemy. Pamiętam, że kiedyś bardzo mnie zaskoczyło odkrycie, że już w latach 60-tych ubiegłego stulecia mówiło się o uczeniu maszynowym (w szczególności o sieciach neuronowych. Złożone sieci neuronowe to jest ten słynny Deep Learning). Później odkryłem, że Alan Turing w swojej publikacji w 1950 rozważał i próbował znaleźć odpowiedź na pytanie “czy maszyny potrafią myśleć?”.

To, że już ok. 70 lat temu poruszano ten temat bardzo mnie zaskoczyło. Następnie dowiedziałem się, że Ada Lovelace (która dość często jest nazywana pierwszym programistą, dokładnie to pierwsza osoba, która opublikowało swój algorytm) jeszcze w roku 1842 w swojej notatce rozważała temat, czy komputer może mieć wyobraźnię i sama odpowiedziała na to pytanie – “nie”.

Już prawie 200 lat temu poruszano dzisiejsze tematy. Dlatego ciężko to nazwać wynalazkiem naszego czasu. Natomiast, jaka jest istotna różnica pomiędzy tamtym czasem a teraźniejszością? Dlaczego teraz (od 2017) duże firmy i państwa (np. USA, Chiny, UK, Francja, ale również i wiele innych) inwestują miliardy dolarów w rozwój AI/ML? Co zmieniło się przez ostatnie 200 lat? Odpowiedź jest prosta, uczenie maszynowe (ML) dojrzało na tyle, że zaczęło przynosić konkretne pieniądze. Mało tego, ML jest elementem, który może stać się decyzyjnym czynnikiem kto pozostanie na rynku.

Gartner (amerykańska agencja badawczo – rozwojowa) przewiduje, że w roku 2020 ok. 85% interakcji z klientem będzie wykonywane bez udziału człowieka. Będą zautomatyzowane, ale w taki sposób, że klient będzie czuł się zadbany.

W roku 2016, Sundar Pichai powiedział, że Google przyjmuje strategię AI First. Później podobną strategię objął Satya Nadella (CEO Microsoft). Wiele innych firm też zaczęło wdrażać te strategie. Chociaż warto powiedzieć wprost, że jest to pewna pułapka dla początkujących.

Popatrzmy na przykłady, gdzie uczenie maszynowe może być przydatne w obszarze e-commerce. To jest tylko część obszarów, aby przedstawić ogólny zarys. Również w wielu przypadkach odwołuje się na rynek zachodni (głównie USA), dlatego, że w ten sposób można obserwować trendy. W Polsce podobne trendy też się pojawiają, jednak przeważnie z kilkuletnim opóźnieniem.

1. Inteligentna wyszukiwarka

Myślę, że każdy przystępny sklep posiada wyszukiwarkę. Jest ona rzeczą dość oczywistą. Natomiast obecność wyszukiwarki to jedynie część sukcesu.

Klient ma różne oczekiwania. Na przykład, jak wpisuje “adidasy” to może mu chodzić o buty marki “Adidas”, ale równie dobrze o “Nike”, być może nawet bardziej o te drugie. Zwykła wyszukiwarka bardziej operuje wyrazami (lub ich kawałkami), niż szerszym kontekstem. Taki kontekst może bardzo usprawnić skuteczność wyszukiwania.

Kolejną funkcją wyszukiwarek to użycie zdjęcia do wyszukania pożądanego produktu zamiast słów. Na przykład, ktoś znalazł w internecie interesujący go przedmiot i chce go kupić. Nie ma zielonego pojęcia jaki to jest brand. Podam nawet coś prostszego, mamy rodzaj ubrania, który bardzo się nam podoba i chcemy znaleźć coś podobnego, tylko do tego ubrania, np. dobrać buty czy torebkę do sukienki. Takie działania mogą być pomocne i zwiększyć skuteczność.

Jeszcze jeden wymiar, już mniej oczekiwany, to wyszukiwanie głosem. Jest to nieco szerszy temat, dlatego zdecydowałem się o tym napisać osobny punkt.

Jaki z tego wniosek?

Uczenie maszynowe może wprowadzić znacznie szerszy kontekst do Twojej wyszukiwarki, dzięki czemu możesz zwiększysz skuteczność i podnieść konwersję.

Jak się do tego zabrać?

Kluczowym elementem będą dane. Ważne jest umieć zbierać informację (dlatego potrzebna jest odpowiednia architektura), dzięki czemu, nie tłumacząc maszynie wprost, a jedynie obserwując zachowania ludzi, potrafi ona zrozumieć korelacje (ale co ważne, również te, które są zdecydowanie mniej oczywiste).

2. Prognozowanie podażu i popytu

Klient, kupując produkt, chce go natychmiast otrzymać. Oczywiście, może trochę poczekać, ale im dłużej czeka, tym bardziej chce zrezygnować ze swojego zamówienia.

Podaję przykład, o którym już wspomniałem, i mało firm dzieli się publicznie tą informacją. Otto Group jest jednym z największym e-commerce na świecie, który istnieje w ponad 20 krajach. Analizując zwroty klientów, czyli wtedy kiedy klient chciał coś kupić i już wpłacił pieniądze, po czym zażądał zwrotu, doszli do pewnych wniosków. Ich wnioskiem było, że wystarczy zmniejszyć czas dostawy towarów do 2 dni zamiast, 3-4, przez co ilość zwrotów zauważalnie się zmniejszyła.

Otto Group zdołało (na rok 2017) osiągnąć 90% dokładności, że konkretne produkty kupione z wyprzedzeniem, zostaną wykupione przez klientów w ciągu najbliższych 30 dni. Mało tego, robią to na dość dużą skalę, w ten sposób kupują ok. 200 tysięcy produktów z wyprzedzeniem. Innymi słowami Otto Group już wie, kto chce kupić określony produkt, chociaż klient może nie być jeszcze tego świadom. Dzięki temu rozwiązaniu udaje się uniknąć dwóch milionów zwróconych przedmiotów rocznie.

Jaki z tego wniosek?

ML może usprawnić podejmowanie bardziej trafnych decyzji biznesowych.

Jak do tego zabrać się?

W tym zadaniu chodzi o szeregi czasowe. Polecam zapisać się na mój autorski kurs, gdzie prostym i przystępnym językiem tłumaczę te zagadnienia. Kurs startuje 12 listopada. Jeśli posiadasz historię sprzedaży, prawdopodobnie już teraz stosunkowo małym nakładem możesz uzyskać rozwiązanie, które pomoże Ci w podejmowaniu bardziej trafnych decyzji.

3. Obsługa klientów

Jedną z zalet e-commerce jest skalowalność. Natomiast im więcej klientów, tym więcej opinii o produkcie lub usłudze. Mało tego, można to zrobić na wiele różnych sposobów (np. Facebook, Instagram, LinkedIn, Twitter, własny blog itd). Kontrolowanie tego manualnie, staje się dużym wyzwaniem.

Są firmy (również w Polsce), które próbowały ten problem rozwiązać zwiększając ilość pracowników, ale jednak wtedy pojawił się inny problem. W takim zespole, była dość duża rotacja… Dlatego trzeba było wymyślić coś innego.

Uczenie maszynowe jest tutaj pomocne na kilku płaszczyznach. Po pierwsze, można przypisać wypowiedź do konkretnej kategorii (kategorie mogą mieć strukturę drzewiastą).

Po drugie, można wyczuć jaki wydźwięk (sentyment) miała wiadomość. Wtedy można skupić się na negatywnych (które są bolączkami dla firmy), jak również na wykrywaniu anomalii. Sytuacja, gdzie negatywnych wiadomości jest coraz więcej, musi mieć swój konkretny powód.

Wiem, że czasem to brzmi bardziej skomplikowanie, niż jest w rzeczywistości. Natomiast to sprowadza się do problemu zwykłej klasyfikacji, z którym poradzi sobie, jak myślę większość moich absolwentów.

Po trzecie, jeśli dzwoniąc do Ciebie zmuszasz klienta do wybrania z menu 2,3 czy nawet 10 cyfr, to jest to bardzo słaba strategia. Znacznie lepiej będzie, jeśli będziesz go pytać i analizować odpowiedź głosową. Podobne projekty już występują na zachodzie, ale Polska nie pozostaje z tyłu. Co prawda, ciągle jest to w fazie testowej, ale Orange zaczęło już wprowadzać takie rozwiązania. Wiem z jakim skutkiem, ale nie mogę tego zdradzić, natomiast można się łatwo domyślić używając zwykłej logiki…

Po czwarte, już bardziej złożone, to zbudowanie chatbota, w szczególności w języku polskim. Chociaż zrobienie prostego drzewka, jest w miarę prostą czynnością, i czasem wystarczy, aby przeprowadzić większość prostych rozmów.

Jaki z tego wniosek?

ML może pomóc utrzymać tempo wzrostu, lub jego obecną skalę, zachowująć przy tym dobry poziom obsługi.

4. System rekomendacyjny

Jeszcze w czasach starożytnych sprzedawca, który potrafił być empatyczny w stosunku do klienta i doradzić mu w prosty, zrozumiały sposób, wygrywał z konkurencją. W e-commerce posiada wiele zalet z punktu widzenia biznesu, np. znacznie łatwiej się skaluje, niż zwykły sklep/rynek fizyczny. Natomiast, w klasycznej wersji traci się dość dużo na personalizacji i trafności przekazu. Dlatego klient czuje się zagubiony, albo jest za dużo do wyboru, albo to co jest, wykracza poza obszar jego zainteresowań. Nie ma możliwości też nikogo zapytać, bo komunikacja w tym przypadku jest jednostronna (w kierunku klienta).

Ludzie nie potrafią odnaleźć się w sytuacji, kiedy jest zbyt wiele opcji do wyboru. Po krótkim czasie człowiek czuje dyskomfort i nie wybiera nic, albo podejmuje losową decyzję, w wyniku czego statystycznie rzecz biorąc wybiera (naj)gorszą opcje. Więcej o tym można znaleźć w pracach amerykańskiego psychologa Barry’ego Schwartz’a.

Dlatego ludzie potrzebują wsparcia w Internecie. Zamiast przedstawiać wszystkie dostępne produkty, pokazać tylko te, które mogą klienta najbardziej zainteresować. (Też w małej ilości, najlepiej mniej niż 5 propozycji w tym samym czasie). Dlatego to jest sztuką. Bo z jednej strony, ilość klientów może wynieść tysiące lub miliony, a z drugiej ilość produktów to również tyle samo. W jaki sposób to wszystko spersonalizować? Używając zwykłych reguł programistycznych. (Np. Jeśli klient X, lub nawet segment X to przedstawić produkty A, B, i C)? Jest to zbyt czasochłonny proces. Mało tego, utrzymywanie tych reguł byłoby zbyt kosztowne. Dlatego potrzebne jest inne podejście. Systemy rekomendacyjne próbują rozwiązać ten problem, dobierając do konkretnego klienta kilka najciekawszych dla niego produktów w tym momencie (kontekście).

Jednym z klasycznych i wzorcowych przykładów systemów rekomendacyjnych jest Netflix. Neil Hunt (ang. Chief Product Officer Netflixu) powiedział, że w ostatnich latach udało im się zredukować o kilka procent odejścia klientów (czyli rezygnacji z subskrypcji). Zgodnie z ich kalkulacją, w ten sposób udało się zaoszczędzić więcej niż 1 mld. dolarów rocznie. Więcej o tym można poczytać w publikacji.

Podobnie Amazon zwiększył swoją sprzedaż o ok. 30%, tylko dzięki systemowi rekomendacji. Oczywiście to bardzo zależy od skali, natomiast ta liczba robi ogromne wrażenie.

Jaki można zrobić wniosek?

System rekomendacyjny może bardzo wpłynąć na sprzedaż (up-selling & cross-selling). W dodatku wzrasta lojalność klientów, gdyż wiedzą, że system im efektywnie podpowiada (włączając nieznane produkty).

5. Porzucone koszyki

Zgodnie ze statystyką (pierwszy kwartał 2018) ok. 70% (w zależności od branży od 69% do 81%) klientów porzucają koszyki.

Porzucone koszyki
Porzucone koszyki: źródło

Istnieje wiele przyczyn, dlaczego tak się dzieje, ale ważne jest to, że istnieje duży obszar, gdzie można podjąć próby optymalizacji i ostatecznie wiele zyskać. Klasycznym rozwiązaniem jest re-target marketing. Jednak powinniśmy jej używać jako broni ostatecznej. Uczenie maszynowe, może być dobrym narzędziem, które podejmuje bardziej dokładne działania. Może opłacać się dać większą zniżkę (np. 15%, 20% czy nawet 25%) niż przepalać budżety na reklamę (którą dość często “oglądają” boty).

Jest wiele sposobów, ale jednym ze skuteczniejszych jest wysłanie spersonalizowanego maila. Już wcześniej wspomniałem o systemach rekomendacyjnych, więc taki system może być również zastosowany w formie mailowej. Przypomnienie klientowi co chciał kupić + zniżka, oraz dodatkowe rzeczy, które mogą klienta zaciekawić. Miło będzie klienta zaskoczyć, czyli wspomnieć o produkcie, o którym nie wiedział. Co prawda tutaj trzeba posiadać większą bazę historycznych wydarzeń i wiedzieć troszkę więcej o swoich klientach.

Podam Ci namacalny przykład. Microsoft wysyła miliony newsletterów. Dzięki BrainMaker (za którym stoi uczenie maszynowe, w tym przypadku sieci neuronowe) udało się zwiększyć open rate z 4.9% do 8.2%. W ten sposób małym wysiłkiem udało się zwiększyć przychody.

Swoją drogą, jaki masz open rate? Jeśli mniej niż 5% to coś jest nie tak, i Twój marketing bardziej przypomina spamowanie, niż informowanie po koleżeńsku o czymś interesującym. Pomyśl o tym.

Jaki z tego wniosek?

Istnieje ogromny potencjał w optymalizacji porzuconych koszyków.

Jak do tego podejść?

Ciężko generalizować i brać pod uwagę wszystkie branże, natomiast na pewno warto zrozumieć, dlaczego ten koszyk jest porzucany i co ważniejsze, po której stronie występuje problem. Być może do naszego sklepu dociera zła grupa docelowa. Być może opis jest mylący. Być może problemem jest cena. Być może klient ma zasadę, że kupuje tylko po zniżkach (nie ważna jaka jest cena). Powodów może być dziesiątki. Uczenie maszynowe może pomóc podejść do tego tematu jako procesu optymalizacyjnego.

6. Wykrywanie oszustw

Internet rządzi się swoimi prawami. Z jednej strony potrafi bardzo ułatwić życie, a z drugiej strony są ludzie, którzy chcą wykorzystać naiwność drugiej osoby. Na przykład, zakupy z użyciem kradzionych kart kredytowych stawiają wszystkich w problematycznej sytuacji: klienta, banku jak i również sklepu. Są historie, kiedy sklep myślał, że jego sprzedaż zwiększa się i poszerzają skalę, aż w końcu okazało się, że większa część transakcji zrobionych była z użyciem kradzionych kart kredytowych i  sklep był zmuszony zwrócić te pieniądze. Prawo zwykle stoi bardziej po stronie konsumenta niż biznesu.

Oszustwa stają się coraz większym problemem dla biznesu i trzeba jakoś sobie z tym radzić. Uczenie maszynowe może w tym pomóc… Tylko uwaga! Z drugiej strony oszuści są sprytni i równie dobrze też mogą zastosować uczenie maszynowe. Temat ten jest dość skomplikowany.

Jaki można wyciągnąć wniosek?

Przede wszystkim warto sobie zdawać sprawę z ryzyka, które wiąże się chociażby z kartami kredytowymi i gdzie doszukiwać się potencjalnego rozwiązania.

Jak do tego podejść?

To zależy od Twojej skali. Jeśli dotychczas zdarzyło się to raz (to jest dobra wiadomość dla Ciebie), ale już nie dla uczenia maszynowego. W tym przypadku lepiej wdrożyć rozwiązanie którejś z firm (które już mają swoje własne know-how). Jeśli jednak Twoja skala jest duża i fraudów niestety też jest dużo (w tysiącach), to wtedy możesz skusić się na przygotowanie własnego rozwiązania, tylko musisz zdawać sobie sprawę, że ten model ciągle trzeba aktualizować (gdyż po drugiej stronie też jest żywy organizm, który jest ambitny oraz sprytny, i cały czas szuka dziury w systemie).

7. Katalog produktów

Dla firm, które współpracują z różnymi dostawcami, może się okazać, że utrzymywanie katalogu produktów staje się zbyt dużym wyzwaniem. Mało tego, w pewnym momencie jest to niewykonywalne manualnie, bo każdy producent (czasem też dostawca) ma własny standard. Ostatecznie te same rzeczy są nazywane na różne sposoby, lub w drugą stronę.

Przykład, który ostatnio trafił mi do rąk. Sklep z hamulcami dla samochodów. Poukładanie wszystkich hamulców w drzewo (różnych producentów) w sposób manualny okazał się zbyt trudnym (mało opłacalnym) zadaniem. Właściciel sklepu, który się za to zabrał, ostatecznie się poddał. Z drugiej strony, posiadanie takiego katalogu bardzo upraszcza życie  klienta. Informacja staje się bardziej wiarygodna i jednoznaczna.

Przerobiałem również inny przykład. Dla dużej firmy, która również miała problem z katalogowaniem rzeczy. Zrobienie tego manualnie wymagałoby niewiarygodnych nakładów czasowych i pieniężnych. Natomiast używając pewnych technik uczenia maszynowego oraz kilku iteracji (czyli możliwości popełnienia błędów i wyciąganie z tego wniosków – przyniosło to swoje owoce).

Jaki wniosek można z tego zrobić?

Uczenie maszynowe może pomóc Ci zarządzać katalogiem (mówiąc ogólniej, strukturami drzewiastymi), dzięki czemu zyskasz kontrolę nad logistyką, ale też wzbudzisz większe zaufanie klienta.

8. Personalny doradca

Sklep Zalando, który wykorzystuje uczenie maszynowe na różnych poziomach, w swoim czasie wyróżnił się na rynku, tak zwaną wirtualną przymierzalnią. Klient mógł zamówić ubrania, następnie przymierzyć w domu, jeśli coś mu nie odpowiadało – wrócić. Było to swoim czasie dość ryzykowne, ale ostatecznie dzięki temu udało się zdobyć kawałek rynku.

Stitch Fix założona w 2011 roku w San Francisco, idzie o krok dalej i próbuje rozwiązać problem inaczej. Przed zamówieniem, klient wypełnia ankietę, dzięki której jest łatwiej zidentyfikować, co lubi, itd. Następnie próbuje zgadnąć, które rzeczy będą najlepiej pasować dla tej osoby. W ten sposób, dzięki uczeniu maszynowymu staje się personalnym stylistą. Rzeczy, które były dobrane źle, klient może zwrócić, dzięki czemu algorytm uczy się lepiej poznawać potrzeby danego klienta.

Warto wziąć pod uwagę skalę tego rozwiązania. Na czerwiec 2018 roku mieli ok. 2.7 mln. klientów (o 30% więcej niż w zeszłym roku). W roku 2017 dochód firmy wyniósł ok. 1 mld. dolarów (977 mln) i nadal mają ambitne plany. Swoją drogą, CEO firmy, Katrina Lake, zawsze podkreśla, że ich przewaga to technologia – czyli uczenie maszynowe (było ich ponad 85 osób na czerwiec 2018). Ostatnio również uruchomili podobny serwis tylko dla dzieci – Stitch Fix Kids.

Jaki można zrobić wniosek?

Personalny doradca to krok dalej w porównaniu ze zwykłym systemem rekomendacyjnym, który pomoże Ci uzyskać przewagę nad konkurencją.

Jak do tego zabrać się?

Zastanów się, na ile możesz zmienić swój biznes, jeśli zatrudniłbyś personalnych doradców dla klientów? Jeśli bardzo, to pomyśl na ile Twój biznes fundamentalnie różni się od Stitch? Być może, masz już wystarczająco danych, aby zacząć działać!

9. Voice Shopping

Inteligentni asystenci stają się coraz bardziej inteligentniejsi. Na dzień dzisiejszy istnieje ich kilka: Google Assistant, Siri (Apple), Cortana (Microsoft) i Amazon Alexa. W lipcu 2018 zostały opublikowane wyniki, gdzie asystentów sprawdza się w dwóch wymiarach. Czy rozumieją, o co są pytani, oraz poprawność ich odpowiedzi.

Swoją drogą, ciekawy jestem jakie wyniki uzyskali by ludzie na tym teście. Mam wrażenie, że nasze społeczeństwo coraz gorzej sobie z tym radzi. Co o tym myślisz?

Wracając do asystentów. Google Asystent pokazał najlepszy wynik. 100% zrozumienia i 85.5% prawidłowych odpowiedzi (poprawiając swój zeszłoroczny, też najlepszy wynik o ponad 10%).

Query results
Query results: źródło

Siri też poprawiło o 12% zeszłoroczny wynik, tym samym zajęło drugie miejsce i osiągnęło zeszłoroczny wynik Google Assistant.

Zastanówmy się nad tym. Jak głosowy asystent może zrewolucjonizować branżę e-commerce.

Klawiatura jest interfejsem umożliwiającym wprowadzanie danych do komputera lub komórki, ale jest to rozwiązanie mało naturalne dla człowieka. Owszem, człowiek może się przyzwyczaić do różnych rzeczy, ale jeśli będzie miał do wyboru wprowadzanie informacji w łatwiejszy sposób, to na pewno to wybierze. Używanie komend głosowych jest o wiele wygodniejsze.

Dlatego w bliskiej przyszłości warto pomyśleć o tym, że klienci będą zamawiać głosem. Przykładem może być Google Express, dostępny jak na razie tylko na terenie Stanów Zjednoczonych (pomijając Alaskę i Hawaje). Na sierpień 2018 zintegrowani są z ponad 150 sklepami, również z tymi największymi, jak: Walmart, Target itd. To jest przyszłość, która już się dzieje…

Jaki można zrobić wniosek?

Uczenie maszynowe już zaczyna sobie radzić z rozpoznawaniem głosu, dlatego ważne jest zacząć myśleć przyszłościowo, bo być może zwykły sklep w Internecie może przestać istnieć, lub może działać na zupełnie innych zasadach.

10. Design

Okazuje się, że maszyny stają się coraz bardziej twórcze. Potrafią tworzyć muzykę, obrazy, kopiować style. Dość często jest to bardziej trywialny przykład, który jednak przedstawia możliwy potencjał.

Prawda jest taka, że obecne algorytmy są na tyle ciekawe, że są w stanie wykonać całkiem interesujące zadania.

W poprzednim odcinku podcastu było wspomniane, jak na podstawie zdjęcia z ubraniem, została podjęta próba wygenerowania go na modelce czy modelu (w tym przypadku chodzi o człowieka).

Podam Ci jeszcze jeden przykład, na razie mało znany, ale skłania do przemyśleń. W jednym z e-commerce w Indii – Myntra, postanowili zoptymalizować proces tworzenia najlepiej sprzedających się koszulek w kolorze: oliwkowym, niebieskim i żółtym. Wcześniej wzory były tworzone przez ludzi, teraz ten cały proces jest zautomatyzowany dzięki uczeniu maszynowemu.

Jaki można zrobić wniosek?

Warto być otwartym na zmiany. To co wydaje się zbyt trudne dla algorytmu i jest w stanie zrobić tylko człowiek, w przyszłości może nas bardzo zadziwić :).


Można wymieniać jeszcze wiele innych przykładów. Natomiast celem było przedstawienie idei. Na koniec bardzo chcę powiedzieć, że uczenie maszynowe nie jest tylko domeną dużych graczy. Mniejsze firmy też mogą zacząć wdrażać uczenie maszynowe.

Modele AI nie są inteligentne z definicji (przynajmniej teraz :). Modele potrzebują danych (dobrej jakości, jak i ilości), żeby móc się uczyć. Pomijając różne zawiłe wzory matematyczne,  zapamiętaj, proszę jedną prostą regułę: jeśli nie masz danych, to skup się najpierw na nich. To umożliwi Ci wdrożenie ML w praktyce.


Teraz zapraszam Cię do wysłuchania opinii absolwentki drugiej edycji kursu online “Praktyczne uczenie maszynowe”. Przypominam, że trzecia edycja rusza 29 października. Gdzie nauczysz się kilku fundamentalnych technik, które można będzie zaadaptować do Twojego biznesu. Kolejną dobrą wiadomością dla Ciebie może być 20% zniżka, dostępna do końca września na promokod: PRACTICAL_ML_BM20.

Basia
Basia

Cześć Basiu. Przedstaw się, kim jesteś, czym się zajmujesz, gdzie mieszkasz.

Cześć Vladimir. Nazywam się Basia Sobkowiak, jestem Poznanianką. Pracuję w firmie Britenet.com, to jest firma IT, a ja pracuję w dziale Business Intelligence. Jestem analitykiem BI oraz osobą odpowiedzialną za wdrożenie i utworzenie zespołu Data Science.

Tak naprawdę, na co dzień zajmuję się zbieraniem wymagań od klientów do naszych biurowych projektów oraz tworzeniem raportów i analityki wizualnej danych. Dodatkowo też działam w społeczności „Women in Machine Learning & Data Science” w poznańskim oddziale. Jest to społeczność, która chce skupiać ludzi wokół obszaru data science, promować ten obszar wśród kobiet i ośmielać je do działania w tym obszarze, aby nie bały się, aby nie uważały, że nie dadzą rady, tylko żeby je zachęcać do tego, żeby rozwijały się w analityce i żeby było nas więcej.

A tę grupę „Women in Machine Learning & Data Science” robicie wspólnie z Moniką?

Tak, Monika jest jedną z organizatorek.

Pozdrawiam Monikę, to też absolwentka pierwszej edycji, bardzo trzymam kciuki za jej rozwój widzę, że ma całkiem fajne postępy. No dobra, przejdźmy dalej do naszego tematu. Powiedz jeszcze, co ostatnio czytałaś?

Aktualnie jestem w trakcie czytania książki „Analiza danych w biznesie. Sztuka podejmowania skutecznych decyzji” autorstwa Provosta i Fawcetta. Są to amerykańscy specjaliści od data sciencemachine learning. Książka jest bardzo dobra, jeśli chodzi o wprowadzenie i uzupełnienie wiedzy z analityki danych. Osobiście uważam, że każda osoba, która chciałaby u siebie w firmie wprowadzić trochę bardziej zaawansowaną analitykę danych, chciałaby mieć swój biznes, budować swoją przewagę biznesową dzięki analityce danych, powinna ją przeczytać.

Ponieważ ona dosyć dobrze tłumaczy zagadnienia, w bardzo prosty i zrozumiały sposób, dosyć przekrojowo, są tam też poruszane elementy przetwarzania języka naturalnego, wydaje mi się, że dzięki tej książce lepiej rozumie się co data scientists czy analitycy danych z nimi robią, dlaczego i jak to się dzieje, że można wyciągać różne wnioski z danych. No i potem na podstawie tego podejmować jakieś decyzje, czy budować jakieś rozwiązania. Moim zdaniem to jest naprawdę bardzo fajna książka i bardzo przystępnie napisana, to jest jej bardzo duży plus.

Powiedziałaś, że zajmujesz się też Business Intelligence, że budujesz zespół. Zacznijmy od początku, jak to się stało, że zainteresowałaś się uczeniem maszynowym, co Cię zainspirowało? Opowiedz nam swoją historię.

Jeśli chodzi o samo machine learning i sztuczną inteligencję, to tak naprawdę zaczęłam się nią interesować gdzieś pod koniec zeszłego roku, ale zawsze byłam związana z analityką danych. Nie kończyłam studiów informatycznych czy matematycznych, tylko trochę inne i zawsze byłam związana z analizą danych przestrzennych, zawodowo również. Tak się potoczyły moje ścieżki, chciałam też poszerzyć swoje horyzonty i trochę bardziej działać w takiej analityce dla biznesu, dla firm, więc tutaj się pojawił ten BI i analityka BI. Jeśli chodzi o analitykę wymagań, tworzenie raportów czy tworzenie takiej analityki wizualnej czy jakieś tam wykresy interaktywne, drążenie danych, to trochę było dla mnie za mało, wiedziałam, że dużo więcej można z tych danych wyciągać, można robić jakieś predykcje, można robić jakieś modele, które po prostu odpowiedzą na bardziej zaawansowane pytania i gdzieś tak trochę naturalnie zaczęło to iść właśnie w tę stronę.

Ponieważ u nas w dziale mamy liderów różnych obszarów, tak w tej ścieżce się to wyłoniło, że mogę być liderem zespołu data science i dostałam takie zadanie, żeby zbudować ten zespół. Dalej powstał efekt kuli śnieżnej, jak się powiedziało A, trzeba powiedzieć B, więc coraz bardziej mogłam rozwijać się w tej dziedzinie, dostawałam ku temu takie bodźce zewnętrzne, bo wiedziałam, że to się do czegoś przyda, bo mogę zbudować zespół, mogę mieć specjalistów, rozmawiać z nimi. Dalej będą projekty i wiem, że to będzie mi potrzebne, będę mogła to wykorzystać, robić fajne rzeczy zawodowo, rozmawiać z klientami i im pokazywać, że mogą z tymi danymi, które zbierają, robić jeszcze fajniejsze rzeczy niż tylko prosty raport, który im pokazuje na przykład sprzedaż, tylko mogą jeszcze sobie zrobić jakąś predykcję, a potem wokół tego budować cały proces podejmowania swoich decyzji.

Powiedziałaś, że zajęłaś się uczeniem maszynowym jako procesem, kilka miesięcy temu albo może pół roku temu, właśnie jesteś absolwentem drugiej edycji „Praktyczne uczenie maszynowe” Data Workshop. I co Ci najbardziej się spodobało na tym kursie?

Najbardziej podobało mi się to, że tego materiału było naprawdę dużo. Do każdej lekcji zawsze były minimum 2 linki dodatkowych materiałów, w związku z tym zawsze mogłam poszerzać swoją wiedzę. Do tego bardzo mi się podobało to, że nawet najbardziej skomplikowane zagadnienia tłumaczysz bardzo przystępnie i w prosty sposób. Do dzisiaj mi utkwiło w pamięci, jak tłumaczyłeś sieci neuronowe, zaczynałeś od przykładu „tata-mama-dziecko-babcia” i na tym budowałeś całą historię o tym, jak funkcjonują sieci. To dla mnie był bardzo duży plus, nie było to tłumaczone w bardzo matematyczny sposób, bardzo taki naukowy, tylko bardzo przystępny i praktyczny.

Dodatkowo te przykłady, które były w zadaniach, były jakby trochę z życia, to nie były przykłady akademickie. Podawałeś faktycznie realne zadania, dane, które gdzieś pojawiły się na różnych platformach. Myślę, że to są takie dwa najważniejsze punkty. Jako trzeci mogę dodać jeszcze Slacka, bo to też było fajne miejsce kontaktu, wymiany informacji i pomocy od ludzi, ponieważ jeśli się miało jakiś problem, można było tam napisać i albo ktoś ze społeczności, z uczestników pomógł, albo Ty odpisywałeś dosyć szybko, co trzeba zrobić, więc to też było bardzo fajne. To motywowało do pracy, że też są osoby, które robią ten kurs i one są gdzieś dalej, w związku z tym nie warto się poddawać i trzeba robić dalej, bo kurs był dosyć długi i tego materiału było dużo, więc naprawdę trzeba było się zmotywować wewnętrznie.

To brzmi dla mnie bardzo ambitnie i inspirująco, bardzo mi miło, bo wymyślenie takich przykładów zawsze zajmuje dużo czasu, nie ma tej prostoty, która jest tam, za tym wszystkim stoi bardzo skomplikowany proces twórczy, więc bardzo miło mi to usłyszeć. A powiedz, czy coś Cię zaskoczyło?

Na pewno zaskoczyło mnie to, że ten kurs był bardzo mocno nastawiony na nasze myślenie. Niestety często w życiu spotykałam się z tym, że jakieś kursy czy szkolenia były po prostu przejściem przez książkę, czy jakiś tam przygotowany materiał: kliknijmy tu, wpiszmy taką czy inną komendę i tak naprawdę po 2-3 dniach kursu miało się oczywiście jakiś ogólny obraz danego zagadnienia, ale często potem nie miałam takiego poczucia, że faktycznie umiem to zrobić, że faktycznie wiem, na czym to polega. Tutaj, przez to, że było bardzo dużo tych zadań, o bardzo różnym stopniu zaawansowania, a potem dawałeś nam takie zadania, gdzie w sumie mieliśmy puste okienko i trzeba było coś po prostu wymyślić samemu, to faktycznie powodowało, że człowiek zdecydowanie lepiej rozumiał, bo musiał sam pomyśleć, co trzeba zrobić.

To było takie naprawdę duże zaskoczenie, że ten kurs jest naprawdę praktyczny i naprawdę nas uczy sposobu myślenia z tymi danymi. Na pewno zaskoczyła mnie właśnie ta ilość materiałów dodatkowych, już dawno się nie spotkałam przy jakichś kursach, żeby aż tyle dostać dodatkowych materiałów czy wskazówek na materiały, gdzie możemy uzupełnić swoją wiedzę oraz na pewno Twoja dostępność i chęć pomocy. Już nie pamiętam o której, ale pamiętam, że kiedyś były takie wpis na Slacku o 1-2 w nocy, gdzie widziałeś, że my pracujemy, są obciążone serwery, stwierdziłeś, że dokładasz mocy, więc poprostu byłeś praktycznie zawsze dostępny i zawsze starałeś się nam pomóc, jeśli mieliśmy jakieś problemy, czy to techniczne, bo coś tam nam nie działało, czy też po prostu bardziej merytoryczne.

Zawsze po jakimś działaniu, kursie, lekcji pojawia się pytanie „I co dalej?”. Więc też zadam Ci to pytanie, jak zamierzasz wykorzystać tę wiedzę, którą zdobyłaś na kursie?

Myślę, że tak naprawdę chcę ją wykorzystać w trzech aspektach. Na pewno, chcę użyć jej w projekcie zawodowo, myślę, że to nastąpi w okresie jesienno-zimowym, pewnie z pomocą bardziej zaawansowanych osób, bo czasami projekty są bardziej zaawansowane. Na pewno też ze względu na moją funkcję w firmie, ze względu na to, że jestem odpowiedzialna za zespół data science, chcę jej użyć do prowadzenia i rozbudowy tego zespołu, ponieważ zależy mi na tym, żeby ten zespół był fajny i pod względem specjalistów, jak również, żeby to był zespół, a nie zbiór osób zajmujących się data science. Aby prowadzić jakiś zespół, uznaję zasadę, że trzeba wiedzieć, czego on dotyczy i jakie zadania wykonują ludzie, żeby móc z nimi rozmawiać Oczywiście nie można być specjalistą od wszystkiego, ale trzeba się trochę orientować w pewnych zagadnieniach, więc na pewno tutaj ta wiedza jest nieoceniona.

Trzeci aspekt to jest rozmowa z klientami, ponieważ bardzo często spotykam się z tym, że klienci są gdzieś dopiero na początku ścieżki swojej pracy z danymi. I tutaj potrzebna jest rozmowa i inspirowanie ich do tego, że można tych danych użyć w jeszcze inny sposób, można jeszcze więcej wyciągnąć z tych danych i trzeba tłumaczyć im, na czym to polega, że machine learningdata science to nie jest taka czarna magia, że nie należy się tego bać. Tak naprawdę to są bardzo przystępne rzeczy i można o tym myśleć, żeby to wykorzystać i usprawnić swoje procesy biznesowe. A przy tym można zrobić jakiś fajny projekt i cieszyć się z tego, że robi się fajną pracę. A potem można fajnie optymalizować swoje działania. Myślę, że to są takie trzy aspekty, w których chciałabym wykorzystać tę wiedzę.

Bardzo się cieszę, podałaś konkrety i czuję tę determinację, motywację do wykonania. I ostatnie już pytanie na dzisiaj, jak ktoś będzie chciał się z Tobą skontaktować, to jak może to zrobić?

Jest kilka różnych kanałów. Można do mnie dotrzeć na LinkedIn. Można też do mnie pisać na maila firmowego tj. barbara.sobkowiak@britenet.com.pl, więc myślę, że to są dwa kanały, poprzez które najłatwiej do mnie dotrzeć, jeśli ktoś chciałby się ze mną skontaktować. Jeszcze można się ze mną skontaktować przez naszą organizację „Women in Machine Learning & Data Science” w Poznaniu, jeśli nawet nie trafi to bezpośrednio do mnie, to któraś z dziewczyn, bo jest nas czwórka, na pewno przekaże to do mnie. Więc to też jest jakiś sposób komunikacji, zwłaszcza jeśli ktoś jest zainteresowany społecznością tego typu czy w Poznaniu, czy w ogóle w Polsce, bo jest też drugi oddział w Trójmieście. Więc tak najłatwiej do mnie trafić i mnie znaleźć.

Super dziękuję Ci bardzo za Twój czas i chęć podzielenia się swoją opinią, ale też bardzo mocno trzymam kciuki za Twój rozwój i ten plan, który masz na tę bliską i też na tę dalszą przyszłość.

Dziękuje Ci bardzo Vladimir za rozmowę.

Od 2013 roku zacząłem pracować z uczeniem maszynowym (od strony praktycznej). W 2015 założyłem inicjatywę DataWorkshop. Pomagać ludziom zaczać stosować uczenie maszynow w praktyce. W 2017 zacząłem nagrywać podcast BiznesMyśli. Jestem perfekcjonistą w sercu i pragmatykiem z nawyku. Lubię podróżować.

Dodaj komentarz

Twój adres e-mail nie zostanie opublikowany. Wymagane pola są oznaczone *