Żyjemy w czasach, kiedy uczenie maszynowe ma coraz większy wpływ na nasze życie. Ostatnio czytałem dyskusję na quora, czy tak zwana sztuczna inteligencja może wkroczyć do sądów, gdzie zastąpi osobę sędziego. Akurat pierwsza odpowiedź, brzmiała, że “absolutnie nie”. Natomiast, jeśli zastanowimy się nad tym, to odpowiedź będzie brzmiała “raczej tak”. Już teraz są sytuacje, kiedy uczenie maszynowe wspiera prawników czy sędziów.

Istnieją różne publikacje na ten temat, np. w National Bureau of Economic Research przygotowano publikację, gdzie twierdzono, że model bazując na danych historycznych, takich jak protokół zatrzymania czy na innych aktach sądowych jest w stanie zrobić predykcję, czy ta osoba jest winna czy nie, na poziomie porównywalnym lub nawet lepszym od sędziego.

Brzmi to ciekawe. Po pierwsze, daje to nadzieję, że wszystkie sprawy znajdujące się w sądach potoczą się szybciej. Druga szansa, to fakt, że wreszcie sąd stanie się w 100% sprawiedliwy, ponieważ człowiek jednak nadal tylko człowiekiem (chociażby na poziomie podświadomości). Co do pierwszej możliwości, jak najbardziej ten problem może być rozwiązany. Uczenie maszynowe bardzo fajnie skaluje się (sprzęt staje się coraz tańszy). Natomiast druga ewentualność stanowi wyzwanie.

Jak na razie, uczenie maszynowe jest również subiektywne. To wynika, chociażby z tego, w jaki sposób uczy się model. Uczy się on na podstawie decyzji, które podejmowali ludzie. Dlatego to co może zrobić model to, w najlepszych przypadku, zebranie najlepszej kombinacji wygenerowanej przez ludzi, ale to nadal będzie subiektywne.  Do tego jeszcze należy dodać kolejny wymiar złożoności – a mianowicie – bardziej złożone modele są tak zwanymi “czarnymi pudłami”, tzn. działa on zwykle lepiej, ale nie wiadomo dlaczego tak jest.

Jeden z trendów, który można było dostrzec jeszcze w roku 2017 i na pewno będzie kontynuowany w roku 2018, to większa wartość zrozumienia na podstawie czego model podejmuje decyzje. Ponieważ, to że będziemy używać bardziej zaawansowanych modeli staje się coraz bardziej oczywiste (być może w niektórych obszarach, jak finanse czy bankowość, na skutek różnych regulacji, jeszcze trochę to potrwa, ale i tak nastąpi). Jak to zrobić? Skoro nie jesteśmy w stanie wprost zrozumieć jak działa model, trzeba zbudować model, któryy nam w tym pomoże.

Człowiek jest bardzo ograniczony, wbrew pozorom. Dlatego pojawiają się różne narzędzia, zaczynając od młotka, a na statkach kosmicznych kończąc. Dlatego to jest takie naturalne: stworzyć narzędzie, podobne do mikroskopu czy teleskopu, które pomoże zobaczyć “coś”, czego nie widać gołym okiem. Kolejny ciekawy aspekt – jak pomyślimy o ludziach, to też mało o nich wiemy. Nadal nie wiadomo jak działa mózg – osoby, które zajmują się tym zawodowo często twierdzą, że mózg (który posiada każdy człowiek) jest najbardziej złożonym elementem we wszechświecie.  

Dlatego, kontynuując dyskusję o tym, że nie wiadomo na podstawie czego podejmuje decyzję model, to przecież podobna sytuacja dotyczy ludźmi – również nie wiadomo dlaczego podejmują tą czy inną decyzję. Pomyśl przez chwilę, jak często podjąłeś decyzję, a potem sam nie rozumiałeś dlaczego akurat tak postąpiłeś? Zostawiam Cię z tym wątkiem

Jak już powiedziałem, w roku 2018 będą rozwijane narzędzia do rozumienia zaawansowanych modeli (dlaczego podejmują taką czy inną decyzję), ale również, co mnie bardzo cieszy, więcej uwagi będzie poświęconej na to, jak stworzyć model sprawiedliwym. Skoro Satya Nadella, CEO Microsoft, również dzieli się pomysłami jak można podejść do problemu, to raczej oznacza, że dotarł on na odpowiedni poziom. Zobaczymy jak to będzie.

Dzisiejszym gościem jest Mateusz Grzyb. Bardzo ciekawy człowiek, który ma kilka dość rzadkich, mało popularnych w naszych czasach cech. Jest odpowiedzialny, czasem wręcz za bardzo (wiem jak to jest, bo mam podobnie), ale bardzo przyjemnie współpracuje się z ludźmi – którzy obiecują coś i robią to bez jakichkolwiek przypomnień. Druga rzecz, która również jest mało popularna – dbałość o szczegóły, dla osób które pracują w analityce jest to bardzo ważne.

Poruszyliśmy z Mateuszem kilka wątków, zaczynając do scoringu dla instytucji finansowych, przez systemy rekomendacyjne i inne.

Mateusz był trochę przeziębiony, ale mam nadzieje, że mu to wybaczysz

Na końcu będzie kilka ogłoszeń, jak i prezent przygotowany przez Mateusza.

Zapraszam do czytania.

Cześć Mateusz! Przedstaw się słuchaczom – kim jesteś? Czym się zajmujesz? Gdzie mieszkasz?

Witam serdecznie. Nazywam się Mateusz Grzyb i pracuję jako Data Scientist w ITMagination, mieszkam w Warszawie. Na co dzień zajmuję się dostarczaniem wartości biznesowej w oparciu o dane.

Co ostatnio czytałeś?

Książką, którą ostatnio przeczytałem jest „7 nawyków skutecznego działania” – klasyka, nie będę tutaj oryginalny. Jest to książka, do której co jakiś czas staram się powracać, nazywam ją biblią – nie można jej przeczytać tylko raz i odłożyć na półkę. Staram się wdrażać techniki w niej opisane i później weryfikować, powracam do niej po raz kolejny.

To jest rzecz, której wydaje mi się często brakuje – osoby, które czytają nałogowo dużo wiedzą, ale mało wdrażają w praktykę. Drogi słuchaczu, jeśli też masz taki problem – dużo czytasz, a mało wdrażasz – może skorzystaj z porady Mateusza i co jakiś czas wracaj do lektury, która jest tego warta. Powiedziałeś, że pracujesz jako Data Scientist w ITMagination, czym dokładnie się tam zajmujesz?

Jeśli miałbym w jednym zdaniu opisać czym zajmuję się w ITMagination – jest to dostarczanie wartości biznesowej w oparciu o dane, które posiadają nasi klienci, mówiąc bardzo ogólnikowo. Jeśli miałbym opisać to bardziej szczegółowo, to musiałbym podzielić wszystkich klientów, z którymi współpracujemy na dwie grupy.

Pierwsza grupa – klienci bardziej świadomi, jeżeli chodzi o obszar danych  – głównie firmy z sektora finansowego. W tych firmach weryfikujemy pewnego rodzaju rozwiązania, nowe narzędzia, techniki. Sprawdzamy jak ich działanie wygląda w praktyce.

Druga grupa to klienci, którzy dopiero rozpoczynają swoją przygodę z danymi. Chcą zweryfikować jak Data Science, uczenia maszynowe, sztuczna inteligencja mogą poprawić działanie ich biznesu. Tutaj mamy do czynienia z różnego rodzaju problemami, może to być scoring klientów czy analiza logów zbieranych przez różne systemy, czy też predykcja zapotrzebowania na dane produkty, towary.

Poruszyłeś kilka kwestii, ale dopytam się o jedną, która jest dość ciekawa, zwłaszcza dla wielu firm finansowych – mam na myśli scoring. Wiem, że nie możesz zdradzić wielu szczegółów. Zapytam dość technicznie – jest tzw. problem black-box, kiedy próbujemy użyć czegoś bardziej zaawansowanego, zaczynając od boosting i kończąc na deep learning.

Ten model zwykle działa lepiej, ale tracimy na interpretowalności – nie jesteśmy w stanie w jednoznacznie wyjaśnić dlaczego ten model tak działa, chociaż wyniki są lepsze. Jak sobie z tym radzicie? Czy używacie bardziej zaawansowanych modeli? Czy używacie np. tylko modelu liniowego i tego problemu nie macie?

Jeśli chodzi o system scoringowy, nad którym obecnie pracujemy to zakłada on 100% interpretowalność danych. W zasadzie nie wchodzą w grę żadne modele, które nie są w pełni interpretowalne. Black-box odpada nam tutaj na starcie. W chwili obecnej nie mamy jeszcze wybranego końcowego algorytmu. Ciągle jesteśmy na etapie testowania ich pod kątem dokładności, przewidywania wyniku, oraz szalenie ważnej w uczeniu maszynowym, stabilności.

Mamy 3 podstawowe założenia. Pierwsze – 100% interpretowalność algorytmów, drugie – dokładność, trzecie – stabilność. Jeśli miałbym opisać algorytmy, które obecnie testujemy to pierwszym algorytmem, który testujemy jest drzewo decyzyjne – w zasadzie klasyka scoringu.

Ma on swoje zalety i wady. Niewątpliwym plusem jest naturalny sposób interpretacji jego wyników. Na wyjściu otrzymujemy zestaw reguł opisanych w strukturze drzewa. Idąc bezpośrednio od korzenia do liści, na jednym rysunku możemy zobaczyć jak algorytm podejmuje kolejno decyzje na poszczególnych węzłach. Algorytm ten ma również minusy – najbardziej znany to jego stabilność. Jest on dosyć wrażliwy na dane uczące.

Jeżeli klient w przyszłym roku, już po dostarczeniu przez nas produktu, będzie chciał douczyć swój model na nowych danych może się okazać, że ten zestaw reguł zostanie dość mocno zmodyfikowany – ucierpi na tym stabilność. Drugim minusem jest brak płynności algorytmu – czyli, na poszczególnych węzłach drzewa decyzyjnego decyzje, które są podejmowane w przypadku zmiennych ciągłych, zmiennych numerycznych – nazwijmy to, na sztywno. Jeżeli mamy zmienną ciągłą, którą jest na przykład saldo konta danego klienta, zostaje ona w pewnym momencie podzielona na dwie części. Oddzielamy klientów o saldzie np. poniżej i powyżej 10 000, co może być dosyć problematyczne.

Żeby opisać ten problem nieco dokładniej zaprezentuję przykład – mamy Jana Kowalewskiego, który stara się o kredyt inwestycyjny wysokiego ryzyka. Załóżmy, że jednym z ważniejszych czynników, który decyduje o przyznaniu kredytu jest właśnie saldo konta. Powiedzmy, że drzewo decyzyjne wybrało ten przedział na poziomie 10 000. Saldo Jana Kowalskiego na dzień pierwszy wynosi 4 900 złotych. Pierwszego dnia idzie on do banku stara się o kredyt, niestety jego wniosek zostaje odrzucony ze względu na to, że saldo było zdecydowanie za niskie.

Drugiego dnia, po otrzymaniu dużej faktury na kwotę 5 000 złotych od jednego z kontrahentów saldo konta Jana Kowalskiego wynosi już 9 900 złotych. Stara się on ponownie o kredyt inwestycyjny i wniosek ponownie zostaje odrzucony. Nie dziwi to, bo moment od którego kredyt zostanie przyznany to powiedzmy 10 000 zł.

Trzeciego dnia Jan Kowalski otrzymuje zapłatę za kolejną fakturę tym razem na kwotę 200 zł. Idzie do banku ponownie starając się o kredyt i wniosek zostaje zaakceptowany. Widzimy, że ta pierwsza zmiana salda konta, która była dużo większa niż druga w zasadzie nic nie zmieniła jeśli chodzi o zdolność kredytową. Natomiast, ta druga która była minimalna, zmieniła wszystko. Z osoby, który nie dostawała kredytu nagle Jan Kowalski go dostaje – to jest dosyć dużym minusem drzewa decyzyjnego.

Kolejnym algorytmem, który rozpatrujemy jest regresja logistyczna. Daje ona nieco gorsze wyniki, niż drzewo decyzyjne, ale nadrabia stabilnością, również ma swoje wady. Główny minus to wrażliwość na braki danych i na dane odstające. Jeżeli mamy obserwacje, które cechują się dosyć wysoką wartością danej zmiennej – posługując się tym przykładem Jana Kowalskiego – jeżeli saldo konta jest bardzo wysokie, to taka zmienna będzie wpływać na końcową predykcję.

Temat scoringu jest bardzo ciekawy, można o niego jeszcze dopytywać. Między innymi porozmawialiśmy troszkę offline jak te przepisy wyglądają i że jest to czasami dość śliskie – zostawmy teraz ten temat.

Zapytam o coś innego – jakiś czas temu pracowałeś nad systemem rekomendacyjnym. Wyjaśnij proszę, co to jest? Wydaje się, że dla wielu biznesów może być to bardzo przydatne. Druga rzecz, to postaraj się proszę na mniej oczywistym przykładzie, pokazać jaką korzyść taki system rekomendacyjny może wnieść dla biznesu?

System rekomendacyjny jest to specyficzny system ekspercki, którego działanie polega na rekomendowaniu produktu lub usługi dla klienta końcowego w oparciu o wybrane kryteria, w zależności na którą opcję decyduje się firma wdrażając system rekomendacyjny.

Do takich mniej oczywistych przykładów zastosowania systemów rekomendacyjnych można zaliczyć np. branżę e-commarce, gdzie mamy do czynienia z handlem internetowym, gdzie firmy prowadzą sprzedaż produktów bądź usług poprzez internet. Tutaj stricte dochodzimy do rekomendacji tych produktów lub usług klientowi końcowemu.

To na czym bazuje cały fenomen Amazonu – powołując się na dane sprzed kilku lat, 35% sprzedaży firmy bazowało na sprzedaży rekomendacji. To pokazuje olbrzymią siłę jaką mają rekomendacje, silniki rekomendacyjne. Kolejnym mniej oczywistym przykładem wykorzystania systemów rekomendacyjnych jest budowanie lojalności klienta. Wszędzie tam, gdzie spotykamy się ze sprzedażą możemy w oparciu o systemy rekomendacyjne budować lojalność klienta, np. wyznaczać produkty, które z dużym prawdopodobieństwem okażą się interesujące dla klienta i wysyłać je w różnych np. kampaniach mailingowych.  Dzięki temu będziemy budować jego lojalność, im bardziej trafne będą te rekomendacje tym większe jest prawdopodobieństwo zakupu danego produktu.

Brzmi ciekawie. Pamiętam, że kiedyś rozmawiałem z jednym ze słuchaczy BiznesMyśli, który pracuje w firmie z branży medycznej. Opowiadał on o implementacji związanej z diagnozami lekarskimi. Przychodzi pewna osoba, z różnymi diagnozami i pojawiają się rekomendacje do którego lekarza ma pójść. Na podstawie danych historycznych zrobili tego rodzaju rekomendację.

Na pierwszy rzut oka, wydaje się to dziwne, że rekomendacja wizyty lekarskiej jest czymś innym, ale z drugiej strony to jest dokładnie ten sam przypadek. Przejdźmy teraz troszkę poziom niżej, jeszcze niezbyt techniczny, ale tak żeby wyczuć jak za ten problem w ogóle można się zabrać, co jest potrzebne?

Jeżeli mówimy o tym co jest potrzebne do budowy systemu rekomendacyjnego, na pewno potrzebni są użytkownicy i dane ich dotyczące, decyzje jakie podejmują oraz dane dotyczące produktów, usług to z czego ci użytkownicy korzystają, co oglądają bądź co kupują. Dopiero mając te dane możemy iść o krok dalej i myśleć o podjęciu decyzji co do wyboru sposobu filtrowania w naszym systemie rekomendacyjnym.

Czym jest filtrowanie? Jest to dobór odpowiednich produktów, które mogą okazać się dla danego użytkownika interesujące. Powiedziałem o tym, że muszą być dane, jakieś produkty, konkretni użytkownicy, którzy podejmują jakieś decyzje. Jest jeszcze jeden, ostatni krok, jeżeli te dane mamy już w jakiś sposób przefiltrowane, czyli mamy wybrane produkty, które mogą się okazać interesujące to ostatnim krokiem jest wybór metody prezentacji wyników.

Tutaj mamy trzy najpopularniejsze: robimy listę top-n elementów, która zakłada, że sortujemy wszystkie produkty, usługi – to co chcemy sprzedać, zaoferować naszym klientom – sortujemy je według prawdopodobieństwa z jakim produkty te okażą się dla niego interesujące. Otrzymujemy na wyjściu posortowaną listę.

To podejście ma swoje wady i zalety. Minusem jak i plusem w zasadzie jest to, że produkty te są posortowane, im dalej idziemy w głąb listy te produkty są gorsze. W pewnym momencie może okazać się, że taka lista jest dla końcowego odbiorcy nużąca. Pierwszą alternatywą dla listy top-n elementów w silniku rekomendacyjnym jest metoda rowerowa – z angielskiego cycling recommendations – polega ona na usunięciu elementu po wyświetleniu, bądź po kilkukrotnym wyświetleniu. Dzięki temu użytkownicy nie widzą ciągle tych samych produktów, które mogłyby ich potencjalnie zainteresować.

Problem z tym związany miał swego czasu Filmweb, który prezentował w swoim silniku rekomendacji filmów na samej górze w zasadzie ciągle te same pozycje. Dodatkowo ciągle były to filmy, które mogły końcowego użytkownika potencjalnie najbardziej zainteresować. Po pewnym czasie użytkownik nie widział w ogóle sensu we wchodzeniu do tej listy rekomendacji i eksplorowania jej. Dzięki metodzie rowerowej – metodzie, w której te obserwacje po pewnym czasie znikają – częściowo mogliśmy tę listę odświeżać.

Drugim podejściem jest metoda serpentynowa – polega ona na rozłożeniu obserwacji, które w największym stopniu pasują do gustu danego użytkownika na kilku stronach. Przewijając daną listę z rekomendacjami użytkownik ten co kilka produktów widzi pozycje, które potencjalnie go dosyć mocno mogą interesować. Eliminuje to efekt znużenia i zachęca użytkownika końcowego do dalszej eksploracji serwisu. Dalsza eksploracja serwisu może się w tym przypadku przełożyć na większość sprzedaż, większe prawdopodobieństwo kupna większej ilości produktów.

Nieco podsumowując to co było powiedziane, chodzi o to, że mamy sporo produktów np. 1 000 lub 1 000 000 i chcemy polecić 3 – 10 z nich, a zadaniem algorytmu jest wybranie najlepszych. Tak jak Mateusz powiedział, najpierw algorytm pomaga nam przypisać jakąś wagę do tego produktu, ale musimy uważać, że gdzieś warto to w jakiś sposób przeciąć lub zastosować inne tricki, żeby lepiej zarządzać i nie podpowiadać jakiś bzdurnych dla użytkownika elementów. Jakie są główne, najbardziej znane podejścia jeżeli chodzi o system rekomendacyjny?

Jeśli chodzi o dwa główne podejścia do filtrowania w silnikach rekomendacyjnych wyróżniamy Content Based Filtering i Collaborative Filtering.

Na czym one polegają i jaka jest różnica? W pierwszym – Content Based, mamy filtrowanie w oparciu o atrybuty danego produktu. W przypadku gdy mamy np. silnik rekomendacji filmów, to takimi atrybutami mogą być: rok produkcji, reżyser, aktorzy biorący udział w nagrywaniu filmu i kraj produkcji. Jeżeli chodzi o to jak to jest parowane, to staramy się rekomendować użytkownikowi te filmy, produkty, które są możliwie najbardziej podobne do produktów najbardziej przez niego lubianych. Jeżeli kupuje te produkty, to rekomendujemy podobne. Jeżeli ocenia jakiś film na wysoką ocenę, to rekomendujemy filmy, które są możliwie jak najbardziej podobne do tego co lubi.

W drugim podejściu – Collaborative Filtering, założenie jest zgoła odmienne. Tutaj nie patrzymy na atrybuty poszczególnych filmów, tylko bazujemy na preferencjach użytkowników podobnych. Na przykład, dla Jana Kowalskiego szukamy drugiej osoby, która oceniła bądź kupiła podobne produkty do niego. Jeżeli wiemy, że Jan Kowalski kupił produkt A, a następnie kupił produkt B – szukamy użytkownika, który kupił te same produkty i patrzymy co on również kupił. Jeżeli kupił on produkt C, to istnieje duże prawdopodobieństwo, że ten produkt C również spodoba się Janowi Kowalskiemu.

Obie te metody mają swoje plusy i minusy. Jeśli chodzi o Content Based Filtering, to dużym minusem jest to, że łatwo można przeuczyć model. Bazujemy na określonym zbiorze danych, który jest dość duży i łatwo tutaj o zbytnie dopasowanie modelu to tych danych. Drugim minusem jest to, że wszystkie atrybuty, na których bazujemy – nawet jeżeli byłoby ich bardzo dużo – no to nie oddają one w pełni rzeczywistości.

Nigdy to nie będzie tak dobrze opisane, jak moglibyśmy opisać dany produkt w sposób słowno-muzyczny, czy też dany film. Bazujemy tutaj na suchych atrybutach, a nie ujmujemy tego co najbardziej ludzkie, czyli to co dostrzegają ludzie dodatkowo w filmie. Oba te minusy, w zasadzie niweluje Collaborative Filtering, czyli filtrowanie w oparciu o gusta użytkowników podobnych.

Ma ono natomiast duży minus, jakim jest problem zimnego startu. Jeżeli mamy na naszym portalu użytkownika, który jeszcze niczego nie kupił, niczego nie ocenił, to w zasadzie nie wiadomo co moglibyśmy mu zarekomendować. Różne firmy radzą sobie z tym problemem na różne sposoby.

Swego czasu Netflix dla użytkowników nowych, którzy jeszcze nie obejrzeli, nie ocenili żadnego filmu – stosował metodę Content Based do 8 filmów. Zanim użytkownik obejrzał 8 filmów była do niego stosowana ta metoda, natomiast powyżej 8 ocen zmieniał się silnik i był to Collaborative Filtering. To tak w dużym skrócie, bo zależności w silniku Netflixa, o których nie wiemy jest na pewno mnóstwo, tutaj nie mamy pełnych informacji. Natomiast, w dużym uproszczeniu, w pewnym okresie działalności Netflixa w ten sposób to działało.

Myślę, że Netflix jest wzorowym przykładem jeżeli chodzi o systemy rekomendacyjne. Nie pamiętam już dokładnie liczb, ale czytałem artykuł, w którym wspominano, że dzięki usprawnieniu systemów rekomendacyjnych udało im się zminimalizować ilość rezygnacji z subskrypcji. W ten sposób zaoszczędzili co najmniej miliard – o ile się nie mylę.

Zmienię teraz temat – masz blog mateuszgrzyb.pl. Jest tam wiele ciekawych artykułów, ale teraz chcę się skupić na jednym z nich, w którym opowiadasz o bokserze Muhammadzie Ali, który jest również Twoim bohaterem. Na pierwszy rzut oka jest to o czymś innym, niż może się wydawać. Powiedz proszę dokładnie o co chodzi w tym artykule i co dzięki tej analizie udało się osiągnąć?

Dziękuję Vladimir za miłe słowa. Jeśli chodzi o całą historię, która stoi za tym artykułem, to w zasadzie musiałbym wrócić do wczesnych lat dzieciństwa, gdzie jako mało chłopak wspólnie z rodzicami oglądałem walki bokserskie. U mnie w domu było dosyć nietypowo, gdyż obydwoje rodzice mocno pasjonują się boksem. Od najmłodszych lat dorastałem oglądając w sobotnie wieczory relacje z walk bokserskich.

Były to pierwsze walki Dariusza Michalczewskiego, Andrzeja Gołoty, które były transmitowane w polskiej telewizji. Siłą rzeczy boks stawał się moją pasją od dziecka. Mając jakąś pasję szukamy idola – osoby, która w danej dziedzinie jest najlepsza bądź jedną z najlepszych. W komentarzach Janusza Pindery często przewijało się nazwisko Muhammada Alego, jako uważanego za największą postać w zawodowym boksie.

Oczywiście, jestem za młody, żeby móc oglądać jego walki na żywo w telewizji. Natomiast, oglądając je później odtwarzane w internecie byłem pod ogromnym wrażeniem tego jak Ali się poruszał w ringu. Byłem w ogromnym szoku co stało się z nim po zakończeniu bokserskiej kariery. Choroba odbiła się dużym piętnem na tym jak później wyglądał i jak się zachowywał. Było to coś mocno szokującego widzieć kogoś, kto całkiem niedawno był tak sprawny, a nagle traci wszystkie swoje atuty i ma problemy z poruszaniem się.

Ali chorował na chorobę Parkinsona. Studiując to jak choroba ta postępuje i jaki ma wpływ na ciało człowieka doszukałem się, że szalenie istotne jest to by możliwie wcześnie ją wykryć. Wcześniejsze wykrycie choroby Parkinsona powoduje, że są większe szanse na złagodzenie jej skutków. Im wcześniej rozpoczniemy terapię manualną, farmakologiczną, tym większe są szanse, że dany pacjent chorujący na Parkinsona będzie mógł samodzielnie funkcjonować.

W eksperymencie, który opublikowałem na blogu staram się rozpoznać na podstawie danych dotyczących głosu pacjentów, czy dana osoba cierpi na chorobę Parkinsona czy też nie. Mamy tam ponad 20 zmiennych opisujących głos danej osoby i na tej podstawie starałem się zbudować model, który będzie w stanie wskazać czy dana osoba jest chora na tę chorobę czy też nie. Po kilku godzinach walki z tym problemem udało mi się wynik dokładności osiągnąć na poziomie blisko 90%. Dla obserwacji pacjentów, których do tej pory algorytm nie widział jesteśmy w stanie, z pomocą rozbudowanego modelu, rozpoznać czy dana osoba jest chora czy nie z dokładnością 90%.

Ten eksperyment jest takim początkiem, widzę tutaj jego potencjalne rozwinięcie. Bazowałem tylko na próbce, w której mieliśmy pacjentów, z których część była chora, a część nie. Potencjalnym rozwinięciem tego eksperymentu mogłoby być bazowanie na próbie osób, których głos był nagrany przed zachorowaniem na Parkinsona, przed zdiagnozowaniem choroby i bezpośrednio po postawieniu diagnozy. Mielibyśmy cały zbiór podzielony na obserwację przed i po. Wtedy moglibyśmy wytrenować model, który potencjalnie na podstawie głosu byłby w stanie powiedzieć z jakim prawdopodobieństwem ta osoba zachoruje na chorobę Parkinsona.

Oczywiście szukałem czy ktoś już próbował robić coś takiego i wiem, że gdzieś takie eksperymenty zostały podjęte. Natomiast, ogromną tutaj przeszkodą jest zebranie odpowiedniej ilości danych do uczenia tego modelu.

W pierwszym kroku, musielibyśmy nagrywać głos losowych osób, który byłby zapisywany za pomocą kilku do kilkudziesięciu atrybutów. W drugim kroku, po kilku latach musielibyśmy sprawdzać ile z tych osób naprawdę zachorowało na chorobę Parkinsona.

Tylko na podstawie takich danych bylibyśmy w stanie zbudować model, którzy rzeczywiście by tę chorobę przewidywał. Nie odpowiadałby tylko czy ta osoba jest na dzień dzisiejszy chora, czyli to co robił mój model, tylko byłby w stanie przewidywać przyszłość co byłoby czymś rewolucyjnym – tak to śmiało można nazwać.

Pamiętam, że jak czytałem ten wpis na blogu to poczułem, że jest bardzo inspirujący i to z kilku powodów. Po pierwsze, Ali jest bardzo ciekawą osobą. Jako ludzie dość często narzekamy jak jest nam źle, bo coś w pracy nie gra itd. Ale często nie zdajemy sobie sprawy, że nasza sytuacja mogłaby być dużo gorsza i nie doceniamy tego co mamy.

Drugim wymiarem było to, że uczenie maszynowe naprawdę może być korzystane w wielu życiowych aspektach. Jak powiedziałeś, nie mamy lekarstwa na konkretną chorobę, ale możemy przynajmniej zrobić coś, żeby ułatwić, zminimalizować ból i problemy, które powstają. Wydaje mi się, że fajnie by było gdyby uczenie maszynowe coraz częściej było pomocne dla ludzi, a nie tylko rozwiązywało techniczne problemy.

Myślę, że fajnie, że to zaznaczyłeś. Uważam, że to jest szalenie istotne, że uczenie maszynowe jest używane nie tylko do rozwiązywania problemów stricte komercyjnych, ale również do problemów, które górnolotnie mówiąc zmieniają świat. W tym przypadku choroby, na które jeszcze nie ma lekarstw, bylibyśmy w stanie je wcześnie wykrywać. Byłoby to czymś fenomenalnym.

Tak jest. Kolejny ciekawy artykuł, który pojawił się na Twoim blogu, jest też aktualnie najnowszym. Dotyczy on analizy związanej z inwestycją, a dokładnie hipoteza brzmiała jak wypowiedzi Warren’a Buffet’a wpływają na rynek. Temat powiązania uczenia maszynowego z inwestycjami teraz jest dość gorący, czasem nawet wydaje mi się zbyt gorący – jest o tym bardzo dużo materiałów.

Z tego co obserwuję osobiście, jest bardzo dużo szumu. Zdradzę, że razem ze wspólnikiem zaczęliśmy pracować nad platformą związaną z inwestycjami – na razie nie będę o tym dużo mówić, ale mam nadzieję, że za jakiś czas uda mi się pokazać pewne wyniki, które osiągniemy. Jestem na tym rynku sporo niesprawiedliwości. Wracając do Twojego artykułu, powiedz proszę co dokładnie chciałeś osiągnąć i jakie są wyniki?

W tym artykule chciałem zweryfikować cztery hipotezy. Całość bazuje na listach skierowanych do akcjonariuszy Berkshire Hathaway, które co roku publikuje na stronie swojej firmy Warren Buffet. Cyklicznie jest prezentowany list, w którym Buffet podsumowuje ubiegł rok i przedstawia jak widzi on szanse rozwoju w kolejnych latach. W swoim projekcie chciałem zbadać kilka hipotez, dwie z nich dotyczyły przeszłości.

Chciałem zbadać jak sentyment listu jest powiązany z wynikami jakie osiągała amerykańska giełda w roku poprzednim. W jakim stopniu sentyment listu wynikał z sytuacji, która była na giełdzie. Drugą hipotezą było to, w jaki sposób sentyment danego listu jest uzależniony od wyników jakie osiągał Berkshire Hathaway w roku ubiegłym.

Druga część to było zbadanie hipotez dotyczących przyszłości, czyli zależności pomiędzy sentymentem danego listu a wynikami jakie osiągała zarówno amerykańska giełda jak i Berkshire Hathaway w roku po publikacji tego listu. Moglibyśmy tutaj powiedzieć, w jaki sposób Warren Buffet przewidywał to co się wydarzy na giełdzie. Oczywiście w dużym uproszczeniu, bo musielibyśmy tutaj założyć, że Warren Buffet dzieli się w swoich listach wszystkim co tylko wie.

Nie to jest to oczywiście prawdą, jest to bardzo duże założenie i uproszczenie. W swoim projekcie postawiłem na zastosowanie analizy Bing, której głównym założeniem jest zliczanie słów pozytywnych i negatywnych. Wyrażane jest to we współczynniku, który jest zobrazowany wzorem przedstawiającym różnicę w liczbie słów pozytywnych i negatywnych opisujących dany tekst i dzielonej przez liczbę wszystkich słów.

Jeśli chodzi o podejście do analizy Bing, zakłada ono zliczanie jedynie unikatowych słów, ja to nieco zmieniłem. Uznałem, że również istotne jest to jak często słowo pozytywne lub negatywne występuje, zliczałem wszystkie wystąpienia a nie tylko te unikatowe.

Jakie wystąpiły wnioski? Jak można ten wynik, ze strony biznesowej, zinterpretować?

Jeśli chodzi o wyniki jakie udało mi się osiągnąć, to potwierdziłem, że sentyment listów Warren’a Buffet’a jest w dużym stopniu skorelowany z wynikami jakie osiągał indeks S&P i Berkshire Hathaway w poprzednim roku. Im wyższe były wyniki osiągane przez amerykańską giełdę i jej indeks, tym bardziej pozytywny był wydźwięk listów Warren’a Buffet’a.

Im gorsza była sytuacja na rynku, tym niższy sentyment miały list. Była widoczna ewidentna zależność pomiędzy wahaniami kursów, a sentymentem poszczególnych listów. Jeśli chodzi o przyszłość to niestety, ale nie udało mi się potwierdzić żadnej hipotezy. Jeśli chodzi o podejście stricte statystyczne to żadna z hipotez dotyczących przyszłość nie jest istotna.

To wynika z kilku rzeczy. Po pierwsze, dysponowałem relatywnie niewielką próbą, badałem tym listy z ostatnich 40 lat, które są opublikowane na stronie Berkshire Hathaway. Druga jest taka, że nawet jeżeli występują odniesienia do przyszłości to nie jest ich dużo. W tych listach raczej dominuje mówienie o przeszłości, bardzo dużo jest tam porównań do wyników osiąganych przez Berkshire Hathaway i S&P. Warren Buffet lubi szczycić się tym, że w zasadzie bije rynek w każdym roku.

Jakby było inaczej, tak naprawdę każdy mógłby zostać teraz inwestorem. Wystarczyłoby poczytać listy, żeby wiedzieć co zrobić – życie byłoby zbyt proste. Zadam jeszcze kilka praktycznych pytań związanych bardziej z wejściem do tematu uczenia maszynowego.

Teraz jest bardzo dużo materiału jeśli o to chodzi: książki, prezentacje, kursy, konferencje. Z drugiej strony, nadal istnieje głód na specjalistów, którzy potrafią używać uczenia maszynowego w praktyce. Na podstawie Twoich obserwacji, co jest ważne,? Jak zdobyć doświadczenie, żeby stać się specjalistą od uczenia maszynowego?

To pewnie zależy, jeżeli ktoś chciałby zostać osobą, która nosi tytuł Data Scientist to musi posiadać różne umiejętności. Sama umiejętność programowania i rozumienia algorytmów uczenia maszynowego, tego czym jest sztuczna inteligencja i jak to zastosować w praktyce – to w zasadzie nie wystarcza. Duża część mojej pracy to są rozmowy z klientem, rozumienie go i jego biznesu, a także jak uczenie maszynowe wpisuje się w to na czym ta osoba zarabia.

Robienie sztuki dla sztuki w zasadzie nie wchodzi w grę. Musimy rozwiązywać realne problemy, które przynoszą realną wartość biznesową. Samo uczenie się tylko technicznych umiejętności to zdecydowanie za mało. W mojej ocenie, umiejętności miękkie są szalenie istotne. Aczkolwiek z drugiej strony widzę, że nie można zupełnie odpuścić umiejętności mocno technicznych.

Spotykam się na różnych znanych stronach, blogach z podejściem, że w zasadzie matematyka i statystyka niskopoziomowa, nie jest do końca potrzebna. Dzisiaj mamy takie narzędzia, które na dość wysokim poziomie mogą zaimplementować dany algorytm i uzyskać bardzo dobre wyniki. W zasadzie jest to prawdą, natomiast schody zaczynają się nieco później, gdy trzeba ten algorytm np. dostosować do potrzeb klienta. Gdzie rzeczywiście musisz go zrozumieć, żeby zoptymalizować jego parametry.

Jeżeli nie wiesz jak on działa, jakie są parametry danego algorytmu i co one oznaczają, do czego się odnoszą, to bardzo ciężko będzie wnieść jakiekolwiek poprawki, które znacząco będą ten wynik poprawiać. Dlatego uważam, że podejście nieco bardziej matematyczno-statystyczne jest szalenie istotne i tego absolutnie nie można odpuszczać. Wręcz widzę przewagę wśród osób, które rzeczywiście rozumieją te tematy od podszewki.

A jeżeli chodzi o wyzwania w uczeniu maszynowym? Jakie są w Twojej opinii największe wyzwania?

Jeśli miałbym wybrać jedno, to takim największym wyzwaniem jest przygotowanie danych. Idźmy nawet krok wcześniej, zebranie odpowiedniej ilości danych o odpowiedniej jakości. Wiele firm nie inwestuje odpowiednio dużo pieniędzy w dane. Bądź nie zbierają na tym etapie danych, które w przyszłości być może okażą się dla nich przydatne – co uważam oczywiście za kluczowe.

Bez odpowiedniej ilości danych, objętości tego zbioru i jakości w zasadzie najlepsi specjaliści o największej wiedzy niewiele będą w stanie z tymi danymi zrobić. Drugim wyzwaniem w uczeniu maszynowym i szeroko pojętym Data Science jest przygotowanie tych danych. Z mojego doświadczenia wynika, że zajmuje to jakieś 70-80% trwania projektu. Mówiąc odpowiednie przygotowanie danych mam na myśli pobranie ich z różnych źródeł, zintegrowanie, próbkowanie tych danych – kompleksowe przygotowanie do tego co wiele osób rozumie jako uczenie maszynowe, czyli użycie konkretnego algorytmu.

Ostatnie pytanie na dziś – jak osoby, które chciałby się z Tobą skontaktować mogą odnaleźć Cię w sieci?

W sieci można mnie znaleźć na moim blogu, czyli mateuszgrzyb.pl i w zasadzie to chyba tyle. Na mediach społecznościowych jestem raczej nieaktywny, na Facebooku jestem bardzo rzadko, najprostszą metodą komunikacji ze mną jest mój blog i zakładka kontakt.

Dziękuję Ci bardzo Mateuszu za Twój czas, Twoją energię i za chęć podzielenia się wiedzą. Dzięki!

Dzięki!

Mam dla Ciebie dobrą wiadomość. Mateusz przygotował prezent “10 kroków do lepszego rozumienia danych”. Jak go dostać? Wystarczy zapisać się na newsletter:

Jeśli już tam jesteś, to prezent znajduje się już na twojej skrzynce pocztowej. Aha, wysyłam wiadomości wtedy, jak mam coś ciekawego do powiedzenia

Jeszcze chcę wspomnieć o trzech wydarzeniach.

Pierwszego marca będę w Białymstoku, gdzie pojawiła się świeżo upieczona filia grupy “AI meetup”. Będę miał okazję zrobić wprowadzenie do tematu sztucznej inteligencji – jeśli będziesz w tym czasie w Białymstoku to serdecznie Cię zapraszam.

Druga konferencja to VI edycja Polish Business Analytics Summit, które odbędzie się 21 marca w Warszawie. Zostaną tam poruszone tematy, takie jak Data Science, uczenie maszynowe, zaawansowana analityka biznesowa itd. Również będę miał tam swoją prezentację, gdzie postaram się odpowiedzieć na pytanie “Deep Learning w biznesie, czy to działa?”. Swoją drogą, zapytałem o zniżkę dla Ciebie i jest możliwość otrzymania – 10%. Skontaktuj się ze mną, to połączę Cię z organizatorami.

Trzeci warsztat zorganizowany wspólnie z j-labs – Machine Learning & AI Świat zmienia się szybciej niż myślisz. To będzie całodniowy warsztat, gdzie od 9:00 do 16:00 będę dzielić się swoimi przemyśleniami w obszarze sztucznej inteligencji w biznesie.

Na początek poruszę tematy wizjonerskie (co już się dzieje i czego możemy spodziewać się w najbliższym czasie). Następnie przez godzinę będę opowiadał o zastosowaniach w biznesie (i to dość różnych przypadkach).

Kolejna godzina, to czas na zrozumienie jak wygląda proces uczenia maszynowego (myślę, że warto uwzględnić również techniczne aspekty, bo to bardziej uświadamia o co w tym chodzi, oczywiście będzie to wyjaśnione prostym językiem). Następnie, poruszę temat Deep Learning i postaram się odpowiedzieć na pytanie: czy to działa? Jeśli tak, to w których obszarach?

Spotkanie odbędzie się 22 marca w Warszawie. Szczególnie zapraszam osoby decyzyjne, które chcą lepiej wyczuć temat uczenia maszynowego i zobaczyć więcej przykładów. Dobra wiadomość, j-labs wzięli na siebie wszystkie koszty organizacyjne i to dlatego wejście jest bezpłatne, ale obawiam się, że chętnych będzie więcej niż wolnych miejsc. Zapisy ruszają dzisiaj (26 lutego), dlatego warto się pospieszyć. Natomiast, jeśli już nie będzie wolnych miejsc, a bardzo chcesz tam być, to skontaktuj się ze mną, na ile to możliwe postaram się pomóc.

Również dzisiaj, 26 lutego rusza kurs – “Praktyczne uczenie maszynowe dla programistów”. To już druga edycja. Jeśli nadal chcesz dołączyć, postaraj się zrobić to dzisiaj, później już będzie ciężko. Zapisało się sporo osób i trzymam kciuki, żeby udało się osiągnąć cel… i tak jak poprzednio, postaram się podzielić się doświadczeniem jak poszło.

W następnym odcinku będzie o dość aktualnym temacie – autonomiczne samochody. Dowiesz się więcej, jak wygląda ich rozwój? Oraz czy Twoje dzieci będą musiały mieć prawo jazdy? Na razie zdradzę tylko tyle.

Tyle na dzisiaj, dziękuję Ci bardzo za to, że jesteś i czytasz. Za Twój czas, Twoją energię i uwagę. Życzę Cię wszystkiego dobrego.

Artykuł Scoring, systemy rekomendacyjne po analizę listów Warren’a Buffet’a pochodzi z serwisu Biznes Myśli.

Każdy przedsiębiorca bardzo się cieszy, kiedy działalność firmy zaczyna nabierać tempa. Ale czy to naprawdę jest miernikiem sukcesu? A może jednak w naszych czasach to porażka, która tylko potrzebuje czasu, aby się ujawnić. Byłem lojalnym klientem firmy, która, można powiedzieć, jest liderem w swojej branży, ale jednak mnie zawiodła. Co takiego mogło się wydarzyć, że jeden przypadek zrujnował budowane przez kilka lat zaufanie?

Jak machine learning, czyli uczenie maszynowe mogłoby uratować tę sytuację. Dzisiaj opowiem o tym, jak uczenie maszynowe może pomóc Ci w jak najlepszy sposób dostarczać bardziej wartościowe produkty lub usługi, a przede wszystkim jak może ono wspomóc twoją pracę, gdy biznes się rozrasta.

Coraz częściej dostaję od Was informację, że poruszam wraz z gośćmi wiele ciekawych tematów dotyczących sztucznej inteligencji. Jest to często inspirujące lub nawet wręcz pouczające, jednak dość ciężko jest zmapować to doświadczenie na konkretne przypadki własnego biznesu. Jak się mówi, dobrze wiedzieć, że istnieją duzi gracze jak Google, Microsoft czy Amazon, którzy inwestują miliardy w sztuczną inteligencję.

Ale z drugiej strony, pewnie masz firmę w Polsce, w której pracuje kilkudziesięciu czy kilkuset pracowników, ale wciąż trochę brakuje do miliardowych budżetów. Pojawia się pytanie i co wtedy? Czy uczenie maszynowe może w tym pomóc? Odpowiedź jest krótka – tak, może pomóc. A jeśli chcesz się dowiedzieć więcej, to przeczytaj (posłuchaj) do końca Również na końcu czeka na Ciebie kilka miłych niespodzianek.

Zastanawiałem się, w jaki sposób można podzielić się doświadczeniem, żeby z jednej strony był to przypadek dość ogólny, ale z drugiej strony na tyle konkretny, żeby były zrozumiałe wartości uczenia maszynowego. I jak to często bywa, jeśli zastanawiasz się nad jakimś konkretnym problemem przez długi czas to życie samo Ci podpowiada Ci rozwiązanie.

Opowiem Ci historię z własnego życia.

W sierpniu tego roku (2017), chciałem wyjechać na krótki urlop. Uwielbiam podróżować, ale tym razem zrezygnowałem z lotu gdzieś dalej. Pomyślałem, że pojadę gdzieś niedaleko samochodem, który zazwyczaj wynajmuję na podobne okazje. Na polskim rynku działa wiele firm, które oferują wynajem samochodów. Jedną z największych, która działa również poza granicami Polski jest firma Panek.

Byłem ich stałym klientem, współpracę rozpocząłem już 3 lata temu i gdy dokądś  jechałem regularnie korzystałem z usług tej firmy. Od razu zaznaczę, że teraz będę omijać tę firmę szerokim łukiem, ponieważ mnie zawiodła, a co najgorsze, że gdy to się stało, to nie zrobiono absolutnie nic aby ratować sytuację. Dlatego uważaj na tę firmę.

Ale co się właściwie stało i jak to się ma do uczenia maszynowego? Zacznijmy zatem od początku. Standardowo wszedłem do panelu firmy, gdzie zamówiłem samochód na 5 dób. Dostałem potwierdzenie, na rezerwacja została złożona i od razu zapłaciłem korzystając z możliwości zapłaty online.

Zgodnie z rezerwacją, 9 sierpnia o 9:00 na parkingu dworca PKP w Krakowie, miałem odebrać samochód. Przeszedłem tam na 9-tą, ale byłem sam, ponieważ samochodu nie było. Pomyślałem – ok, może gdzieś stoją w korku, ponieważ Panek dowozi samochody na parking z innej lokalizacji (np. z lotniska). Czekałem spokojnie dalej, jednak minęło już ok 10 – 15 minut a samochodu nadal nie było. Zadzwoniłem na infolinię. Numer telefonu znajduje się na stronie. Moje próby połączenia się trwały blisko godzinę, jednak nikt nie odbierał – ciągle słyszałem, że jestem drugi w kolejce. Próbowałem także dzwonić na inne numery np. krakowski (miałem ze sobą 2 telefony, więc robiłem to jednocześnie), ale nadal nikt nie odbierał.

Minęła ponad godzina, samochodu nadal nie ma, nikt nie odbiera telefonu, a ja, żeby wyrobić się z planem, miałem być już 50 kilometrów za Krakowem. Nieco załamany, chodząc po parkingu zobaczyłem osobę w kurtce z logo firmy Panek. Zacząłem dopytywać się, o to co się właśnie wydarzyło… Myślę, że ten chłopak był jeszcze studentem i pewnie dlatego był ze mną szczery. Powiedział on, że na infolinii pracuje tylko jedna osoba i nie zawsze odbiera połączenia. On też nie wiedział jak mi pomóc, moje pojawienie się było czymś niespodziewanym i wykraczało poza jego obowiązki, miał on “swojego” klienta, na którego czekał.

Trochę załamany absurdem sytuacji, zastanawiałem się jak skontaktować się z przedstawicielami firmy. Wymyśliłem! Zadzwoniłem do żony, żeby napisała do obsługi Panka na facebooku. Faktycznie już po krótkim czasie ktoś do mnie zadzwonił i poinformował mnie, że niedługo otrzymam kolejny telefon. Następnie drugi pan powiedział, że trudno mu coś sensownego doradzić. Wtedy poprosiłem, aby skontaktowano mnie z kimś bardziej decyzyjnym, i zadzwonił trzeci pan.

W tak zwanym międzyczasie, żona wysłała do mnie mms ze zrzutem ekranu, okazało się, że o godzinie 9:07 został wysłany do mnie e-mail, z informacją, że “rezerwacja została odrzucona”. Zwrócę jeszcze raz uwagę, że o 9:00 już miałem odebrać samochód i realizować swój plan, a 9:07 (siedem minut po tym, jak już teoretycznie, miałem odebrać samochód), rezerwacja została odrzucona. Ciekawy jestem kto wpadł na taki genialny pomysł?

Ale wracają do trzeciego (decyzyjnego) pana. Zapytałem wprost, czy to jest normalne, aby  odrzucić opłaconą rezerwację po 7 minutach, planowanego terminu odbioru? Byłem już na parkingu dworca, miałem dalsze plany, takie jak zarezerwowane hotele. Odpowiedź była taka, że właściwie to jest mój problem. Spytałem czy Panek jakoś chcę mi pomóc rozwiązać te kwestie? Ale odpowiedział, że nic nie mogą z tym zrobić. Na pytanie o zwrot kosztów za hotel i inne rezerwacje, usłyszałem, że zwrot możliwy jest tylko na opłacony samochód. I tyle…

Można było dalej się wkurzać, ale co z tego? Musiałem jakoś rozwiązać ten problem, ponieważ jednak chciałem pojechać na urlop. To, że Panek ma moją sytuację w nosie, jest dla mnie słabym argumentem, żeby marnować czas i pieniądze mojej rodziny. Jedną rzeczą, która mnie dość mocno bolała, był fakt, że odmówiłem innej firmie, od której mogłem wynająć samochód. Jednak w tamtym czasie ufałem firmie Panek, zrobiłem już opłatę i nie miałem opcji wycofania się. Swoją drogą, to też bardzo ciekawa sprawa – jeżeli jednak chciałbym zrezygnować z samochodu w terminie krótszym niż 48 godzin – miałbym zapłacić karę w wysokości 300 zł.

Ale w sytuacji, gdy to Panek zrezygnował z dostarczenia mi usługi, 7 minut po terminie jej realizacji, nie jest zobowiązany do zapłacenia żadnej kary. Co o tym sądzisz? Czy tak wygląda podejście uczciwej firmy? Jak w takich przypadkach reaguje Twoja firma?

Po tych wszystkich rozmowach, prawie załamany zadzwoniłem do innej firmy, z którą już wcześniej rozmawiałem. Zapytałem czy mogę wynająć samochód, pytanie było: “na kiedy?”, moja odpowiedź: “na teraz :)”. Zdziwiłem się, ale padła odpowiedź – “Ok”. Dosłownie już po godzinie byłem w wynajętym samochodzie, w którym dowiedziałem się również sporo o tym biznesie. Osoba, która wypożyczyła mi samochód, jest dość aktywna i ambitna w tym temacie. Jako klient, czułem się bardzo zadowolony, ponieważ:

• po pierwsze, mój problem, który wydawał się zbyt skomplikowany (wynająć samochód podczas długiego weekendu “na teraz“) został rozwiązany.
• Po drugie, to była bardzo miła rozmowa. Po godzinie oczekiwania na infolinii, w końcu poczułem, że ktoś stara się, aby spełnić moje oczekiwania.
• Po trzecie oferta była bardziej korzystna i tańsza.
• Po czwarte, co dla mnie jest bardzo ważne, osoba z którą rozmawiałem była uczciwa i w pewnym momencie czułem się, jakbym rozmawiał z kolegą, który faktycznie stara mi się doradzić.
• Po piąte, mogłem wrócić samochodem pod sam blok, bez żadnych dodatkowych kosztów, ponieważ akurat parking tej firmy znajduje się niedaleko.

Jak widać, historia jednak ma swój “happy end”. Na marginesie, firma która mnie uratowała nazywa się Transporters.

Chociaż to jeszcze nie koniec historii. Gdy wróciłem do domu i musiałem poczekać na samochód od Transporters jeszcze 15 minut, od razu złożyłem reklamację do Panka. Odpowiedź przyszła po 2 tygodniach. I uwaga! W odpowiedzi na reklamację, było między innymi, napisane: “… Pana samochód uległ awarii, nie byliśmy w stanie podstawić dla Pana  samochodu”.

Świetnie, ale dlaczego dowiedziałem się o tym dopiero po 2 tygodniach? Może warto poinformować klienta o takich kwestiach przed wydarzeniem, żeby mieć jeszcze czas na naprawę sytuacji? Jak myślisz, na ile była to faktyczna przyczyna, a w jakim stopniu wygodna wymówka?

Mam nadzieję, że teraz będzie bardziej zrozumiałe, dlaczego moja lojalność została całkiem zrujnowana i ciężko mi na nowo zaufać firmie Panek. Jestem osobą, która lubi spokój i dlatego zwykle przepłacam, np. wykupuję opcję “full-cover”, chociaż o samochód zawsze dbam jak własny. Z tego względu, byłem gotowy przepłacać za usługi oferowane przez tę firmę, aby mieć spokój i być pewnym, że jest to firma, której można zaufać w kryzysowych dla mnie sytuacjach.

Nasuwa się pytanie: “Czy firma, która pomogła mi tym razem, na pewno zawsze będzie tak sprawnie działać?”. To jest bardzo dobre pytanie. Zastanawiałem się nad tym i znalazłem jedną istotną różnicę. Jeszcze 3 lata temu Panek był mniejszą firmą i jak widać funkcjonował sprawniej. Teraz to Transporters jest małą firmą, a osoba, którą poznałem podczas wypożyczania auta jest uczciwa. Z tych względów prawdopodobieństwo, że coś może pójść nie tak, jest znacznie mniejsze. Ponieważ mniejsza firma, ma prostszą logistykę i bardziej dba o klienta.

Zastanawiając się nad tą kwestią dalej, czy to oznacza, że gdy firma staje się coraz większa to jest skazana na porażkę? Wewnętrzne procesy stają się coraz bardziej skomplikowane… Warto zwrócić uwagę, że żyjemy w czasach, kiedy klient posiada ogromny wybór, więc raczej zwróci się do firmy, której może zaufać i ma poczucie, że firma troszczy się o jego sprawy.

Podałem przykład ze swojego życia, ale zamiast nazwy Panek, możesz wstawić każdą inną, zwłaszcza jeśli ta firma się rozrasta i staje się coraz większa.

Problem jest jasny. Ale pojawia się pytanie: “i co teraz zrobić z tą informacją?”. Celem tego odcinka jest coś więcej, niż poinformować, że Panek miał problem z wypożyczeniem samochodu :).

Najważniejsze pytania na dzisiaj są takie:

„W jaki sposób można było to zrobić inaczej?”
„Co do zaoferowania w tej kwestii ma uczenie maszynowe?”

Tak naprawdę, gdy emocje opadły, zastanowiłem się nad tą sytuacją ponownie, ale już jako inżynier  a nie klient, i dostrzegłem szereg problemów, które mogłyby zostać rozwiązane przy pomocy uczenia maszynowego.

Przygotowałem dziesięć przypadków biznesów, w których uczenie maszynowe może być pomocne.

1) Automatyczna rozmowa z klientem

Jak pamiętasz, spędziłem ponad godzinę czekając na infolinii, ale nikt tam nie odbierał ode mnie połączeń. Przypuszczam, że są jeszcze bardziej krytyczne przypadki, a bycie odciętym od firmy, gdy zależy nam na szybkim kontakcie jest bardzo przykrym doświadczeniem. Z drugiej strony, jeżeli zbierzemy i przeanalizujemy wszystkie konwersacje, które odbyły się do tej pory, okaże się, że większość klientów pyta o podobne rzeczy.

Oczywiście, być może wykorzystują oni inne słowa, ale ich intencje są podobne. W ten sposób, można zbudować tak zwane “drzewo konwersacji”. A posiadając takie drzewo możemy je rozwinąć do chatbota. Przy czym chatbot może być narzędziem tekstowym i również  głosowym. W przypadku głosu, mowa będzie konwertowana do tekstu, więc finalnie sprowadza się to do tego samego.

Co ważne, taki chatbot, niekoniecznie, jak to zwykle bywa, musi być pasywny. A to oznacza, jeśli ma coś wartościowego do powiedzenia, to on także samodzielnie może się do nas odezwać.

Swoją, drogą jeżeli chcesz dostać poradnik jak zbudować bardzo prosty (ale dający wartość dla Twojego klienta) chatbot nie wydająć ani złotówki, polecam zapisać się na newsletter Biznes Myśli.

Na moim przykładzie.

Zgodnie z oficjalną wersją samochód uległ awarii. O tym dowiedziałem się po 2 tygodniach.

Kiedy dzwoniłem na infolinię i czekałem ponad godzinę – nikt nie odebrał telefonu.

Co można było zrobić lepiej? Po pierwsze umożliwić mi otrzymanie tej informacji wcześniej, np. zadzwonić lub wysłać e-mail i w ten sposób mnie uprzedzić o zaistniałej sytuacji.

Chętnie nawet porozmawiałbym z botem. Przykładowy dialog.

• Dzień dobry, jestem bot-pomocnikiem. W czym mogę pomóc?

• Dzień dobry! O 9:00 miałem odebrać samochód na dworcu w Krakowie, ale nadal go nie ma, gdzie się on znajduje?

• Już sprawdzam… proszę dać mi chwilę. <za 5-10s> Przepraszam Cię serdecznie, ale Twój samochód uległ awarii. Informacja o tym zdarzeniu została przekazana do odpowiedzialnej osoby, która skontaktuję się z Tobą w przeciągu najbliższych 5-10 minut.

Taki wariant jest znacznie lepszy od braku jakiejkolwiek możliwości połączenia się, ponieważ otrzymujemy przynajmniej jakiś kontakt, wyjaśnienie co się stało i oraz informację o przekazaniu sprawy do osoby decyzyjnej.

Oczywiście warto iść jeszcze dalej. Zamiast czekać na reakcję ze strony niezadowolonego klienta samemu do niego zadzwonić i poinformować o zaistniałej sytuacji. Może być to ta sama dyskusja, tylko przeprowadzona wcześniej, np. wieczorem.  Kanał rozmowy może być też inny, np. e-mail, facebook, wiadomości czy sms.

Czy można to jeszcze bardziej ulepszyć? Tak, co prawda to już są bardziej wewnętrzne informacje. Na przykład, zgodnie z naszą predykcją, istnieje prawdopodobieństwo 85%, że samochód który zamówiłeś ulegnie awarii… Więcej o tym przypadku opowiem w punkcie nr 8. Oczywiście taka informacja może dla klienta dość dziwnie, ale dla firmy, ze względu na możliwość odpowiedniej reakcji, może być bardzo wartościowa.

Na przykład, mogą oni przygotować dodatkowy samochód. Czy nawet, wbrew pozorom, wejść we współpracę z konkurencją. Czemu nie? W końcu, nawet jeżeli firma nic nie zarobi konkretnie na tym zamówieniu, to zarobi później  oraz utrzyma prestiż i zaufanie na wysokim poziomie. A jakie jest Twoje zdanie na ten temat? Jeśli masz wybór współpracować z konkurencją lub stracić klienta, to co wybierasz?

2) Przewidywanie popytu

Trzeba umieć przewidywać popyt, dlatego żeby mieć czas do przygotowywania się. W między czasie, popytałem jak to jest  branży wynajmu samochodów. Dowiedziałem się, o czymś ciekawym. Problem jest w tym, że na tak zwane długie weekendy popyt jest ogromny. Znacznie większy niż zwykle i firma już wie, że ilość osoby, które chcą wynająć samochód będzie większa niż fizycznie dostępnych pojazdów.

Rozważmy ten przypadek, bo jest on bardzo ciekawy. Z mojego punktu widzenia, mając wcześniej informację o popycie, można rozwiązać ten problem co najmniej na dwa sposoby.

Pierwszy sposób, to zwiększenie ilość samochodów. Opowiem Ci historię. Lubię podróżować. Również poza Europę. Dla przykładu, zwiedziłem ok. 14 stanów w Stanach Zjednoczonych (w zależności jak to liczyć) i wynajmowałem sumarycznie ponad 10 samochodów w różnych stanach i w różnych wielkości miastach. Włączając takie duże jak Chicago czy San Francisco.

Wszędzie, nawet w najmniejszych miastach, zawsze był dostępny samochód. A jak nie było samochodu mojej klasy, to dostawałem w tej samej cenie auto z klas wyższej. Z czego oczywiście cieszyłem się. Firma na tym zyskiwała, bo wiadomo, że później wracałem do nich. A jaka będzie Twoja decyzja, w przypadku firmy, która przynajmniej raz podwyższyła klasę wypożyczonego samochodu, wrócisz do niej czy pójdziesz do innej?

Dlatego pojawia się pytanie. Jak to jest możliwe, aby dopuścić do sytuacji, w której wiemy, że będzie klient, a my nie będziemy mieli dla niego samochodu? Dla mnie wygląda to tak, że skoro firma w Polsce może sobie pozwolić na to, żeby stracić klienta, to widocznie konkurencja na rynku jest za mała. Oczywiście są przypadki, kiedy wartość otrzymana od klienta jest mniejsza, niż koszt jego utrzymania.

Na przykład, jeżeli zamówię samochód gdzieś w środku Puszczy Białowieskiej, to pewnie trudno będzie go tam dostarczyć. Zatem koszty wzrosną, to jest zrozumiałe. Ale gdy klient znajduje się w Krakowie i przychodzi do centrum miasta po odbiór samochodu, to chyba “grzech” stracić taką osobę? Prawda?

Drugi sposób, to w sytuacji gdy wiem, że popyt będzie większy, to aby nikomu nie odmawiać po prostu podnoszę cenę. Chyba o to chodzi z rynkami? Że cena jest ustalona przez popyt? Więcej o predykcji kosztu będę pisał w czwartym punkcie.

Podam dwa przykłady z życia wzięte (oba pochodzą z Niemiec).

Pierwszy, to Otto Group – jest to jedna z największych e-commercowych firm, przynajmniej w Europie. Zmierzyli oni jedną ciekawą rzecz,  a mianowicie jak mocno czas dostawy wpływa na rezygnację klienta. Zauważyli, że klient jest mniej skłonny do zwrotów, jeśli towar zostanie dostarczony w mniej niż 2 dni. Dodatkowy problem może być taki, że klient zamówił 4 rzeczy, trzy z nich są dostępne, ale na 4-tą trzeba poczekać.

Można wysłać najpierw pierwsze trzy, a później jeszcze jedną.  Jednak to podejście posiada wady: klienci wolą dostać zamówienie w całości, niż po kawałku, a po drugie taki sposób wysyłki zwiększa koszty dla firmy. Gdy jakiś czas temu, kupowałem telefon komórkowy, dodatkowo zamówiłem do niego folię i pokrowiec. W rezultacie dostałem w różnym czasie trzy paczki i było to frustrujące. Zwłaszcza wtedy, gdy czekasz na przesyłkę z telefonem ponieważ go potrzebujesz, widzisz paczkę, która go zawiera, a przynajmniej tak Ci się wydaje, a wewnątrz jest tylko folia.

Wracając do pierwotnego problemu, a mianowicie czasu dostawy. Jeśli się nad tym zastanowić,  to ma sens. Prosty przykład. Ktoś chce kupić nowy Iphone, jest bardzo napalony na to, ponieważ firma Apple zrobiła wszystko, żeby wzbudzić odpowiednie emocje. Ten człowiek wchodzi do Otto Group, kupuję telefon i widzi… że dotrze dopiero za tydzień. Klient jest załamany i idzie kupi telefon w innym miejscu.

W tej sytuacji, gdy za tydzień przychodzi przesyłka z Iphone od Otto Group, ten człowiek po prostu z niej rezygnuje.  Dlaczego dostawa zajmuje tak dużo czasu? Ponieważ Otto Group nie posiada tych produktów w swoim magazynie. A to oznacza, że sporo czasu zajmuje im zamówienie ich w innym miejscu i następnie dostarczenie do klienta.

Znamy już problem, zatem co można teraz z nim zrobić? Skorzystać z uczenia maszynowego do predykcji tego, które towary będą kupowane i zamówić je jeszcze przed czasem zakupu przez naszych klientów. W ten sposób można zminimalizować czas dostawy. W Otto zbudowali model predykcyjny z 90% dokładności w przedziale 30 dni. To umożliwiło zakupienie “na przyszłość” ok. 200 tys. produktów. Jak widać skala jest ogromna, ale dzięki zaawansowanej technice można faktycznie kupować (w tej chwile przynajmniej dla 90%) to czego klienci będą potrzebowali w najbliższym czasie i tym samym zminimalizować zwroty oraz zwiększyć lojalność klientów.

Drugi przykład to Flix Bus. Jest to jedna z największych firm przewozowych (używa w tym celu autobusów) w Europie. Ciekawostką jest to, że nie posiadają oni ani jednego własnego autobusu (model biznesowy podobny do Uber czy AirBnb). Stawiają oni mocno na uczenie maszynowe. Przykładowe problemy, które rozwiązują to: ile osób będzie podróżować z Berlina do Monachium podczas Oktoberfest? Jaki będzie nowy trend wakacyjny na następne lato (czyli skąd i dokąd ludzi będą jeździć)? Obserwując jak szybko ta firma się rozwija, można wysnuć wniosek, że robią to trafnie.

Na moim przykładzie.

Załóżmy, że dużo wcześniej było wiadomo, że popyt na ten długi weekend będzie większy. Tak jak pisałem wcześniej, w takiej sytuacji można było zrobić kilka rzeczy, np. znaleźć więcej samochodów. Można również kupić nowe auta, wziąć je w leasing a w mniej popularne okresy wynajmować je taniej. Co więcej, można umówić się z konkurencją, która ostatecznie może stać się naszym partnerem biznesowym.

Firmy nawzajem mogą pomagać. Kolejne rozwiązanie to zwiększenie kosztu, tak aby szala wyboru znajdowała się po stronie klienta. Na tym firma dodatkowo też może zarobić. Jeżeli żadne z tych rozwiązań nie jest możliwe do zrealizowania w danej firmie to warto chociaż napisać na stronie internetowej: “Przepraszamy. Jesteśmy w tym okresie zbyt obciążeni, wszystkie nasze samochody zostały już wynajęte”. Taki komunikat jest dla mnie zrozumiały i choć czuję lekkie rozczarowanie to jest ono nieporównywalne z tym, którego doznałem czekając godzinę na dworcu

3) Analiza sentymentu

W praktyce oznacza to, analizę treści i wychwytywanie przypadków, na które warto szybko reagować. Dość często chodzi tutaj o negatywne przypadki, ale mogą być też i inne. Główna zasada jest taka, żeby znaleźć wśród tysięcy czy nawet miliony treści, takie, które są pilne i ważne.

Zwykle są dwie miary. Pierwsza mierzy emocje, od pozytywnej do negatywnej. A druga miara, mierzy “głębokość” czyli ważność tej wypowiedzi. Na przykład, można powiedzieć: “tak sobie, mogło być lepiej” – wypowiedź ta jest negatywna, ale jej ważność jest mała. Można to przyjąć do wiadomości, ewentualnie później przesłać zapytanie o dodatkową informację (lub wręcz zrobić to automatycznie).

Natomiast wypowiedź: “Bardzo zła organizacja. Straciłem kilka godzin na oczekiwanie. Nikt nie odbiera telefonu. Zepsuliście mnie urlop i będę ubiegał się o odszkodowanie”. Ta wypowiedź też jest negatywna i zdecydowanie warto na nią zareagować jak najszybciej, próbując załagodzić sytuację.

Ludzi są różni, ale dość często zwykły telefon do takiej osoby, umożliwia lepsze zrozumienie jej  i w miarę możliwości udzielenie pomocy przy stworzeniu alternatywnego planu. Takie działanie naprawdę może zwiększyć zaufanie. Ludzi mogą zapomnieć dowolną reklamę, którą zobaczyli, ale długo będą pamiętać o kimś, kto im pomógł, gdy bardzo tego potrzebowali. Mało tego, dodatkowo podzielą się tą historią ze swoimi znajomymi.

Na moim przykładzie.

W momencie gdy napisałem reklamację i ktoś próbowałby się ze mną skontaktować, wysłuchał wszystkiego co się stało, wyjaśnił sprawę bez uciekania się do różnych przekrętów i postarał się zrobić wszystko, aby mój problem rozwiązać, wtedy moje zaufanie mogłoby wręcz tylko wyrosnąć. Zdaje sobie sprawę, że życie jest mało przewidywalne, zawsze może coś pójść nie tak, ale jeśli firma nawet w takiej sytuacji próbuję utrzymać kontrolę i rozwiązywać problemy swoich klientów to oczywiście wzbudza moje zaufanie. Pojawia się wtedy świadomość, że nawet jeśli będzie źle – to i tak mi pomogą…. jest to bardzo wartościowe odczucie i za to klient będzie skłonny zapłacić więcej.

4) Predykcja kosztu

Popyt rodzi podaż. Gdy popyt rośnie, a dostępność towarów czy usług jest ograniczone, to produkt staje się droższy. Załóżmy, że wynajęcie samochodu na 3 dni kosztuje 1000 zł. Pytanie dlaczego akurat 1000zł.? Można odpowiedzieć, że aby utrzymać firmę, tyle trzeba mieć. Ale klienta wcale nie obchodzi ile trzeba pieniędzy dla utrzymywania biura czy na pensje pracowników? Klient płaci za wartość którą dostarcza firma, a więc dlaczego 1000 zł., a nie 2000? Każda firma czy działalność gospodarcza istnieje po to, żeby zarabiać. Prawda? Z drugiej strony, jeśli cena będzie za wysoka, to ciężko będzie znaleźć chętnych. Wiem, że dla osób, które są w biznesie już jakiś czas, trochę przynudzam, więc przejdźmy do ważnego pytania: jak przewidzieć największy i akceptowalny dla klienta koszt?

Najlepiej to wyjaśnić na przykładzie. Czy miałeś okazję korzystać z usług AirBnb? Jest to serwis który umożliwia wynajęcie mieszkań, apartamentów czy domów na krótki okres. Taki biznes “hotelarski”, bez posiadania hotelu. Ale teraz jest ważne coś innego. Jeżeli sprawdzisz to samo mieszkanie, np. kawalerkę w Krakowie w różne dni, to koszt wynajmu będzie się różnił.

W 2016 roku, gdy były Światowe Dni Młodzieży to koszt takiego mieszkania mógł być 3 czy nawet 5 razy wyższy, ale np. w drugiej połowie stycznia czy lutego, koszt ten będzie mniejszy (czasem nawet dwukrotnie niższy normalnie). Dlaczego tak się dzieje? Ponieważ, cena dynamicznie adaptuję się do rynku.

Na moim przykładzie.

Na długie weekendy popyt na wynajem samochodów jest większy. Dlatego koszt może również wzrosnąć. Akurat w tym przypadku, jest to mało pocieszająca dla mnie jako klienta, wiadomość. Ale… jeżeli mam wybór, zapłacić więcej, ale dostać samochód, to przynajmniej mogę tę opcję rozważyć.

Wtedy już decyzja leży po mojej stronie i jest szansa, że się zdecyduje. Ponieważ częściej mamy większą kontrolę nad pieniędzmi niż czasem. Rzadko kiedy w równym stopniu panujemy nad obydwoma rzeczami jednocześnie. Wybieramy albo konkretny termin, kiedy możemy wziąć urlop i płacimy ile trzeba albo czekamy na odpowiedni czas, kiedy jest najtaniej (ta druga opcja jest bardzo popularna wśród ludzi, którzy chcą zwiedzać świat, ale mają mało pieniędzy – i rzeczywiście działa).

5) Rekomendacja produktów

Zamiast czekać na moment kiedy klient sam przypomni sobie o tym, że chce wypożyczyć samochód, warto to przewidzieć i przygotować ofertę wcześniej. Klasyczny przykład prezentuje Amazon, który wie o tym, co kupimy, jeszcze przed tym, zanim faktycznie to zrobimy.

Na moim przykładzie.

To, że zamówię samochód, w pewnym sensie dałoby się przewidzieć. Na poziomie intuicji, można zrozumieć, że istnieją pewne wzorce. Dość często podróżuję podczas długich weekendów. Dość często wypożyczam samochód w regularnych odstępach czasu. Na przykład, nigdy nie zdarzyło mi się wypożyczyć samochód tydzień po tygodniu. Zwykle mija kilka miesięcy, ten odstęp jest w miarę regularny, a czasem wręcz powtarzalny (bo wiąże się z konkretnymi datami).

W ten sposób, można próbować przewidzieć datę kolejnego wynajmu. Ale można zrobić coś więcej. Na przykład, zawsze korzystam z własnej nawigacji lub… papierowej mapy, więc proponowanie mi, w ramach dodatkowej usługi, nawigacji było mało skuteczne. Zawsze wybieram ubezpieczenie full-cover, więc łatwo się domyślić, co wezmę następnym razem.

Podobnie również jest z klasą i rozmiarem samochodu, ewidentnie istnieje pewien wzór. Również można zauważyć coś więcej, a mianowicie że 2 lata temu zacząłem wypożyczać fotelik dla dziecka. Oczywiście w między czasie dziecko rośnie, więc trzeba wybierać większy rozmiar. Przewidując informacje kiedy będę chciał wypożyczyć samochód następnym razem oraz przygotowując unikalną dla mnie ofertę (wraz z dobrze dobranym fotelikiem dla dziecka) można mnie zaskoczyć i skomponować ofertę, na którą raczej się zgodzę.

Jedyna rzecz, która może być najmniej trafna – to data. Dlatego można być elastycznym i udostępnić możliwość przesunięcia całego pakietu na ewentualną bardziej dokładną przyszłość. Przy okazji model, otrzyma więcej danych, co podwyższy jego skuteczność.

Również, ważne jest dla mnie, to aby ktoś zawarł w ofercie to co jest mi potrzebne. Nie muszę marnować swojego własnego czasu na wypełnianie formularza i wybór w miarę podobnych i przewidywalnych rzeczy. Dlatego zawsze będzie we mnie chęć aby wracać do firmy, która dba o mnie, mój czas – w ten sposób moja lojalność będzie rosła.

6) Lojalność klienta

Aby firma zbudowała lojalność zwykle potrzebuje na to dużo czasu. Pozyskanie nowego klienta, zwłaszcza w przypadku gdy firma staje się większa, jest dość drogie. Zwykle jest taniej utrzymać starego klienta, a jeśli stary klient chce odejść to przedstawić mu korzystną propozycję nie do odrzucenia. No właśnie, tylko jak zrozumieć kiedy to zrobić?

Skąd wiedzieć, że ktoś planuje odejść? Mało tego, warto to dostrzec jeszcze przed podjęciem ostatecznej decyzji. Ponieważ może być już po prostu za późno. Innym słowem, warto mieć system, który monitoruje klientów i przewiduje ich skłonność do rezygnacji z kontynuowania współpracy.

Na moim przykładzie.

Wiadomo, że można zaprzepaścić lojalność w jeden dzień. Mianowicie, klient, który czeka na samochód (a tym bardziej ponad godzinę) – nie dostaje go. Wtedy gdzieś w systemie powinny zapalić się czerwone lampki i powinna zacząć działać drużyna naprawcza. To jest tylko jeden przypadek, uczenie maszynowe może wychwycić inne ewentualności, co dość istotnie wpłynie na podjęcie decyzji klienta o odejściu.

7) Lokalizacja maszyn (logistyka)

Panek posiada co najmniej 2000 samochodów w 60 punktach wynajmu. Dlatego, czasem logistyka może być dość skomplikowana. O ile da się dostarczyć samochód z Krakowa do Katowic w przeciągu godziny czy kilku (w zależności od różnych okoliczności), o tyle aby dostarczyć auto z Krakowa do Gdańska czy Wilna potrzeba znacznie więcej czasu. Mało tego, że ten proces zajmuje więcej czasu, to również więcej kosztuje (paliwo, koszt kierowcy itd).  Dlatego warto go zoptymalizować.

Na moim przykładzie.

Być może w czasie gdy potrzebowałem samochodu, jakiś pojazd był wolny, ale znajdował się w innym miejscu, np. w Gdańsku. Oczywiście przetransportowanie takiego samochodu do Krakowa w ciągu godziny byłoby ogromnym wyzwaniem (chyba, że samolotem, ale to mija się z celem). A co jeżeli, można by było lepiej przewidywać, w którym miejscu ten samochód będzie bardziej potrzebny, żeby ostatecznie zwiększać przepustowość ( firma na tym zarabia) i minimalizować wydatki?

8) Predykcja awarii

Samochody ulegają czasem awariom. Może być to kolizja zewnętrzna, np. zderzenie z innym autem czy obiektem, jak i wewnętrzna zepsucie się jakiejś części pojazdu.

Oba te przypadki można przewidywać i zarządzać ryzykiem z nimi związanym. Na przykład, firma ubezpieczeniowa pracuje nad tym, żeby przewidywać nie tylko że sytuacje takie jak kolizja nastąpią, ale również jaki jest koszt odszkodowania.

Podam inny przykład, mniej oczywisty. Konica Minolta, japońska firma, między innymi zajmuje się obsługą drukarek. Pierwszy krok, jaki został zastosowany to to, czy drukarka wysyła sygnał, tzn. czy działa. Jeżeli urządzenie nie wyśle takiego sygnału to oznacza, że trzeba wyjechać do klienta i je naprawić. Już brzmi to fajnie, ponieważ klient sam nie musi dzwonić w tej sprawie. Ale nawet takie podejście wymaga czasu, osoba która będzie naprawiać sprzęt musi tam dojechać i czasem logistycznie nie jest to takie proste. Jak można to ulepszyć? Przewidywać co może się zepsuć i być gotowym wcześniej, niż faktycznie się to zepsuło.

Projekt na razie jest pilotażowy (działa prototyp), ale są plany aby go wdrożyć. Wyobraź sobie sytuację, dzwoni serwisant do drzwi firmy i mówi, że przyjechał naprawić drukarkę. Sekretarka jest zdziwiona ponieważ drukarka działa, ale zza jej pleców słychać innego pracownika, który mówi, że drukarka się zepsuła! Teraz trochę idealizuję rzeczywistość, ponieważ do tego rozwiązania trzeba jeszcze dojrzeć, ale do tego się to sprowadza.

Może zepsuta drukarka w biurze nie jest największym problem, ale kiedy na przykład (z doświadczenia mojej żony), lekarz w ambulatorium musi tracić 20 minut na samodzielną naprawę drukarki, aby wydrukować opis przeprowadzonego badania ma to duże znaczenie. Szczególnie jeśli w kolejce do jego gabinetu czeka jeszcze kilka osób, a dokładnie kilka kobiet w ciąży, których termin porodu już się zbliża. Ma to jeszcze bardziej szczególne znaczenie kiedy w tej kolejce znajdujesz się tym sam lub Twoja żona.

Firma Bosh używa uczenia maszynowego do predykcji awarii którejś części linii produkcyjnej. W ten sposób mogą zarządzać problemem wcześniej niż się pojawił.

Przykład z Polski.

Transition Technologies S.A zajmuje się wykrywaniem anomalii i stanów awaryjnych podczas bieżącej pracy młyna węglowego. To jest ciekawe, że już widać, że nawet w przemyśle totalnie oderwanym od IT zaczyna się wdrażać rozwiązania uczenia maszynowego.

Na moim przykładzie.

Oficjalna wersja twierdzi, że samochód nie został podstawiony ponieważ uległ awarii. Brzmi to jak ryzyko, którym biznes powinien zarządzać lepiej, np. przewidywać takie sytuacje. Wtedy uda się rozwiązać kilka problemów na raz. Po pierwsze, klient który zamówił samochód go dostanie. Po drugie, lepsze zarządzanie sprawami związanymi z ubezpieczeniem. Po trzecie, nieco dyskusyjne, być może czasem warto anulować rezerwację wcześniej, ponieważ szkoda, która może powstać je większa niż potencjalne zarobki, a na dodatek może to komuś uratować życie.

9) Predykcja obciążenia infolinii

W pierwszym punkcie podałem propozycję automatyzacji konwersacji. Jest to oczywiście czasochłonne zadanie, co więcej raczej trudno będzie zautomatyzować ten proces w 100%. Dlatego nadal będzie potrzebny człowiek, który będzie rozwiązywał najbardziej abstrakcyjne i nieoczekiwane przypadki. Klient, który dzwoni, oczekuję, po pierwsze, że telefon będzie odebrany, a po drugie, że będzie to zrobione w najkrótszym możliwym czasie (np. w przeciągu kilku sekund, maksymalnie minut).

Zadaniem jest zwiększenie przepustowości wtedy, kiedy jest taka potrzeba. Tzn. ile osób powinno być dostępnych na infolinii w konkretnym dniu i o konkretnej godzinie, żeby zapewnić odebranie telefonu w krótkim czasie. W takich przypadkach uczenie maszynowe powinno pomóc. Na podstawie danych historycznych, może zrobić estymacje przyszłości.

Na moim przykładzie.

Jednym z mocnych argumentów, dlaczego zrezygnowałem z usług firmy Panek jest to, że w razie problemów trudno mi było uzyskać informację. Jeśli nad tym pomyśleć, moja sytuacja była mało przyjemna, ale nie krytyczna. Natomiast co by się stało, jeżeli musiałbym skontaktować się natychmiast? Poczułem, że ciężko jest mi zaufać firmie, która nie spełnia tego wymogu. A rozwiązać ten problem mogłaby zwykła predykcja popytu.

10) Predykcja rezygnacji klienta

Jak wspomniałem wcześniej, na klienta, który nie przyszedł po odbiór swojego samochodu Panek nakłada karę. Niestety jest ta miara niesymetryczna (klient nie może nałożyć kary na firmy). Ale teraz o czymś innym. Nawet jeżeli klient zapłaci karę, to samochód nadal stoi nieużywany zamiast robić to co powinien, czyli jeździć. I teraz nie chodzi tylko o przypadek 100% utylizacji samochodów, bo to jest dość trudne.

Bardziej chodzi o sytuację, kiedy tych samochodów jest mniej niż wynika z popytu. Wtedy taki stojący samochód, może uratować sprawę. Innymi słowami, zbudowanie modelu który przewiduje, że jeden z klientów zrezygnuje, może stanowić podwójną wartością: po pierwsze, samochód zarabia, zamiast stać, po drugie, co według mnie powinno być bardziej ważnie, inny klient, który bardzo potrzebuje samochodu – dostanie go, a więc dalej będzie chciał kontynuować współpracę.

Na moim przykładzie.

Zakładając, że w tak dużym mieście jak Kraków, jest możliwe, że ktoś zrezygnuje z zamówionego samochodu. To wtedy taki samochód, można by było dostarczyć do mnie. Wtedy byłbym zadowolony i pojechałbym na urlop. Wiadomo, że ta predykcja musi być rozsądna, żeby unikać takich sytuacji jak w United, kiedy ilość pasażerów w samolocie była większa niż (tak zwany overbooked) ilość miejsc.

Na pokładzie samolotu doszło do szarpaniny (chociaż ostatecznie, człowiek który został pobity i tak wygrał, ponieważ dostał odszkodowanie. Nie mówi się jakiej było ono wysokości, ale musiała być to wystarczająco duża kwota, żeby darować ten wyczyn United). Dlatego zakładanie, że ktoś na pewno zrezygnuje może być ryzykowne, ale używane jako dodatkowa informacja może być bardzo przydatne.

Podsumujmy. Jak uczenie maszynowe może pomóc firmie uniknąć utraty klientów i potencjalnego bankructwa.

1. Automatyczna rozmowa z klientem
2. Przewidywanie popytu
3. Analiza sentymenu
4. Predykcja kosztu
5. Rekomendacja produktów
6. Predykcja lojalności klienta
7. Zarządzanie lokalizacją samochodów (zasobów)
8. Predykcja awarii
9. Predykcja obciążenia infolinii
10. Predykcja rezygnacji klienta

Zwracam szczególną uwagę, na fakt, że tworzę ten artykuł już po jakimś czasie od opisanych wydarzeń. Wszystkie moje emocje, które towarzyszy mi w tamtym momencie już opadły i operowałem tylko faktami. To co napisałem może być poradą tak dla firmy Panek, jak i wielu innych. Moim celem było ukazanie istniejących problemów na przykładzie wziętym z życia i wskazanie metod, które mogłyby je rozwiązać.

Jestem bardzo ciekaw Twojej opinii. Czy to co przedstawiłem ma, według Ciebie, sens?

Mówi się, że łatwiej jest coś powiedzieć niż zrobić. Dlatego, żeby słowa były poparte czynami, dzielę się swoim doświadczeniem: jak budować modele, które pomagają przedsiębiorcom rozwiązywać problemy ich firm?

Zapraszam do udziału w warsztacie “Praktyczne uczenie maszynowe dla programistów”. Jest to warsztat skierowany do osób technicznych (głównie programistów, ale myślę, że osoby które zajmują się analizą danych, mające styczność z logicznym myśleniem i pisaniem kawałków kodu – też pasują do tej grupy). W praktyce oznacza to, że materiał będzie tłumaczony na przykładach bez użycia matematycznych dowodów.

Celem jest zrozumienie jak rozwiązać problem, w tym przypadku znacznie mniej ważne jest dlaczego akurat to działa (tu od razu powiem, że rozumienie w całości dlaczego ten czy inny model działa jest wyzwaniem ogólnym, również i w świecie akademickim).

Dobra nowina dla Ciebie jest taka, że możesz liczyć na 10% zniżki. Wystarczy podać kod rabatowy “biznesmysli” (bez spacji).

Ostatni tydzień u mnie był dość gorący, jeżeli chodzi o konferencje. Trzy dni byłem w Warszawie na konferencji WhyR, gdzie, między innymi, również prowadziłem warsztaty. Następnie KrakówJSConf, gdzie pokazywałem jak można zbudować chatbota na poziomie javascript. Pokazałem tam swój projekt o nazwie MiraBot.

Jak na razie Mira Bot robi bardzo prostą rzecz –  tworzy WordPress w sekundy. Mało tego, to wszystko jest zarządzane głosem, jak w jedną tak i drugą stronę. Jest to oczywiście prototyp, który pokazuję możliwości i można go zastosować w innych branżach.

Wczoraj (1 października 2017) miałem okazję przebiec Bieg Trzech Kopców (ok. 13 kilometrów). Dla osób, które biegają zawodowo jest to mały dystans. Ale w moim przypadku, sprawa ta wygląda inaczej, zacząłem ćwiczyć w lipcu i dla mnie jest to zauważalny miernik postępu.

Gdy wybiegłem pierwszy raz, z trudem udało mi się pokonać kilometr. Zacząłem biegać, żeby wyciszać głowę. Przez to, że jestem zaangażowany w tak wiele inicjatyw, czasem mam wrażenie, jakby mój mózg chciał eksplodować. Dlatego, musiałem znaleźć jakiś mechanizm, który mógłby to zminimalizować. Dla mnie bieganie było elementem dodatkowej dyscypliny, która jest bardzo ważnym elementem osiągania celów. A tę umiejętność, jak i każdą inną, należy wyćwiczyć. Z całego serca życzę, aby Twoja dyscyplina, również pomogła Ci osiągnąć postawione cele.

Wracając do tematu spotkań. W tym tygodniu, dokładnie, w środę 4 października, będę miał przyjemność podzielić się swoim doświadczeniem w kwestii tego, jak uczenie maszynowe może pomóc w Credit Scoring. Spotkanie odbędzie się w Warszawie, jeżeli masz czas – to zapraszam.

Dzisiaj, 2 października, Marek Jankowski opublikował naszą rozmowę na MałaWielkaFirma. Serdecznie zapraszam do wysłuchania. Przyznaję, że trochę stresowałem się (jest to trochę dziwne, ponieważ już od jakiegoś czasu sam nagrywam. Jednak, okazuję się, że gdy jest się kogoś gościem to odczucia zmieniają się), ale mam nadzieje, że będzie to mało zauważalne.

Dla mnie była to wielka przyjemność gościć u Marka, z kilku powodów. Przede wszystkim dlatego, że jest to jeden z moich najbardziej ulubionych polskich podcastów. Po drugie, o tym wspomniałem w pierwszym odcinku, Marek odnalazł dla mnie pewne słowa, które we właściwym czasie były mi bardzo potrzebne, dzięki temu wystartowałem z  Biznes Myśli.

Początkowo miałem sporo wątpliwości, dużo lęków, i innych myśli. Brakowało mi kogoś, komu mogę zaufać i usłyszeć, od tej osoby, że to co chce robić ma sens. Dlatego z pewnością mogę powiedzieć, że Marek jest ojcem chrzestnym Biznes Myśli. Również wiem, że Marek organizuje co jakiś czas szkolenia, dotyczące tego jak zacząć robić swój podcast. Jeżeli masz taką potrzebę, to z całego serca polecam Marka.

Mam dla Ciebie jeszcze jedną wspaniałą nowość. Już wcześniej dostałem sygnały o potrzebie stworzenia słownika dotyczącego sztucznej inteligencji. I przygotowałem taki! Z czasem będę go rozwijał. Dlatego jeżeli są terminy, których tam brakuje – proszę daj mi o tym znać, będę starał się na bieżąco je dopisywać. W ten sposób słownik będzie dla Ciebie jeszcze bardziej wartościowy.

Jak można dostać słownik? Wystarczy zapisać się na listę  newslettera Biznes Myśli. Dodatkowym plusem otrzymywania newslettera jest to, że będziesz dostawać informację o kolejnych odcinkach oraz inne wartościowe materiały. Na przykład, o tym jak skonfigurować chatbota na Facebook’a nie wydając ani złotówki.

Na koniec mam prośbę. Proszę poleć ten artykuł co najmniej jednej osobie, dla której będzie on równie wartościowy. Będę za to bardzo wdzięczny, myślę, że podobnie poczuje się osoba, które go polecisz. Dla Ciebie to tylko chwila, a być może komuś pomożesz. Jak często możemy komuś pomóc w tak łatwy sposób?

Kolejny odcinek będzie z osobą, która stara się łączyć trzy światy: naukę, programowanie i biznes. To wszystko co mogę teraz powiedzieć :).

To tyle na dzisiaj. Dziękuję Ci bardzo za Twój czas, Twoją energię i chęć do zdobywania nowej wiedzy.  Życzę wszystkiego dobrego i do kolejnego poczytania.

Artykuł 10 praktycznych porad jak uczenie maszynowe może usprawnić Twój biznes pochodzi z serwisu Biznes Myśli.