Що вміє машинне навчання, а що ні
Модель машинного навчання добре справляється з задачами, де є багато схожих прикладів у минулому і зрозумілий правильний результат. Наприклад, тисячі замовлень з відомим підсумком «купив / не купив» або продажі за кілька років.
Водночас модель не передбачає майбутнє, якого ще не було в даних. Вона не знає про нового конкурента, зміну законодавства чи товар, який ніколи не продавався. Тому прогноз — це підказка з певною точністю, а не остаточна відповідь, яку не треба перевіряти.
Типові задачі для бізнесу
- прогнозування продажів, попиту, навантаження на склад чи кол-центр;
- оцінка ймовірності: заявка стане угодою, клієнт піде до конкурента, замовлення буде повернене;
- класифікація: автоматичний розподіл звернень, товарів чи документів за категоріями;
- рекомендації товарів, послуг чи матеріалів на сайті та в розсилках;
- сегментація клієнтів за поведінкою;
- виявлення аномалій у продажах, платежах чи технічних показниках.
Як це виглядає на практиці
Візьмемо умовний інтернет-магазин з кількома тисячами товарів. Закупівлі зараз плануються так: менеджер дивиться продажі за минулий рік і додає запас «на всяк випадок». У результаті одні товари лежать на складі, а інших не вистачає в сезон.
Модель прогнозу попиту навчається на історії продажів, цінах, акціях, сезонності й наявності на складі. Щотижня вона рахує очікувані продажі по кожному товару, а менеджер бачить прогноз у звичній таблиці поруч з поточними залишками. Рішення про закупівлю залишається за людиною, але тепер вона спирається на розрахунок, а не лише на пам’ять.
Коли ML-модель не потрібна
Ми чесно скажемо, якщо задачу можна вирішити простіше. Машинне навчання — зайве, коли:
- правила очевидні й стабільні: «клієнти з оптовим статусом отримують знижку» не потребує моделі;
- даних мало: кілька сотень записів зазвичай не дають моделі навчитися нічого корисного;
- результат нікуди не вбудовується: прогноз, який ніхто не бачить у щоденній роботі, не змінить жодного рішення;
- потрібно пояснення причин, а не прогноз — тут часто достатньо якісного аналізу даних.
Скільки і яких даних потрібно
Точної цифри немає, але є кілька орієнтирів. Для прогнозу із сезонністю потрібна історія хоча б за кілька повних сезонів. Для оцінки заявок потрібні не лише самі заявки, а й підсумок — купив клієнт чи ні. Без цього модель не має з чим порівнювати.
Важлива і якість: якщо менеджери не завжди закривають угоди в CRM або статуси ставляться навмання, модель навчиться на помилках. Тому перед навчанням ми завжди перевіряємо дані і кажемо, чого від них можна очікувати.
Часто корисні й зовнішні дані: погода, свята, курси валют, графік рекламних кампаній. Вони допомагають моделі пояснити стрибки, які не видно з самої історії продажів.
Як ми перевіряємо, що модель працює
Модель оцінюємо на даних, яких вона не бачила під час навчання. Для прогнозів — на останньому періоді, ніби ми зробили прогноз заздалегідь, а потім порівнюємо з тим, що сталося насправді.
Головне порівняння — з простим способом, яким ви користуєтеся зараз: «як минулого року», середнє за останній період, досвід менеджера. Якщо модель помітно не краща за цей спосіб, ми так і скажемо, і її не варто впроваджувати.
Як модель потрапляє в роботу
Модель, яка живе лише на комп’ютері аналітика, користі не приносить. Залежно від задачі ми:
- записуємо прогнози в таблицю чи сховище, звідки їх бачать у звітах;
- додаємо бал заявки в CRM, щоб менеджер бачив його в картці клієнта;
- підключаємо рекомендації до сайту чи застосунку через API;
- налаштовуємо регулярне оновлення прогнозів і сповіщення про аномалії.
Якщо замість класичної моделі краще підійде мовна модель, наприклад для роботи з текстами звернень, — це вже впровадження AI у продукти.
Переваги й ризики
Переваги: рішення ухвалюються швидше і послідовніше, менеджери зосереджуються на перспективних клієнтах, закупівлі плануються не лише на відчуття, а повторювана робота частково автоматизується.
Ризики: модель помиляється, особливо в незвичних ситуаціях; її точність з часом падає, коли змінюється ринок; складну модель важко пояснити, і їй можуть не довіряти. Тому ми закладаємо контроль точності та, де можливо, обираємо моделі, рішення яких можна пояснити.
Що підготувати з вашого боку
- опис рішення, яке хочете покращити, і людей, які його зараз ухвалюють;
- доступ до історичних даних: продажі, заявки, клієнти, склад — за найдовший доступний період;
- пояснення особливостей: коли змінювалися ціни, асортимент чи правила роботи, були збої в обліку;
- людину з вашого боку, яка допоможе перевіряти, чи мають результати моделі сенс.
Що впливає на вартість
- Стан даних: готовий набір чи треба збирати й чистити дані з кількох систем.
- Складність задачі: один прогноз загальних продажів чи прогноз по тисячах товарів у кількох регіонах.
- Вбудовування: звіт з результатами чи інтеграція в CRM, сайт або склад.
- Частота оновлення прогнозів і вимоги до швидкості відповіді.
- Підтримка: контроль точності й перенавчання після запуску.
Часто ми пропонуємо почати з пробного етапу на ваших даних. Він показує, чи досяжна потрібна точність, до того як вкладатися у повне впровадження.
Часті запитання
Яку точність ви обіцяєте? Жодну конкретну до перевірки даних. Точність залежить від того, наскільки закономірності взагалі присутні в історії. Після пробного етапу ви бачите реальні цифри на своїх даних.
Чи можна використати готові сервіси замість власної моделі? Іноді так, і це дешевше. Наприклад, рекомендації в деяких платформах для магазинів уже вбудовані. Власна модель має сенс, коли готові рішення не враховують специфіки вашого бізнесу.
На чому ви створюєте моделі? Переважно на Python і SQL, а інструменти підбираємо під задачу і вашу інфраструктуру.
Хто володітиме моделлю? Ви. Код, навчена модель і документація передаються вам.
Чому Promodex
З 2015 року Promodex зробив 750+ проєктів у розробці, дизайні та маркетингу. Для машинного навчання це важливо з практичної причини: модель приносить користь лише тоді, коли вбудована в сайт, CRM чи звіти, а ці системи ми створюємо й підтримуємо власною командою. Ми починаємо з питання, чи потрібна модель узагалі, порівнюємо її з простими способами і не вмовляємо впроваджувати те, що не дає відчутної різниці.
