машинное обучение (ML)
Машинное обучение позволяет находить закономерности в данных и использовать их для прогнозов или автоматических решений. В бизнесе его применяют для прогнозирования оттока клиентов, динамического ценообразования и кредитного скоринга. Главный нюанс в том, что модель продолжает прошлые закономерности, а не понимает бизнес так, как его понимает собственник.
Практический разбор
Обычно под машинным обучением понимают набор методов, которые обучаются на исторических данных и затем оценивают новые случаи. Для этого нужны понятная цель, подходящие данные и проверка качества на примерах, которых модель не видела во время обучения.
В прогнозе оттока система может находить клиентов с признаками ухода. В динамическом ценообразовании она оценивает связь между спросом, предложением и ценой. В кредитном скоринге модель помогает оценивать вероятность возврата или просрочки. Во всех трех случаях результат зависит от того, какие данные попали в обучение и насколько условия бизнеса похожи на прошлый период.
Собственнику стоит проверить качество исходных данных, понятность целевого показателя, регулярность контроля ошибок и порядок действий после прогноза. Если модель сообщает о высоком риске оттока, компания должна понимать, кто и что делает дальше. Иначе получится дорогой список клиентов, которым никто не позвонил.
Машинное обучение часто путают с искусственным интеллектом и нейронными сетями. ИИ является более широким понятием, а нейронная сеть представляет собой один из подходов внутри машинного обучения. Сверточные сети особенно часто применяют к изображениям и другим данным с пространственной структурой, но для табличных данных, текстов и временных рядов могут подходить другие архитектуры или методы.
Андрей Волков обращает внимание на то, что разговор о машинном обучении часто сразу сводят к нейросетям. На практике сначала нужно определить задачу, данные и цену ошибки, а уже потом выбирать архитектуру.
По мнению Андрея Волкова, модель не заменяет управленческое решение. Она может подсветить вероятность события, но ответственность за правила, ограничения и действия остается у бизнеса.
Пример из бизнеса
Компания замечает рост оттока и внедряет модель прогнозирования. Система выделяет клиентов с высокой вероятностью ухода, однако в данных почти нет информации о недавних изменениях сервиса. В итоге модель уверенно повторяет старую картину, а сотрудники предлагают скидки тем, кто ушел из-за другой проблемы. Ошибка возникает не в самой идее ML, а в постановке задачи и отсутствии проверки причин.
