Как машинное обучение автоматизирует бизнес-процессы

Машины здесь. Они учатся. И они приходят за вашим бизнесом - с возможностью построить или уничтожить вашу способность конкурировать в ближайшем будущем.

От поддержки отдела кадров до аналитики прогнозов.

Перевод статьи от он-лайн журналиста, эксперта в области маркетинга, ИИ, технологий и данных — Marcel Deer

Машины здесь. Они учатся. И они приходят за вашим бизнесом – с возможностью построить или уничтожить вашу способность конкурировать в ближайшем будущем. Маргарет Лаффан, директор по развитию бизнеса в области машинного обучения SAP, написал в Forbes:

«Те компании, которые не думают об инвестициях и инновациях, вскоре будут отставать от основанных на машинном обучении»

Машинное обучение уже меняет мир. Являясь ключевым подмножеством искусственного интеллекта (ИИ), оно позволяет компьютерам действовать и учиться самостоятельно, без специального программирования, используя данные и опыт, а не программируя их явно. Автомобили с автономным управлением, рекомендации Netflix и виртуальные личные помощники, такие как Siri и Alexa, являются одними из самых известных приложений AI. Такие функции доступны не только для сайтов электронной коммерции и развлечений.

Автоматизация бизнес-процессов

Одним из наиболее эффективных способов, с помощью которого предприятия используют машинное обучение для повышения своей конкурентоспособности, является автоматизация бэк-офисных процессов. Большинство из них представляют собой наборы функций, основанных на правилах, которые могут беспрепятственно функционировать на основе «отключения», освобождая сотрудников для работы над более стратегическими задачами.

Многие компании уже делегируют многочисленные повседневные задачи компьютерам – от сбора данных с оптически считываемых или веб-форм до обработки заказов. Взаимодействия между компьютерами, такие как ИТ, финансы и бухгалтерский учет, являются относительно простой задачей для ИИ. Дэн Веллерс, Digital Futures SAP, сказал:

«Отслеживая существующие процессы и обучаясь распознавать различные ситуации, ИИ значительно увеличивает количество отчетов, которые могут быть сопоставлены автоматически».

«Это позволяет организациям сократить объем работы, переданной на аутсорсинг сервисным центрам, и освобождает финансовый персонал для решения стратегических задач».

Согласно опросу Tata Consultancy Services, проведенному в 2017 году среди 835 компаний, большинство из этих вспомогательных функций, автоматизированных с помощью ИИ, связаны с информационными технологиями. Эти процессы, управляемые ИИ, включали:

  • Обнаружение и предотвращение вторжений в систему безопасности.
  • Решение технических проблем пользователей.
  • Сокращение работы по управлению производством за счет автоматизации.
  • Внутренняя оценка соответствия с использованием утвержденных поставщиков технологий.

Чат-боты и другие приложения машинного обучения могут справиться с рядом рутинных задач HR, включая:

  • Отбор претендентов на работу из сотен резюме.
  • Планирование интервью, обзоров эффективности и других групповых встреч.
  • Оценка и вовлечение сотрудников в оптимизацию офисных рабочих процессов.
  • Отслеживание результатов и соответственное повышение вознаграждений сотрудников.
  • Выявление пробелов в знаниях или возможностей для развития сотрудников.
  • Ответы на вопросы о политике компании, преимуществах, служебных процедурах и даже базовом разрешении конфликтов.

Как отмечает Сара Уильямс (Sarah Williams) из HPPY, сообщества HR и взаимодействия с сотрудниками,

«Правильно применяемые технологии машинного обучения могут сэкономить время за счет использования предективной аналитики, чтобы сократить потери времени при наборе персонала и сделать процесс более надежным и точным».

Например, она говорит, что международный гигант потребительских товаров Unilever пропускает кандидатов через три раунда собеседований и тестов на основе машинного обучения, прежде чем впервые встретиться с человеком, что экономит сотрудникам компании 50 000 часов и сокращает время найма с обычных четырех месяцев до четырех недель.

Машинное обучение также может быть использовано для повышения продуктивности человека. Например, автоматическое создание еженедельных отчетов и даже мониторинг сотен новостных сообщений, упоминаний в социальных сетях и других источников информации о конкурентах, а затем выпуск кратких сводок для заинтересованных сторон.

Такие инструменты можно использовать не только для мониторинга данных, но и для прогнозирования результатов, например, помогая корпоративным командам расставлять приоритеты в разработке продуктов, а также в сфере продаж и маркетинга. К 2022 году каждый пятый работник, занятый в основном нестандартными задачами, будет полагаться на работу ИИ. Машинное обучение способно принести пользу из совершенно новых и огромных источников данных, которые никогда ранее не были доступны человеческим путем. Например, Шивон Зилис (Shivon Zilis) и Джеймс Чам (James Cham) предлагают в Harvard Business Review:

«Представьте себе, если бы вы могли позволить кому-то слушать каждую аудиозапись ваших продавцов и прогнозировать их эффективность»


«Эти источники данных могут уже принадлежать вашей компании (например, стенограммы разговоров о техническом обслуживании клиентов или данные о датчиках, прогнозирующие сбои и требуемое обслуживание)»

Другие передовые приложения машинного обучения могут сделать компании более конкурентоспособными, создавая новые продукты и повышая надежность существующих. Производитель мебели IKEA использует алгоритм машинного обучения для анализа социальных сетей и поиска данных, чтобы изобрести (и назвать) новые продукты, которые решают проблемы, упоминаемые в Интернете. Например, мебель IKEA «Яблочный сок», которая заряжает ваш смартфон по беспроводной сети.

Машинное обучение также отлично подходит для изучения огромного количества данных датчиков, логистики и статистики отказов от приборов, машин или транспортных средств. Предсказания моделей могут служить рекомендациями для профилактического обслуживания, смягчать риски транспортировки или цепочки поставок или даже обнаруживать аномалии в режиме реального времени, которые указывают на неизбежность сбоя. Эрик Бюсси (Eric Bussy), Esker, сказал:

«Многим предприятиям еще предстоит понять весь потенциал машинного обучения и когнитивных вычислений для процессов бэк-офиса»

«Преимущества выходят далеко за рамки просто повышения производительности и более быстрых цепочек поставок».

Использование подхода «жди и смотри» с машинным обучением искусственного интеллекта больше не вариант, особенно для компаний в высоко-конкурентных отраслях. Закрытие в 2017 году не менее 8 053 магазинов (включая такие крупные бренды, как Payless, RadioShack и Toys R Us) показало,что ритейлеров съедают гиганты, которые активно вкладываются в развитие ИИ. Однако, высокая конкуренция с внедрением роботов не является единственной проблемой для B2C. Все компании сталкиваются с опасностью отставания, игнорируя развитие технологий.

Поделиться...
Share on facebook
Share on twitter
Share on vk