Veći profit bez povećanja obima posla - Kako iskoristiti moć mašinskog učenja?

• Sticanje i primanje znanja

• Razumevanje i učenje na osnovu iskustva

• Brzo i fleksibilno prilagođavanje novim situacijama

• Preovladavanje zbunjujućih situacija

• Donošenje tačnih zaključaka i

• Predviđanja na bazi stečenih znanja

Mašinsko učenje se definiše kao oblast veštačke inteligencije koja se bavi dizajnom algoritama koji uče iz iskustva i koji su u stanju da vrše predviđanja događaja kroz modeliranje zakonitosti u podacima.

Gradeći partnerski odnos sa svojim klijentima, ASW Inženjering ima obavezu da konstantno radi na unapređenju sopstvenog poslovanja kako bi novim tehnologijama direktno uticao na poboljšanje performansi i unapređenje poslovanja kod svojih korisnika.

Kroz dugogodišnji rad sa svojim korisnicima, ASW je stekao bogato iskustvo bazirano na obradi širokog spektra strukturiranih i nestrukturiranih podataka. Takvi podaci spadaju u kategoriju Big Data i svakako su pouzdana osnova za primenu koncepta mašinskog učenja.

- Samo u retail business-u dnevno se preko našeg sistema proda više od 1,8 miliona artikala, na 2.750 registrovanih kasa. Do sada je instalirano više od 100 sistema na kojima radi preko hiljadu ljudi. Sve to generiše velike količine podataka i pravi velike baze podataka koje ASW podržava, već 27 godina, sada sa 60 zaposlenih – rekao je osnivač i generalni direktor ASW-a, Nenad Avlijaš.

Pokretajući projekat ASW: Machine Learning, kompanija ASW Inženjering je želela da približi koncept mašinskog učenja svojim korisnicima kako bi se podigla svest o poslovnom odlučivanju zasnovanom na podacima. Prvi korak u tom cilju bila je prezentacija rezultata projekta ASW: Machine Learning na jednoj od poslovnih manifestacija ASW-a gde su predstavljeni osnovni pojmovi veštačke inteligencije i mašinskog učenja i gde su prikazani prvi interesantni podaci na osnovu pilot projekta. Na prezentaciji je, pored toga, ASW tim za razvoj aplikativnih rešenja baziranih na konceptu veštačke inteligencije praktično pokazao kako se iz velike količine podataka pravi novac.

Čovek nema mogućnost da analizira milione zabeleženih događaja i transakcija koje nastaju svakog dana tokom rada jedne kompanije, a takođe ni da iz tih podataka donese korisne zaključke. Korišćenjem mašinskog učenja ova ograničenja nestaju. Da bi se zaista razumelo poslovanje, potrebna je i sposobnost da se tolika količina podataka razume, i sposobnost da se na osnovu njih izvedu zaključci i predlozi poslovnih odluka.

Prednosti primene koncepta mašinskog učenja su višestruke.

Odraz vitalne i fleksibilne kompanije je njena sposobnost da se prilagođava inovacijama na tržištu uključujući tehnologije koje znatno unapređuju poslovanje. Na taj način ona se lako može izdvojiti od konkurencije.

Kompanija mora dobro da poznaje svoje lojalne kupce i njihove navike u kupovini. Sve te informacije su sadržane u podacima, a mere se u broju kupljenih artikala, vrsti artikala, načinu plaćanja itd. Tumačeći te podatke dolazimo do tzv. personalizovanih prodaja gde su kompanije u stanju da upoznaju svakog od svojih kupaca i da budu proaktivni u zadovoljenju njihovih potreba.

ASW: Machine Learning model za sprečavanje odlaska kupaca prati ponašanje kupaca i uočava obrasce u ponašanju koji ukazuju na rizik od odlaska određenog kupca, tj. rizik od prestanka kupovine u radnjama kompanije klijenta, s obzirom na to da je do deset puta skuplje dovesti novog kupca nego zadržati postojećeg. Rezultati algoritma ukazuju šta su mogući faktori koji su uticali na nastanak rizika i na osnovu kupovnih navika algoritam samostalno predlaže promociju koja najbolje zadržava kupce. Neuronska mreža precizno predviđa koliki će prihod ti kupci ili grupe kupaca doneti kada se zadrže, pa se i to uzima u obzir pri kreiranju promocije – za vrednije kupce se vredi više potruditi.

Rezultati koji se dobijaju na osnovu modela su:

• Merenje uticaja različitih faktora na rizik odlaska kako bi se razumelo zašto korisnici odlaze, što omogućava započinjanje dugotrajnih inicijativa zadržavanja

• Skoriranja kupaca po riziku odlaska i na osnovu toga kreirati kampanje za zadržavanje

• Određivanje verovatnoće rizika odlaska i obeležavanje rizičnih kupaca za email kampanje

• Integrisanje rezultata sa drugim odeljenjima, poput kol-centra za kupce, da bi se u trenutku dobavile relevantne informacije za radnika

• Strategijski popusti u kampanjama i promocijama za one kupce kod kojih je rizik odlaska veliki

Model se odlično pokazuje u svim sektorima.

ASW: Machine Learning model za prediktivno održavanje predviđa greške u sistemima, a specifično u tehničkim sistemima. Najbolje vreme za rešavanje problema je vreme pre nego što se on dogodi. A to se postiže pomoću veštačke inteligencije. Alat ASW: Machine Learning sistema za prediktivno održavanje prati dotok podataka iz hiljada izvora bilo da su to tornjevi za telekomunikacione mreže ili podaci iz nekog skladišta, ili poslovanje jedne organizacione jedinice. Na osnovu istorijskih podataka alat uočava obrasce koji su prethodili kvaru ili problemu u poslovnim procesima. Tako se može reagovati na izazov pre nego što se on dogodi, i u potpunosti poništiti posledice grešaka i problema.

Primenjuje se kako u infrastrukturi (na primer SCADA sistemi za koji se uočava rizik kvara pre nego što se on dogodi), tako i u logistici i u drugim oblastima.

Model se odlično pokazuje u svim sektorima.

ASW: Machine Learning model za praćenje kvaliteta radnika u kompaniji nadgleda i ocenjuje kvalitet zaposlenih. Veštačka inteligencija prolazi kroz milione zabeleženih transakcija i događaja u potrazi za bilo kakvim anomalijama – odstupanjima od očekivanog poslovnog procesa. Te anomalije se potom prikazuju menadžmentu i gde je potrebno i odstranjuju se. Uočavaju se kako pozitivne anomalije, koje povećavaju profit, tako i negativne, koje smanjuju profit ili ukazuju na postojanje zloupotreba ili loših radnika. Prevare koje je za čoveka zbog količine podataka nemoguće uočiti, ovaj alat rasvetljuje i prikazuje podatke koji ukazuju na to.

Ovaj alat se ne mora samo koristiti za detekciju prevara, već i za uspešnost radnika u prodaji. Postoje artikli koji se često prodaju zajedno, a često su i ti dodatni artikli poput aksesoara i najveći izvor profita. Sistem uviđa koji radnici prodaju, a koji ne prodaju te dodatke a trebalo bi, i na osnovu toga se dobija još jedna informacija o kvalitetu tih radnika. Ako jedna radnica u prodavnici odeće često nudi pa i prodaje kaiševe, kravate i maramice uz odela, dok druga to retko ponudi, veštačka inteligencija ukazuje na njih obe, pa se prva može nagraditi a na drugu se može uticati da poboljša svoj angažman.

Model se odlično pokazuje u svim sektorima.

ASW: Machine Learning model za optimizaciju cena samostalno predviđa i formira cene artikala. U tradicionalnom poslovanju određivanje cena je zasnovano na intuiciji i iskustvu. To su dve osobine veoma važne za uspešnost odgovora na formiranje cena, ali su i nedovoljne – na to koja cena donosi najveći profit utiče previše faktora da bi čovek mogao da razume njihov uticaj, a posebno da matematički precizno odredi profit. Alat za optimizaciju cena omogućava čoveku da svoju intuiciju i iskustvo udruži sa uvidom koji daje velika količina podataka i da tako odredi idealnu cenu za svaki artikal.

Neuronska mreža koja u pozadini uči iz svake napravljene transakcije određuje za svaki artikal kako ide prodaja ukoliko se odredi određena cena i mogući popust. Mreža razume veze između ogromnog broja faktora koji mogu uticati na prodaju (od unutrašnjih poput prethodne prodaje do spoljašnjih poput ekonomske situacije u gradu i zemlji ili vremenske prognoze) i tako pokazuje koja cena i popust dovode do najvećeg profita.

Model je specifičan za sektor prodaje.

ASW: Machine Learning model za optimizaciju zaliha predviđa kakvo će biti stanje zaliha jednog određenog dana. Neuronska mreža predviđa potražnju čak nekoliko meseci unapred sa izuzetnom preciznošću (+- jedan). Na osnovu toga se može definisati koliko koje robe je potrebno nabaviti i u kom vremenskom periodu.

Model je specifičan za sektor prodaje.

ASW: Machine Learning model za prodajne i personalizovane kampanje omogućava izgradnju prodajnih kampanja. Analiziranjem ogromne količine podataka, koje čovek kao ljudsko biće ne bi mogao ni za nekoliko dana/meseci/godina da obradi, algoritmi mašinskog učenja uočavaju:

• najčešće povezane kupovine

• šta kupci kupuju i šta ne kupuju

• propuštene prodaje kako na nivou kupaca, tako i na nivou radnika

• anomalno ponašanje nekih grupa artikala u određenoj prodajnoj jedinici

Na osnovu pomenutog, alat pomaže menadžerima da efikasno i brzo odrede moguće prodajne kampanje kako po prodajnim jedinicama (prodajne kampanje), tako i po određenom lojalnom kupcu (personalizovane kampanje). Posebno se prati i ponašanje prodavaca i uočava kod koga se zaista često kupuju poznate povezane kupovine, a kod kojih ne.

Efikasno praćenje kupovnih navika kupaca daje prednosti i beneficije nad tržištem i na osnovu toga radnja može ponuditi neki asortiman i pre nego što kupac sazna da to zaista želi da kupi. Sve ukupno rezultuje značajnom povećanju profita, uz optimalnu raspodelu poslovnih procesa.

Model se odlično pokazuje u sektoru prodaje i sektoru telekomunikacija.

ASW: Machine Learning model za klasterovanje korisnika pomaže preciznom definisanju grupa kupaca i klasifikuje ih prema njihovom ponašanju, na koje utiču visina računa, dužina u mreži, artikli, brendovi i ostali faktori u kupovini. Klasteri su među sobom različiti, dok su kupci koji čine klaster slični. Model u sektoru prodaje daje najbolje rezultate kod lojalnih kupaca s obzirom na to da je za lojalne kupce baza podataka korektna, a da kod ostalih kupaca se ne mogu identifikovati parametri koji čine kupca. U ostalim sektorima, kao što su na primer telekomunikacije, model se odlično pokazuje kod svih vrsta korisnika, s obzirom na to da su baze podataka date do sitne granulacije. Klasterovanje pomaže kreiranju kampanja, koje kod velikog broja korisnika postaje gotovo nemoguće na personalizovanom nivou.

Model se odlično pokazuje u sektoru prodaje i sektoru telekomunikacija.