Identifiera och kvantifiera problemet

Identifiera och kvantifiera problemet

Det allra första steget i ett machine learning-projekt är att identifiera och kvantifiera det affärsproblem som ML ska lösa. Det låter självklart, men i praktiken är det här de flesta misslyckade ML-projekt går fel. Utan ett tydligt definierat och kvantifierbart problem riskerar du att bygga en tekniskt imponerande modell som inte driver något faktiskt affärsvärde. En korrekt problemformulering är skillnaden mellan ett ML-projekt som genererar avkastning och ett som bara kostar pengar.

Från affärsutmaning till ML-problem

Ett vanligt misstag är att börja med tekniken istället för med affärsproblemet. Frågan ska aldrig vara "Hur kan vi använda machine learning?" utan "Vilket affärsproblem vill vi lösa, och är ML den bästa lösningen?" Exempel på bra problemformuleringar:

• "Vi vill minska kundtapp med 20 procent genom att identifiera kunder som riskerar att säga upp sin prenumeration inom 30 dagar."
• "Vi vill öka konverteringsgraden med 15 procent genom att visa rätt produktrekommendation till rätt användare."
• "Vi vill minska kundservicekostnaden med 30 procent genom att automatiskt kategorisera och besvara vanliga frågor."

Notera att varje formulering innehåller ett specifikt mål, ett mätbart utfall och en tydlig mekanism.

Kvantifiera problemets storlek

Innan du investerar i ett ML-projekt behöver du förstå problemets ekonomiska omfattning. Om kundtappet kostar företaget fem miljoner kronor per år och du kan minska det med 20 procent är den potentiella besparingen en miljon kronor. Jämför detta med den förväntade kostnaden för ML-projektet. Denna beräkning kallas ofta för "opportunity sizing" och bör vara det första du gör.

Använd er befintliga tracking och analys för att samla in de datapunkter som behövs för att kvantifiera problemet. Titta på historiska trender, nuvarande prestanda och branschriktmärken.

Definiera framgångsmått

Du behöver fastställa hur du mäter om ML-modellen är framgångsrik. Det innebär att definiera både tekniska mått, som modellens precision och recall, och affärsmässiga mått, som den faktiska påverkan på intäkter eller kostnader. Det är avgörande att dessa mått definieras innan projektet startar, inte efter.

Framgångsmåtten bör vara kopplade till era övergripande tillväxtmål. En ML-modell som har hög teknisk precision men som inte påverkar era nyckeltal är inte framgångsrik ur ett affärsperspektiv.

Bedöm om ML är rätt lösning

Inte alla problem bör lösas med machine learning. Ställ dig följande frågor:

• Finns det tillräckligt med historisk data att träna en modell på?
• Är problemet tillräckligt komplext för att motivera ML, eller räcker en enklare regelbaserad lösning?
• Kan resultatet av modellen integreras i befintliga arbetsflöden och system?
• Har organisationen förmågan att underhålla och vidareutveckla modellen över tid?

Nästa steg

När du har ett tydligt definierat och kvantifierat problem är nästa steg att samla in den data som behövs. Läs vidare om datainsamling för ML-projekt. Du hittar också en översikt över hela processen i vår introduktion till machine learning för tillväxt.

Vanliga frågor

Vad händer om problemet visar sig vara för litet för att motivera ML?

Det är ett utmärkt resultat. Det innebär att du har sparat tid och resurser genom att inte investera i ett projekt som inte hade gett tillräcklig avkastning. Ofta finns det enklare, regelbaserade lösningar som kan ge 80 procent av effekten till en bråkdel av kostnaden. Återkom till ML när problemets storlek eller datamängden motiverar det.

Hur specifikt behöver problemet vara definierat?

Så specifikt som möjligt. "Vi vill växa snabbare" är för vagt. "Vi vill öka konverteringsgraden i vårt köpflöde från 2,3 procent till 3,0 procent genom att personalisera produktrekommendationer baserat på användarbeteende" är en bra nivå av specificitet.