Jak prakticky využít strojové učení v byznysu
ML má do budoucna velký potenciál měnit procesy ve firmách všech velikostí. Jak přesně mohou být tyto technologie užitečné v byznysu?
Doba, kdy se data schraňovala v kartotékách jsou již díky bohu pryč. Většina společností má nyní moře bitů v databázi, které v lepším případě nějak analyzuje a podle přehledů – reportů zjišťuje, jak si ve svém podnikání vedla. V ideálním případě navíc činí na základě těchto dat i rozhodnutí. Manažeři tedy mají pocit, že kormidlo svého podnikání drží pevně v rukou. K dispozici mají však pouze data z minulých období, která sama o sobě ukazují přítomnost, ale neříkají nic o budoucím vývoji.
Jak tedy využít data z minulosti k odpovědím na analytické otázky týkající se budoucnosti a ovlivnit tak výsledky svého byznysu v ještě větší míře?
Prostředkem pro tyto pokročilé analýzy dat a predikce je strojové učení, anglicky machine learning. V našem seriálu se podíváme na přínosy, které tento, na první pohled složitý mechanismus, přináší do byznysu i dalších oblastí.
Co je to strojové učení Machine Learning (ML)
Mluvíme-li o strojovém učení, pak je dobré vědět, že se jedná o podskupinu umělé inteligence, která využívá nejrůznějších algoritmů a technik k analýze dat. Na základě nich se nejen učí, ale postupně dokáže rozeznávat jednotlivé objekty, přiřazovat k nim vlastnosti, vzájemně je propojovat souvislostmi a nacházet vzory. Ty pak použije k vytvoření modelu, na jehož základě dokáže formulovat prognózy.
Ať už to víme nebo ne, každý den komunikujeme s různými algoritmy strojového učení – počínaje doporučeními od Netflixu, Spotify, YouTube nebo Amazonu; přes předkládané feedy ze sociálních médií; klasifikátory spamu v Gmailu a Outlooku; až po vyhledávače, jakým je například Google.
Pokud vás fungování strojového učení zajímá více do hloubky a chcete zjistit, jak se takový algoritmus strojového učení tvoří, doporučujeme článek Machine learning pro předpověď dokončení studia, autor Kryštof Dytrt.
My se podíváme až na konec tohoto procesu do fáze, kdy již algoritmus předkládá výsledky, jako jsou přehledy, závěry či předpovědi.
Machile learning – možnosti jeho využití a přínosy
Hlavní přínosy ML jsou přisuzovány oblasti automatizace stávajících procesů, zvýšení jejich efektivity a snížení nákladů. Obecně šetří lidský čas i peníze, dokáže předvídat chování zákazníků, zlepšit jejich zákaznickou zkušenost, poradí i s obsahem – jaký vytvořit a kdy jej ideálně publikovat.
Machine Learning je možné dosadit do celé řady odvětví: bankovnictví, zdravotnictví, doprava, služby zákazníkům, PPC reklamy, maloobchodní prodej, zemědělství nebo školství.
Díky rozsáhlým zkušenostem z implementace datových skladů, reportingu a prediktivních analýz v rámci již šesti univerzit, bychom se v tomto článku chtěli zaměřit na jeden z našich posledních projektů, kterým bylo supervised learning modelování pro předpověď úspěšného dokončení bakalářského nebo magisterského studia na nejmenované univerzitě.
Machine learning pro předpověď dokončení studia
Efektivní práce s daty v prostředí univerzit může přinášet nejen nové podněty pro jejich řízení, ale také zpříjemnit a zpřehlednit život samotným studentům v různých fázích studia.
Analyzovali jsme několik datových sad, a to nejen za účelem predikce pravděpodobnosti dokončení studia u konkrétního studenta a odhalení faktorů, které neúspěšnost způsobují, ale také srovnání úspěšnosti mezi jednotlivými fakultami, obory nebo předměty.
Datové sady obsahovaly například demografické údaje o studentech, tj. z jaké střední školy a s jakými výsledky přicházejí, jakých dosáhli výsledků u zkoušek, počet pokusů na danou zkoušku, dosažené kredity v rámci jednotlivých semestrů, vč. analýzy obtížnosti těchto předmětů. Ve výsledku lze tedy predikovat nejen to, jak si při studiu povede jednotlivec, ale obecně předvídat počty studentů jednotlivých fakult v následujících semestrech.
Tyto přehledy tak dávají univerzitám strategickou výhodu, díky níž pak dokáží lépe plánovat kapacitu studoven pro nadcházející roky, optimalizovat učební plán dle kapacity studentů a celkově ukazují, kterým směrem úsilí i finance směrovat.
Pro studenty by tento chytrý nástroj mohl sloužit jako pomocník, které je včas upozorní, že jsou se svými výsledky na hraně a měli by se začít více snažit. To je ale spíše pouhou vizí. Bohužel, kvůli GDPR, není možné funkci upozornění na univerzitách využít.
Závěr
Dnes jsme se seznámili s výhodami ML a blíže se podívali na to, jak nám technologie založené na strojovém učení a umělé inteligenci mohou pomáhat v oblasti školství. Pokud uvažujete o implementaci podobného řešení na vaší univerzitě, neváhejte využít naší bezplatné konzultace, kde vám rádi poradíme s vytvořením celého konceptu. Zajistíme také kompletní vývoj, od prvního návrhu až po nasazení na produkci.
V příštím díle se zaměříme na přínosy algoritmů strojového učení v oblasti digitálního marketingu a ukážeme si, jak díky ML dokážeme přivést nové zákazníky a obecně šetřit čas i peníze.
Autor: Zuzana Pragrová, manažer BI akademie
zuzana.pragrova@dolphinconsulting.cz
+420 770 136 502
