Машинное обучение — одна из самых быстрорастущих отраслей в IT. Каждый год эта сфера растёт на 44 %. И, по аналитике экспертов-прогнозистов, до 2024 года размер рынка будет составлять уже свыше 30 млрд. долларов — это в 25 раз больше, чем было в 2017 году. Многие компании уже понимают ценность машинного обучения для собственного бизнеса. И цель здесь прагматичная — деньги. ML-специалисты помогают компаниям увеличивать свой доход.

Но если инженер машинного обучения может приносить профит компаниям, то он может и создать собственный успешный проект. В этом материале мы расскажем, в каких отраслях и как именно он сможет монетизировать свои навыки. Итак, поехали!

Персонализация маркетинга

Любая крупная компания, которая занимается онлайн-торговлей, собирает огромное количество информации о своих клиентах (увы). Предпочтения, характер и история заказов каждого собираются с CMS и часто лежат мёртвым грузом, занимая место на сервере.

Инженер по машинному обучению способен настроить систему персонификации маркетинга, чтобы каждый посетитель сразу видел в интернет-магазине товары и рубрики, которые его заинтересуют. 

За примерами не нужно далеко ходить. В Facebook зарегистрировано свыше 1,6 млрд. человек — в соцсети есть данные об именах, геолокациях, работе, хобби, семейном положении, наличии детей и прочее, прочее. 

Вместе с тем в Фейсбуке свыше 60 млн. бизнес-страниц, которые запускают рекламные кампании. Нейросеть соцсети каждый день обрабатывает свыше 60 млрд. интеракций пользователей с друг с другом и больше миллиарда — с рекламой и товарами, чтобы подбирать более актуальные предложения.

Даже несмотря на некоторые проблемы с сохранностью данных, система машинного обучения Facebook для персонификации рекламных кампаний остаётся одной из самых мощных в мире.

Но для грамотного анализа совсем не обязательно обрабатывать такое огромное количество информации. К примеру, в интернет-магазине Amazon персонализация работает так. В рекомендуемом покупателю будут попадаться товары из рубрик, которые он просматривает и покупает чаще всего. Если человек покупает книги, то в рекомендуемом будут книги:

Довольно простая придумка, но она позволила увеличить продажи в целевых категориях, которыми интересуются посетители, на 15 %. 

Работает это не только для онлайн-магазинов, но для любых компаний, даже для небольших и довольно узкопрофильных. Многие данные можно узнать, просто попросив покупателя авторизоваться через социальную сеть. Но что ещё интереснее, для персонализации маркетинга даже не всегда нужны личные данные пользователей. 

Вот, к примеру, как сделал интернет-магазин Very. Для персонализации маркетинга он использует только имя пользователя. Но при этом учитывает погоду за окном и геолокацию пользователя. В результате при попадании на сайт человек получает максимально личностное предложение.

Это работает не только на продажи, но и на повышение лояльности клиентов. И интеграция с любым погодным сервисом — одна из самых простых, но эффективных идей для машинного обучения. 

Для создания системы анализа, как у Facebook, нужны огромный отдел ML и колоссальные производственные мощности. Реализовать идею, как у Amazon, тоже сложно, но систему, как у Very, может запустить даже middle-спец в одиночку. Все зависит от творческого подхода и грамотной реализации.

Анализ рынка и поиск новых направлений 

Сразу после появления нейронных сетей их пытались использовать для анализа фондовых рынков. Успехи были довольно слабыми, потому что на фондовые биржи влияют сотни и тысячи параметров, а очень часто даже случайные события. 

Но чем уже сфера анализа, тем лучшие результаты показывает машинное обучение. Причём для небольших компаний она работает даже лучше, чем для крупных концернов — спрогнозировать поведение рынка получается точнее. 

К примеру, небольшой кейс компании, которая занимается продажей кухонных блендеров в США. Путём машинного анализа специалисты нашли 34 категории товаров, которые клиенты охотно приобретали вместе с блендерами, тем самым увеличивая средний чек покупки в среднем на 15–25 %. Такой кейс можно повторить на фрилансе для разных интернет-магазинов, число которых в пандемию только выросло.

Улучшение опыта покупателя

Каждый из клиентов интернет-магазина ищет что-то своё. И у каждого из них — индивидуальный путь от интереса до покупки. Грамотно проанализировать их могут только алгоритмы машинного обучения. Ведь даже полноценный путь одного покупателя вручную построить крайне сложно, а что, если их десятки тысяч? 

Очень крутой кейс на эту тему есть у Spotify, известного музыкального сервиса. В 2017 году компания приобрела два проекта по машинному обучению и стала тестировать их наработки в создании подборок музыки для пользователей.

Сервис анализировал музыку, которую сохраняют пользователи в собственные подборки, и предлагал рекомендации, основанные на этих предпочтениях. 30 песен каждую неделю. И оказалось, что сервис выдаёт рекомендации, которые лайкают абсолютное большинство слушателей. 

Дата-инженеры создали довольно сложную модель анализа контекста и стилей песен и сопоставления их с предпочтениями каждого слушателя. 

Она выглядит следующим образом:

И этот шаг стал просто двойным выигрышем для компании. Лояльность слушателей ещё больше увеличилась, сервис привлёк большое количество новых пользователей. При этом значительно увеличилось количество прослушиваний песен малоизвестных музыкальных групп и исполнителей без лейблов, что очень сильно мотивирует музыкантов загружать свою музыку на Spotify. Так один алгоритм, созданный специалистами по машинному обучению, решил сразу две задачи. 

Да, чтобы довести ег�� до ума, потребовались месяцы работы двух команд по машинному обучению, но дивидендов от него сервис получил гораздо больше. 

Но есть и более простые примеры — обычные чат-боты или голосовые помощники на основе машинного обучения. Bank of America — это одна из первых крупных финансовых организаций, которая запустила бота, чтобы разгрузить собственный колл-центр. 

В результате уже в первые 3 месяца бот Эрика успешно обработал миллион заявок от пользователей. Сегодня бот стал полноценным финансовым помощником и на данный момент обработал уже 100 миллионов запросов, тем самым сэкономив компании более 8 миллионов человеко-часов. А это десятки миллионов долларов в денежном эквиваленте.

Открытые платформы аналитики и статистики

Большие данные сегодня называют «новой нефтью». Информации сегодня настолько много, что даже в открытых источниках можно найти невообразимое количество. Даже на основе публичных данных Интернета вещей или социальных медиа можно делать качественные анализы и прогнозы.

При этом структурированные данные и статистика пользуются большим спросом у компаний, которые занимаются торговлей товарами и услугами. Особенно у представителей малого и среднего бизнеса, которым бюджет не позволяет нанять собственных специалистов по анализу данных, но которые понимают ценность аналитики для своего бизнеса.

Самым крупным открытым порталом структурированных данных в мире можно считать сайт Statista. На нём есть свыше 60 000 пулов данных, уже готовых для применения в статистике и аналитике. 

Переплюнуть Статисту вряд ли удастся, но никто не мешает создавать обработанные пулы информации в более узконаправленных сферах. Особенно активно такие данные используют маркетологи.

Защита от мошенничества

В 2020 и 2021 годах произошёл просто бум популярности антифрод-инструментов, основанных на базе машинного обучения и нейросетей. Особенно это актуально для банков и крупных финансовых организаций, которые работают с большими активами. 

К примеру, в 2020 году Сбербанк отчитался, что антифрод-система на базе машинного обучения способна предотвращать практически все попытки мошенничества и кражи средств в системе быстрых платежей. А это почти за год сохранило клиентам банка свыше 38 млрд. рублей. 

Алгоритмы антифрод-систем непрерывно анализируют действия пользователей и выискивают подозрительные паттерны и совпадения, которые выбиваются из общей практики. И при обнаружении подобных подозрительных совпадений автоматически блокируют транзакции и сообщают об этом операторам.

Модели машинного обучения, которые выискивают мошеннические схемы, очень сложны, но они экономят просто кучу денег крупным компаниям. Поэтому спрос на них стабильно повышается. Если в 2019 году машинное обучение против мошенников использовали только 13 % крупных компаний в мире, то в 2021 году — уже 40 %.

Компания Feedzai отчитывается, что в 2020 году в разы выросли попытки фрода в сферах финтех и е-коммерс. Попытки похищения данных платежных карт увеличились на 650 %, а взлома онлайн-банкинга — на 250 %. Но при этом грамотная антифрод-система на базе машинного обучения способна в точности определять до 95 % случаев мошенничества и ложных отклонений оплаты и при этом сократить общие затраты на противодействие подобным схемам на 75 %.

Машинное обучение растёт такими огромными темпами в наши дни, потому что оно помогает зарабатывать деньги как компаниям, так и самим специалистам по ML. Компании активно нанимают спецов, а иногда покупают целые стартапы в области ML — тогда они входят в состав крупных компаний в качестве отдельных подразделений. Сейчас, пока рынок ещё не перегрет и компании более склонны уступать в переговорах о зарплате — самое время влиться в эту среду и стать специалистом по машинному обучению, используя кейсы представленные выше в качестве своих пилотных проектов, которые покажут уровень ваших навыков.

По ML у нас есть две программы — для тех кто только постигает Machine Learning и расширенная Machine Learning и Deep Learning, для тех кто хочет уйти в это направление всерьез и надолго. По ссылкам можно ознакомиться с программами, сравнить их с другими и сделать оптимальный для себя выбор.

Узнайте, как прокачаться и в других специальностях или освоить их с нуля:

Другие профессии и курсы

ПРОФЕССИИ

КУРСЫ