范式大学系列课程第二讲

机器学习已经在商业领域展示了巨大潜力，那么管理者如何将其纳入日常决策和长期规划？一个公司怎样才能 ML-ready？

当你考虑在企业中应用机器学习技术时，很多问题就会出现。我的业务是否适合机器学习模型？我可以从机器学习模型中获得什么收益？这是一个降低成本的问题，还是增加收入的问题？我现在的数据积累足够吗，如果不够的话该怎么办？我需要什么样的人才帮助我实现企业人工智能的升级？

换句话说，如果你的企业想赶上机器学习的火车，现在应该怎么做？

先给你一张信息表，然后我们会从 6 个步骤详细解析。

步骤—：定义问题

应用机器学习的公司一般有两种：一种是以机器学习模型作为企业核心业务的公司，例如今日头条、News in Palm；另一种是通过机器学习增强现有业务流程的公司，例如抱抱通过机器学习优化主播推荐。对于后一种公司，清楚的定义问题会是第一个挑战。无论是个性化推荐、增加活跃度还是降本增收，都应该收敛到一个点，即我们可以通过获得正确的数据把任务变成机器学习可解决的问题。

例如，如果你想通过数据发现「高流失风险」的客户，以此降低用户的流失率，这就是机器学习可以解决的问题。你会拥有已经流失的用户（这就是机器学习的标签），流失行为背后相关的数据（例如社交媒体的活动、使用频率等），那就可以通过机器学习算法找到用户流失和用户行为之间的隐藏关系。当然，atv，这里面更重要的问题是，当你知道这个用户将要流失时，你准备做些什么？机器学习可以告诉你使用什么样的挽留策略能拉回他。

另一个例子是提高用户满意度。用户满意度是一个主观的指标，不同的人、场合对用户满意度的衡量标准都不一样。如果要通过机器学习来预测用户满意度，最终的结果可能就会不理想。

定义机器学习的问题，最终可以落在两个点上：

从业务出发，机器学习往往致力于解决标准商业逻辑和系列规则不能解决的问题。所以在考虑是否需要机器学习的时候，不妨问问自己，当你做决策的时候，有多经常是基于经验假设而非清晰的分析论据？

从技术出发，机器学习往往需要客观的预测指标，例如流失率、点击率、停留时长等。同时你也需要考虑数据反馈的周期，例如在信用卡反欺诈的任务中，盗刷后被用户发现并提交反馈的时间往往需要 1 周甚至 1 个月，那么系统就要考虑到负面反馈的时间。

通过机器学习强化业务流程是一个非常广泛的领域，我们可以在内容推荐、金融反欺诈、医疗健康等各行各业都看到它的身影。

步骤二：强化业务流程

当你建立了机器学习模型，下一步便是结合模型强化业务流程。一般来说会有三个层次：

1、描述：采集数据进行机器学习分析，通过图表和报告描述现状

2、预测：找到业务发展的模式，做出预测

3、行动：结合模型预测，给出不同的解决方案

麦肯锡曾经披露了一家国际银行的故事，他们通过机器学习改进违约客户相关的业务流程。通过机器学习模型，他们发现有一群平时白天使用信用卡的客户，在晚上也在大量使用信用卡。机器学习发现该行为模式和违约风险紧密相关，在进一步的问询后发现，这群人正在经历某些紧张的时刻。银行的解决方案是向这群高风险的人提供财务建议，并为他们建立新的信用额度。

步骤三：确保你的数据质量足够好

机器学习是关于数据的科学，它从数据中获得有价值的洞察。一般来说，使用机器学习辅助决策是避免偏见的好方法，但这比想象的更为棘手，因为它不能避免数据本身的偏见。例如 Google 最近陷入了一起争议，在对男人和女人的广告中，他们在男人的广告中展示了更多高级岗位。Google 的数据科学家并没有性别歧视，但算法背后的数据是有偏见的，因为它是从社交网络的互动中收集上来的。

确保数据质量足够好