Во время exit-интервью сотрудника ИИ распознаёт и анализирует речь. Затем выявляет паттерны: какие общие или синонимичные друг другу слова и фразы встречаются в exit-интервью у уходящих сотрудников.
На основе трендов ЛПР-ам компании проще понять реальные причины увольнения. Например, если во всех ответах сотрудников постоянно встречается одно имя, один процесс, одна причина недовольства, ЛПР получает эту информацию без искажений смыслов, характерных для человеческой интерпретации.
Производство и ИИ — идеальное сочетание для оптимизации бизнеса
Добрый день. а что за 30 критериев банков, по которым можно оценить рейтинг? не очень понятно из статьи
Юлия, спасибо за хороший вопрос!
В статье подразумеваем всё, что может говорить о снижении уровня лояльности клиентов компании. Например, для банков среди таких признаков могут быть:
— несвойственное снижение оборотов и остатков;
— кредитование в других банках;
— закрытие услуг и продуктов;
— снижение активности;
— негатив со стороны клиента, выраженный любым способом.
На основе подобных признаков формируются негативные паттерны поведения, по которым можно предсказать (и главное, предотвратить) отток клиентов.
Постоянно публикуются дилетантские статьи о применении ИИ во всех сферах жизни и бизнеса.
Объясняю просто на пальцах принцип работы нейронных сетей.
Создать саму сеть вообще не проблема и стоит небольших денег. НО, чтобы это работало, нужно эту сеть ОБУЧИТЬ на больших, а лучше на огромных наборах данных. Если данных для обучения мало, то высока вероятность ошибки.
Чтобы ИИ безошибочно анализировал резюме соискателей, сначала нужно загрузить в нейронку сто тысяч (а лучше миллион) резюме и по каждому заранее определить коэффициент (или процент) годности. Кто это сделает руками и за какое время?
Про доменные печи я вообще ржунимагу.
Ну читайте же специальную литературу по предмету, прежде чем что-то публиковать.
Alexandr, спасибо за комментарий. Да, для обучения нейросети данных нужно очень много.
Однако уже сегодня мы сталкиваемся с тем, что у компаний, обращающихся за разработкой решений на основе ML, данных более чем достаточно для обучения и запуска предсказательных моделей.
Нам приносят гигабайты данных, мы валидируем их — и, если видим, что на их основе можно разработать полезный для клиента IT-продукт, создаём, тестируем, внедряем и развиваем его.
Так, бизнес получает точные прогнозы важнейших для себя показателей и может отталкиваться от них при долгосрочном планировании. Как раз сейчас готовим кейс на эту тему, и скоро поделимся подробностями.
Что касается сценариев, рассмотренных в статье: не видим ничего плохого в том, чтобы яркими красками показать нашим читателям, как ИИ может помочь людям сделать мир лучше, удобнее, безопаснее. И мы говорим не только про бизнес-процессы.