Как применять Machine Learning в Digital-продуктах?

3 марта мы организовали онлайн-конференцию Machine Learning в Digital-продуктах с участием спикеров из Тинькофф, СБЕРа, МТС, Checklens GmbH, Brickit, Epoch8 и AGIMA. Для тех, кто любит читать, мы сделали печатную версию докладов.

Первым спикером стал Антипин Иван, заместитель технического директора в компании AGIMA. Ваня рассказал о том, как применять машинное обучение в консервативных бизнесах, где строится все на эмоциях и личном общении с клиентами.

Сегодня Machine Learning присутствует в каждом цифровом бизнесе и с легкостью меняет отрасли. Вспомним про драматическую трансформацию рынка такси, когда пришли IT-гиганты и дали новые возможности потребителям в виде цифровых витрин, соединив водителя и клиента с помощью мобильных приложений и веб-сайтов. Также и сейчас, ML способен кардинально изменить рынок такси. Только представьте себе, что машина по сигналу мобильного приложения сможет сама подъехать к шаговой доступности, например, к дому или к терминалу при выходе из аэропорта. Действительно, таксистам будет трудно конкурировать с таким сервисом основанным на базе ML-решений автопилота и компьютерного зрения.

Сеть ресторанов — яркий пример консервативного бизнеса, несмотря на то, что многие процессы оцифрованы, основная добавочная ценность и эмоции от пользования продуктом генерируются людьми в офлайне: интерьеры, внешний вид блюда, его подача, уровень обслуживания клиента. Но даже здесь есть возможность найти те бизнес-продукты и процессы, в которые можно внедрить ML-решения и получить невероятный эффект:

• компьютерное зрение (используется чтобы распознать эмоции клиента, оценить качество предоставленных блюд и, возможно, принять решение что-то изменить).

• анализ естественной речи (поможет сократить время на принятие заказа и сосредоточится на процессах внутри, перенести фокус на более творческие задачи).

Алгоритмы компьютерного зрения могут искать клиентов, которые пытаются привлечь внимание к себе. Например, когда персонал занят и упускает из вида желание клиента сделать заказ, гостю не будет комфортно кричать или привлекать внимание к себе иным способом. И тут начинается магия: с помощью ML-алгоритмов клиент попадает в поле зрения менеджера. Подобно поднятой руке в Clubhouse, когда модератор видит, что кто-то хочет высказаться, система на базе компьютерного зрения распознает желание клиента сделать свой заказ. Это повышает лояльность к бренду, дарит клиенту чувство значимости и создает ореол магических технологий.

Если говорить о том, где еще в ресторанном бизнесе мы можем использовать компьютерное зрение, стоит отметить, контроль качества приготовленных блюд, и в первую очередь, здесь мы говорим про их визуальный вид. Нет ничего хуже для клиента получить в заказе то, что будет кардинально отличаться от фотографии в меню. Оформление и подача блюда — это весомая часть формирования дополнительной стоимости и целостности предложения. Возможность контролировать поваров и отдаваемые блюда, помогает оценивать сервис, а самое главное держать его на высоком уровне, заданным позиционированием бренда.

Анализируя опыт крупного игрока рынка фастфуда (все мы знаем о ком идет речь, но НДА, сами понимаете), видны инвестиции в покупку решений для анализа естественной речи и первые пилотные проекты по их запуску для приема заказов из автомобиля. Проекты, которые внедряют, направлены на то, чтобы с помощью алгоритмов машинного обучения узнавать своих клиентов и внедрять эти сервисы в свои рекомендательные программы, программы лояльности и системы рекомендаций. Такого клиента можно узнать на киоске самообслуживания и предложить ему более релевантный товар в виде апсейла, либо рекомендацию, которая вызовет положительные эмоции.

Видео для тех, кто любит смотреть и слушать.

ML-решения для ресторанного бизнеса

Здесь вы можете посмотреть онлайн-конференцию: Практическое применение Machine Learning в Digital-продуктах.

Продолжение в следующем выпуске.