ธุรกิจขนาดกลางและขนาดเล็ก (SME) ของอิตาลีมีสัดส่วนที่สำคัญต่อเศรษฐกิจ แต่การนำปัญญาประดิษฐ์ (AI) มาใช้ยังคงอยู่ในระดับต่ำมากตามผลการวิเคราะห์สถานการณ์ AI ในธุรกิจ SME ของอิตาลี มีเพียง 7% ของธุรกิจขนาดเล็กและ 15% ของธุรกิจขนาดกลางที่เริ่มดำเนินโครงการที่ใช้ AI ขณะที่ธุรกิจ SMEสร้างมูลค่าเพิ่มของประเทศมากกว่า 65%ตัวเลขนี้เปลี่ยนมุมมองต่อประเด็นนี้: ปัญหาไม่ใช่ว่า AI มีประโยชน์หรือไม่ แต่เป็นว่า AI แบบใดที่สามารถนำมาใช้ในธุรกิจได้จริง โดยไม่ก่อให้เกิดความซับซ้อนที่จัดการไม่ได้
นี่คือจุดที่Support Vector Machines เข้ามามีบทบาท แม้โมเดลนี้อาจไม่ใช่โมเดลที่ได้รับการพูดถึงมากที่สุดในขณะนี้ แต่มันมักเป็นหนึ่งในตัวเลือกที่สมเหตุสมผลที่สุด เมื่อคุณมีข้อมูลที่มีโครงสร้างชัดเจน กรณีการใช้งานที่ชัดเจน และต้องการการตัดสินใจที่เชื่อถือได้ สำหรับธุรกิจขนาดกลางและขนาดเล็ก (SME) สิ่งนี้หมายถึงการเปลี่ยนจากสเปรดชีตที่กระจัดกระจาย ข้อมูลเชิงลึกที่แยกส่วน และรายงานที่ล่าช้า ไปสู่การคาดการณ์การดำเนินงานที่สนับสนุนการขาย การจัดการความเสี่ยง การรักษาลูกค้า และการวางแผน
หากคุณมอง AI เป็นปัจจัยที่สร้างกำไรได้อย่างชัดเจน เครื่องเวกเตอร์สนับสนุน (Support Vector Machines) ก็เป็นตัวเลือกที่ควรพิจารณา ไม่ใช่เพราะมัน ‘ใหม่’ แต่เพราะในบริบททางธุรกิจหลายด้าน มันยังคงเป็นตัวเลือกที่สมเหตุสมผล
ธุรกิจขนาดกลางและขนาดเล็ก (SMEs) สร้างส่วนสำคัญของมูลค่าเศรษฐกิจอิตาลี แต่การนำปัญญาประดิษฐ์มาใช้ยังคงจำกัดอยู่เพียงในบริษัทจำนวนน้อย ช่องว่างนี้มีความสำคัญ เพราะมันไม่ใช่เรื่องเทคโนโลยีขั้นสูงในเชิงทฤษฎี แต่เกี่ยวข้องกับอัตรากำไร เวลาตอบสนอง คุณภาพเครดิต อัตราการหมุนเวียนสินค้า และความสามารถในการจับสัญญาณอ่อนก่อนคู่แข่ง
ในความเป็นจริง ธุรกิจหลายแห่งมีทรัพยากรที่จำเป็นสำหรับการเริ่มต้นอยู่แล้ว ข้อมูลนั้นมีอยู่ แต่กระจายอยู่ทั่วระบบบริหารจัดการธุรกิจ ระบบ CRM แพลตฟอร์มอีคอมเมิร์ซ รายงานบริหาร และไฟล์ Excel ที่สร้างขึ้นเพื่อจัดการกับสถานการณ์ฉุกเฉินประจำวัน นี่คือจุดที่ปัญหาด้านการดำเนินงานเกิดขึ้น: หากข้อมูลยังคงกระจัดกระจาย แม้การตัดสินใจที่มีข้อมูลครบถ้วน ก็อาจอิงจากภาพรวมของธุรกิจที่ไม่สมบูรณ์
ดังนั้น สำหรับบริษัทขนาดกลางและขนาดเล็ก (SME) ของอิตาลี ประเด็นสำคัญจึงไม่ใช่การไล่ตามโมเดลที่กำลังเป็นที่พูดถึงมากที่สุดในขณะนี้ แต่สิ่งที่สำคัญคือการเลือกวิธีการที่สามารถทำงานได้กับชุดข้อมูลที่มีจำกัด ด้วยค่าใช้จ่ายที่จัดการได้ และด้วยกระบวนการที่ไม่สามารถถูกระงับไว้เป็นเวลาหลายเดือนเพื่อรอโครงการที่สมบูรณ์แบบ นี่คือเหตุผลที่อัลกอริทึมแบบดั้งเดิม เช่น Support Vector Machines สมควรได้รับความสนใจจากฝ่ายบริหาร ไม่ใช่เพียงฝ่ายเทคนิคเท่านั้น
SVM เหมาะอย่างยิ่งสำหรับความต้องการทั่วไปของธุรกิจขนาดกลางและขนาดเล็ก (SMEs): การแปลงข้อมูลที่ไม่สมบูรณ์แต่มีประโยชน์ให้กลายเป็นการจัดประเภทที่เชื่อถือได้ ในภาคค้าปลีก สิ่งนี้หมายถึงการระบุลูกค้าที่มีความเสี่ยงจะเลิกใช้บริการ การประมาณความน่าจะเป็นที่จะตอบสนองต่อโปรโมชั่น และการตรวจจับพฤติกรรมการซื้อที่ผิดปกติ ในภาคการเงิน หมายถึงการสนับสนุนการประเมินความเสี่ยง การแบ่งกลุ่มตำแหน่งที่มีความเสี่ยงสูง และการแจ้งเตือนกรณีผิดปกติที่จำเป็นต้องมีการตรวจสอบโดยมนุษย์ คุณไม่จำเป็นต้องใช้โมเดลล่าสุดเสมอไปเพื่อสร้างข้อได้เปรียบทางการแข่งขัน บ่อยครั้ง สิ่งที่คุณต้องการคือโมเดลที่สามารถให้ผลลัพธ์การตัดสินใจที่สมเหตุสมผลได้ก่อน
ตลาดยุโรปต้องเผชิญกับอุปสรรคที่เกิดขึ้นซ้ำๆ ซึ่งรวมถึงงบประมาณที่จำกัด การขาดความเชี่ยวชาญด้านการวิเคราะห์ภายในองค์กร ความยากลำบากในการบูรณาการกับระบบที่มีอยู่ และความคาดหวังที่ไม่สมจริงเกี่ยวกับผลตอบแทนจากการลงทุนใน AIรายงาน ‘European SME AI Challenges’ได้อธิบายบริบทนี้ได้อย่างชัดเจน ซึ่งปัญหาดังกล่าวรู้สึกได้ชัดเจนยิ่งขึ้นในอิตาลี โดยเฉพาะในภาคอุตสาหกรรมที่การลงทุนด้านเทคโนโลยีทุกครั้งต้องได้รับการพิสูจน์ความคุ้มค่าในบัญชีกำไรและขาดทุนภายในระยะเวลาสั้นๆ
นี่คือเหตุผลที่ Support Vector Machines (SVM) เป็นตัวเลือกที่น่าสนใจ เพราะมันทำหน้าที่เป็นสะพานเชื่อมที่ใช้งานได้จริงระหว่างทฤษฎีทางวิชาการกับผลลัพธ์ทางธุรกิจ: เน้นน้อยลงที่ความอลังการทางเทคโนโลยี และเน้นมากขึ้นที่คุณภาพของการตัดสินใจ สำหรับผู้ประกอบการหรือผู้จัดการด้านวิเคราะห์ข้อมูล จุดสำคัญไม่ใช่การนำ AI มาใช้ในความหมายทั่วไป แต่คือการใช้อัลกอริทึมที่ช่วยลดข้อผิดพลาดที่ก่อให้เกิดค่าใช้จ่ายสูง ปรับปรุงลำดับความสำคัญทางธุรกิจ และจัดโครงสร้างข้อมูลที่ปัจจุบันยังสร้างได้เพียงรายงานเท่านั้น แต่ยังไม่สามารถนำไปใช้ในการตัดสินใจได้
เครื่องเวกเตอร์สนับสนุน (Support Vector Machines)มีต้นกำเนิดจากแนวคิดทางเรขาคณิต ไม่ใช่จาก "กล่องดำ" เครื่องนี้ได้รับการพัฒนาอย่างเป็นทางการในทศวรรษ 1990 ที่ AT&T Bell Laboratories โดย วลาดิมีร์ วาปนิก (Vladimir Vapnik) โดยอาศัยพื้นฐานทางทฤษฎีที่วางไว้ตั้งแต่ทศวรรษ 1970 วัตถุประสงค์เดิมของเครื่องนี้คือการจำแนกประเภทแบบสองค่า (binary classification) ด้วยความแม่นยำสูงสุดเท่าที่จะเป็นไปได้ ตามที่สรุปไว้ในบทความประวัติศาสตร์เกี่ยวกับต้นกำเนิดของเครื่องเวกเตอร์สนับสนุน
หากคุณมีสองกลุ่มลูกค้า – เช่น กลุ่มที่ต่อสัญญาและกลุ่มที่เลิกใช้บริการ – คุณสามารถวาดเส้นแบ่งได้หลายเส้น เส้นใดก็ตามจะสามารถแยกสองกลุ่มนี้ออกจากกันได้ ส่วน SVM นั้นจะค้นหาเส้นแบ่งที่สร้างระยะห่างระหว่างสองกลุ่มให้กว้างที่สุดเท่าที่จะเป็นไปได้
การเปรียบเทียบที่มีประโยชน์ที่สุดคือถนนที่วิ่งระหว่างสองแถวของบ้าน หากสร้างถนนใกล้กับแถวหนึ่งเกินไป ก็ไม่จำเป็นต้องมีปัจจัยมากนักก็อาจก่อให้เกิดความสับสนได้ แต่หากออกแบบถนนให้กว้างที่สุดเท่าที่จะทำได้ ทางเดินจะมั่นคงขึ้นและขอบเขตก็ชัดเจนขึ้น ใน SVMs ‘ถนน’ นี้คือ margin
ไม่ใช่ทุกจุดที่มีบทบาทสำคัญ แต่เป็นจุดที่อยู่ใกล้ขอบเขตที่สุด จุดเหล่านี้เรียกว่าเวกเตอร์สนับสนุน (support vectors) และพวกมันกำหนดตำแหน่งของตัวแบ่งที่เหมาะสมที่สุด ในทางปฏิบัติ อัลกอริทึมจะให้ความสำคัญมากที่สุดกับกรณีที่คลุมเครือที่สุด – นั่นคือกรณีที่ทดสอบการตัดสินใจอย่างแท้จริง
สำหรับธุรกิจแล้ว วิธีนี้ถือเป็นแนวทางที่คุ้นเคยเป็นอย่างดี การจัดประเภทลูกค้าเป็นกลุ่มที่จงรักภักดีอย่างชัดเจน หรือกลุ่มที่สูญเสียไปอย่างชัดเจนนั้นไม่ใช่เรื่องยาก แต่คุณค่าของโมเดลนี้จะปรากฏชัดเจนเมื่อต้องจัดการกับกรณีที่อยู่ระหว่างสองกลุ่ม – คือกรณีที่การรักษาลูกค้า เครดิต โปรโมชัน หรือการบริหารความเสี่ยงกำลังถูกพิจารณา
ไม่ควรคิดว่า SVM เป็นสูตรทางคณิตศาสตร์สำหรับผู้เชี่ยวชาญ แต่ควรถือว่าเป็นเกณฑ์การบริหารจัดการที่ได้รับการจัดระบบอย่างเป็นทางการ:
หลักทั่วไป:หากปัญหาทางธุรกิจของคุณต้องการให้คุณสามารถแยกแยะระหว่างผลลัพธ์สองอย่างได้อย่างน่าเชื่อถือ การใช้ Support Vector Machines ก็คุ้มค่าที่จะลองทดสอบอย่างจริงจัง
นี่คือเหตุผลที่อัลกอริทึมเหล่านี้ยังคงมีบทบาทสำคัญในระบบแมชชีนเลิร์นนิงขององค์กร ไม่ใช่เพราะมันเรียบง่ายในตัวมันเอง แต่เพราะหลักการพื้นฐานของมันสอดคล้องกับความต้องการทางธุรกิจที่ปฏิบัติได้จริงอย่างยิ่ง นั่นคือ การตัดสินใจอย่างสม่ำเสมอ แม้ข้อมูลจะไม่สมบูรณ์
เมื่อ SVM ตัดสินใจ มันไม่ได้ ‘เดา’ แต่สร้างขอบเขตทางคณิตศาสตร์ที่แบ่งแยกหมวดหมู่ หรือประมาณความสัมพันธ์ที่มีประโยชน์สำหรับการคาดการณ์ จุดสำคัญจากมุมมองทางธุรกิจคือ ขอบเขตนี้ไม่ได้ถูกสร้างขึ้นโดยการให้น้ำหนักเท่ากันแก่ข้อมูลแต่ละชุด
SVM มีประสิทธิภาพสูงเป็นพิเศษกับชุดข้อมูลขนาดเล็ก และมีความทนทานต่อการเกิดการปรับแบบเกิน (overfitting) เนื่องจากฟังก์ชันการตัดสินใจของมันถูกกำหนดขึ้นจากชุดข้อมูลย่อยขนาดเล็กเพียงชุดเดียว นั่นคือ เวกเตอร์สนับสนุน (support vectors) สิ่งนี้ทำให้ SVM เป็นตัวเลือกที่เหมาะสมอย่างยิ่งในสถานการณ์ที่ข้อมูลมีจำกัดหรือมีค่าใช้จ่ายสูง ดังที่อธิบายไว้ในแหล่งข้อมูลการศึกษาเกี่ยวกับSVM และเวกเตอร์สนับสนุนนี้
มีสามแนวคิดก็เพียงพอที่จะเข้าใจสาระสำคัญของโมเดลนี้แล้ว
แนวคิด ความหมายผลกระทบต่อธุรกิจ Hyperplaneเส้นแบ่งการตัดสินใจที่แยกสองกลุ่มออกจากกัน มันกำหนดว่าใครจะอยู่ในกลุ่มนั้นและใครจะไม่อยู่ Marginระยะห่างระหว่างเส้นแบ่งกับกรณีที่ใกล้ที่สุด ยิ่งกว้าง ก็ยิ่งแสดงว่าโมเดลมีแนวโน้มที่จะสามารถประยุกต์ใช้ได้ดีขึ้น Support vectorsกรณีที่อยู่บนเส้นแบ่งการแยกกลุ่ม นี่คือลูกค้า ธุรกรรม หรือข้อมูลที่ช่วยกำหนดเส้นแบ่งนั้น
ในโครงการจริง ๆ ไฮเปอร์เพลนคือกฎการดำเนินงาน ส่วนมาร์จินแสดงถึงขอบเขตความปลอดภัยของกฎดังกล่าว ส่วนเวกเตอร์สนับสนุนคือกรณีที่จำเป็นต้องได้รับความสนใจจากฝ่ายบริหาร เนื่องจากกรณีเหล่านี้ชี้ให้เห็นจุดที่ธุรกิจมีความไม่แน่นอนมากที่สุด
บริษัทขนาดกลางและขนาดเล็กจำนวนมากไม่มีข้อมูลประวัติย้อนหลังหลายล้านแถว แต่พวกเขามีข้อมูลที่เพียงพอที่จะใช้ระบุรูปแบบได้ ในสถานการณ์นี้ การมุ่งเน้นเฉพาะกรณีที่กำหนดขอบเขตถือเป็นวิธีการที่มีประสิทธิภาพ
วิธีการนี้ให้ประโยชน์ที่จับต้องได้อย่างน้อยสามประการ:
เมื่อมีข้อมูลน้อย แต่ละแถวต้องทำงานหนักขึ้น SVMs ก็ทำอย่างนั้นพอดี
สำหรับผู้ที่ต้องการศึกษาด้านปฏิบัติการอย่างลึกซึ้งยิ่งขึ้นกระบวนการฝึกอบรมอัลกอริทึมช่วยให้มองโมเดลไม่ใช่เพียงในฐานะองค์ประกอบทางเทคนิคที่แยกตัว แต่เป็นลำดับของการตัดสินใจต่าง ๆ ได้แก่ การป้อนข้อมูล การทำความสะอาดข้อมูล การฝึกอบรม การตรวจสอบความถูกต้อง และการตัดสินใจ
มีจุดหนึ่งที่ทีมหลายทีมมักมองข้ามไป การขาดข้อมูลไม่เสมอไปเป็นข้อจำกัด บางครั้งมันเป็นข้อจำกัดที่เรียกร้องให้ใช้โมเดลที่เรียบง่ายขึ้น ซึ่งจึงเหมาะสมกับบริบทนั้นมากขึ้น
ในบริษัทขนาดกลางและขนาดเล็กของอิตาลี ความเป็นไปได้ในการนำไปใช้จริงนี้มีความสำคัญมาก หากโมเดลใดต้องการข้อมูลหลายปี โครงสร้างพื้นฐานที่ซับซ้อน และความรู้เชี่ยวชาญที่หายาก ความเป็นไปได้ที่จะถูกนำมาใช้ก็จะลดลง แต่หากโมเดลนั้นทำงานได้ดีกับชุดข้อมูลขนาดกลาง และให้ขอบเขตการตัดสินใจที่ชัดเจน การนำไปใช้จริงก็จะมีความเป็นไปได้มากขึ้น นี่คือจุดที่ Support Vector Machines (SVM) ไม่เพียงเป็นหัวข้อการบรรยายในมหาวิทยาลัยอีกต่อไป แต่กลายเป็นเครื่องมือที่ใช้งานได้จริง
ปัญหาทางธุรกิจไม่ได้ทั้งหมดสามารถจัดประเภทได้อย่างชัดเจน บางลูกค้าแสดงพฤติกรรมที่ผสมผสานกัน บางธุรกรรมที่ถูกต้องตามกฎหมายอาจดูคล้ายกับธุรกรรมที่เป็นการฉ้อโกง บางตัวชี้วัดความเสี่ยงจะปรากฏชัดเจนก็ต่อเมื่อตัวแปรหลายตัวมีปฏิสัมพันธ์กัน
นี่คือจุดที่เทคนิคเคอร์เนลเข้ามามีบทบาท แนวคิดพื้นฐานเบื้องหลังเทคนิคนี้เรียบง่าย: หากข้อมูลถูกจัดเรียงแบบสับสนในพื้นที่เดิม คุณสามารถมองมันจากมุมมองที่ต่างออกไป ซึ่งการจัดเรียงจะดูเป็นระเบียบมากขึ้น
ลองจินตนาการถึงแผ่นกระดาษที่มีจุดสีฟ้าและสีแดงจัดเรียงเป็นรูปวงกลม ในสองมิติ คุณไม่สามารถแยกแยะจุดเหล่านั้นได้อย่างชัดเจน แต่หากคุณสามารถยกแผ่นกระดาษนั้นขึ้นและเปลี่ยนให้เป็นพื้นผิวสามมิติ จุดเหล่านั้นอาจจัดเรียงตัวเองเป็นรูปแบบที่ชัดเจนขึ้นมาก ในจุดนั้น ระนาบ – ซึ่งไม่ใช่เส้นอีกต่อไป – จะสามารถแยกจุดเหล่านั้นออกจากกันได้อย่างง่ายดาย
สิ่งนี้ไม่ได้หมายความว่าโมเดลนั้น ‘สร้าง’ ข้อมูลขึ้นมา แต่หมายความว่ามันใช้การแปลงข้อมูลเพื่อเปิดเผยความสัมพันธ์ที่ก่อนหน้านี้ถูกซ่อนอยู่
คุณสามารถคิดถึงเคอร์เนลได้เหมือนกับเลนส์ต่าง ๆ
ในภาคค้าปลีก ความยืดหยุ่นนี้สามารถเป็นประโยชน์ได้เมื่อความเสี่ยงที่ลูกค้าจะเลิกใช้บริการไม่ขึ้นอยู่กับตัวแปรเดียว แต่ขึ้นอยู่กับการมีปฏิสัมพันธ์ระหว่างความถี่ในการซื้อ ส่วนลดที่ได้รับ ความเป็นตามฤดูกาล และช่วงเวลาที่ลูกค้าไม่มีการใช้งาน ในภาคการเงิน หลักการเดียวกันนี้สามารถเป็นประโยชน์ได้เมื่อโปรไฟล์ความเสี่ยงปรากฏขึ้นได้เฉพาะจากการรวมกันของสัญญาณหลายอย่างที่มีน้ำหนักน้อย
เทคนิคเคอร์เนลไม่ได้ทำให้ปัญหานั้นดูน้อยลงแต่อย่างใด มันเพียงแต่ทำให้รูปแบบนั้นอ่านได้ง่ายขึ้นเท่านั้น
บทเรียนทางปฏิบัติในที่นี้มีความสำคัญมาก หากทีมใดปฏิเสธอัลกอริทึมด้วยเหตุผลว่า ‘ข้อมูลซับซ้อนเกินไป’ พวกเขามักจะยอมแพ้เร็วเกินไป บางครั้งปัญหาไม่ได้อยู่ที่ข้อมูล แต่อยู่ที่วิธีการนำเสนอข้อมูลนั้น
เครื่องเวกเตอร์สนับสนุน (Support Vector Machines) ไม่ใช่คำตอบสำหรับทุกปัญหา แต่นั่นคือเหตุผลที่มันสมควรได้รับการพิจารณาอย่างจริงจัง ปัจจุบัน เครื่องเวกเตอร์สนับสนุนถูกอ้างอิงในบทความวิจัยล่าสุดน้อยกว่า Random Forests หรือเครือข่ายประสาทเทียม แต่ความน่าเชื่อถือของมันเมื่อต้องจัดการกับชุดข้อมูลขนาดกลาง ทำให้มันเป็นตัวเลือกที่เหมาะสมที่สุด — และมักถูกประเมินต่ำเกินไป — สำหรับธุรกิจขนาดกลางและขนาดเล็ก (SMEs) ที่กำลังมองหาโซลูชันที่เชื่อถือได้และสามารถตีความได้ ดังที่ได้กล่าวถึงในการเปรียบเทียบความสำคัญของ SVM ในปัจจุบันด้านการเรียนรู้ของเครื่อง
จุดแข็งของพวกเขาไม่ใช่แฟชั่น แต่คือวินัย
การเลือกที่ได้รับการพิจารณาอย่างรอบคอบยังต้องคำนึงถึงข้อจำกัดด้วย
สถานการณ์และผลกระทบ ชุดข้อมูลที่มีขนาดใหญ่มาก การฝึกอบรมอาจต้องใช้ทรัพยากรการคำนวณมากขึ้นข้อมูลที่มีสัญญาณรบกวนหรือมีการทับซ้อนกันสูง ขอบเขตอาจไม่เสถียรเท่าที่ควร การเลือกเคอร์เนล การตั้งค่าต้องได้รับการทดสอบและตรวจสอบความถูกต้องอย่างละเอียดการตีความภายในของโมเดล ไม่สามารถให้ความเป็นที่เข้าใจได้ทันทีเหมือนต้นไม้การตัดสินใจเสมอไป
สำหรับธุรกิจขนาดกลางและขนาดเล็ก (SME) คำถามที่สำคัญไม่ใช่ ‘นี่เป็นรุ่นที่ทันสมัยที่สุดหรือไม่?’ แต่คำถามที่สำคัญคือ ‘รุ่นนี้ช่วยปรับปรุงกระบวนการตัดสินใจได้ด้วยระดับความพยายามที่ยั่งยืนหรือไม่?’
จุดสำคัญ:อัลกอริทึมแบบคลาสสิกจะกลายเป็นกลยุทธ์เมื่อมันช่วยเชื่อมช่องว่างระหว่างการเข้าใจและการลงมือทำ
กล่าวอีกนัยหนึ่ง ความแตกต่างในความนิยมของ SVM ไม่สอดคล้องกับความแตกต่างในมูลค่า แต่มักจะเกิดขึ้นพร้อมกับการเปลี่ยนแปลงในทิศทางของการอภิปรายสาธารณะเกี่ยวกับ AI สำหรับผู้ที่ต้องการปรับปรุงกลุ่มผลิตภัณฑ์ ลดหนี้เสีย จัดประเภทลูกค้าเป้าหมาย หรือตรวจจับความผิดปกติ ความสำคัญของ SVM ยังคงมีอยู่จริง
ช่องว่างระหว่างโมเดลกับอัตรากำไรจากการดำเนินงานจะแคบลงเมื่อคุณนำการคาดการณ์มาประยุกต์ใช้ในการตัดสินใจประจำวัน นี่คือจุดที่ Support Vector Machines (SVM) มีประโยชน์สำหรับทีมที่ไม่ต้องการ ‘ใช้ AI’ ในเชิงทฤษฎี แต่ต้องการจัดการลูกค้า ความเสี่ยง และลำดับความสำคัญได้อย่างมีประสิทธิภาพมากขึ้น
ผู้ค้าปลีกเก็บรวบรวมข้อมูลอย่างต่อเนื่อง ได้แก่ ความถี่ในการซื้อสินค้า ประเภทสินค้าที่ชื่นชอบ ความไวต่อส่วนลด เวลาเฉลี่ยระหว่างการสั่งซื้อ การคืนสินค้า และช่องทางการซื้อสินค้า หากพิจารณาข้อมูลเหล่านี้แยกกัน ข้อมูลเหล่านี้อาจให้ข้อมูลได้ไม่มากนัก แต่เมื่อนำมารวมกันในระบบจำแนกประเภท SVM ข้อมูลเหล่านี้สามารถช่วยแยกแยะลูกค้าที่ภักดีออกจากลูกค้าที่มีความเสี่ยงจะเลิกใช้บริการได้
ผลกระทบนั้นไม่ได้อยู่ที่ทฤษฎีเบื้องหลังของโมเดล แต่อยู่ที่ลำดับขั้นตอนการดำเนินการที่เกิดจากโมเดลนั้น:
การประยุกต์ใช้ครั้งที่สองเกี่ยวข้องกับการแบ่งกลุ่มลูกค้า ธุรกิจค้าปลีกขนาดกลางและขนาดเล็กมักยังแบ่งกลุ่มลูกค้าตามเกณฑ์ที่เรียบง่าย เช่น พื้นที่ทางภูมิศาสตร์หรือระดับการใช้จ่าย SVM สามารถเพิ่มชั้นข้อมูลที่มีประโยชน์มากขึ้น นั่นคือ พฤติกรรมจริง ซึ่งหมายความว่า ลูกค้าสองคนที่มีระดับการใช้จ่ายคล้ายกันแต่มีรูปแบบการใช้จ่ายที่แตกต่างกัน จะไม่ถูกจัดให้อยู่ในกลุ่มเดียวกันอีกต่อไป
ในวงการค้าปลีก โมเดลที่ดีไม่ได้อยู่ที่การอธิบายลูกค้าให้ดีขึ้น แต่อยู่ที่การตัดสินใจได้ดีขึ้นว่าควรทำอะไรในเช้าวันพรุ่งนี้
ในภาคการเงิน การจัดประเภทมีประโยชน์ทางปฏิบัติโดยตรง ทีมงานสามารถใช้ SVM เพื่อแยกแยะระหว่างคำขอที่มีความเสี่ยงต่ำกับคำขอที่จำเป็นต้องวิเคราะห์เพิ่มเติม จุดแข็งของโมเดลนี้อยู่ที่ความสามารถในการระบุชุดค่าผสมของตัวแปร ซึ่งเมื่อพิจารณาแต่ละตัวแปรแยกกันแล้ว จะไม่เพียงพอ
ลองพิจารณาสถานการณ์การให้คะแนนเครดิตในองค์กรที่จัดการลูกค้าธุรกิจจำนวนมาก ไม่มีตัวชี้วัดใดที่เพียงพอเมื่อใช้เพียงตัวเดียว อย่างไรก็ตาม การรวมข้อมูลจากประวัติการชำระเงิน ความถี่ในการสั่งซื้อ การเปลี่ยนแปลงในปริมาณการสั่งซื้อ และการเกิดความผิดปกติทางบริหาร สามารถช่วยแยกแยะได้อย่างมีประโยชน์ระหว่างโปรไฟล์ที่น่าเชื่อถือที่สุดกับโปรไฟล์ที่จำเป็นต้องได้รับการติดตามอย่างใกล้ชิด
หลักการเดียวกันนี้ยังใช้กับการตรวจจับธุรกรรมที่ผิดปกติด้วย โมเดลนี้ไม่ได้มาแทนที่การตรวจสอบของมนุษย์ แต่ช่วยให้การตรวจสอบมีความเลือกสรรมากขึ้น แทนที่จะให้ทีมวิเคราะห์ทุกกรณี โมเดลนี้จะระบุกรณีที่จำเป็นต้องตรวจสอบอย่างจริงจัง ซึ่งช่วยเพิ่มประสิทธิภาพการทำงานของฝ่ายจัดการความเสี่ยง
ความผิดพลาดที่แท้จริงไม่ใช่การไม่ใช้โมเดล แต่คือการหยุดอยู่เพียงการจำแนกประเภท โดยไม่เชื่อมโยงมันกับการตัดสินใจ
ในภาคค้าปลีก การคาดการณ์การสูญเสียลูกค้าควรเป็นจุดเริ่มต้นในการดำเนินการแคมเปญหรือการทบทวนเส้นทางการเดินทางของลูกค้า ส่วนในภาคการเงิน การแจ้งเตือนความผิดปกติควรเป็นจุดเริ่มต้นในการดำเนินการตามขั้นตอนควบคุม ไม่ใช่การทิ้งไฟล์ไว้ให้ถูกลืมในโฟลเดอร์ที่ใช้ร่วมกัน เครื่องมือ Support Vector Machines (SVM) จะสร้างมูลค่าได้เมื่อถูกบูรณาการเข้ากับกระบวนการดำเนินงาน ไม่ใช่เมื่อถูกทิ้งไว้ในสมุดบันทึก
สำหรับนักวิเคราะห์ การเริ่มต้นใช้ SVM ใน Python นั้นง่ายกว่าที่คิด ส่วนสำหรับผู้จัดการ จุดสำคัญไม่ใช่การอ่านโค้ด แต่คือการเข้าใจว่าโมเดลนี้ให้ผลลัพธ์ที่ชัดเจน: การจัดประเภท คะแนน หรือชุดข้อมูลที่ต้องจัดการ
ส่วนโค้ดนี้ใช้scikit-learnเพื่อฝึกโมเดล SVM พื้นฐานสำหรับปัญหาการจำแนกประเภท
from sklearn.model_selection import train_test_splitfrom sklearn.preprocessing import StandardScalerfrom sklearn.pipeline import make_pipelinefrom sklearn.svm import SVCfrom sklearn.metrics import classification_report# X = ตัวแปรทางธุรกิจ# y = ค่าป้ายที่จะทำนาย เช่น ลูกค้าที่มีความเสี่ยงจะเลิกใช้บริการ = 1, ไม่มีความเสี่ยง = 0X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42, stratify=y)model = make_pipeline(StandardScaler(), SVC(kernel="rbf", C=1.0, gamma="scale"))model.fit(X_train, y_train)predictions = model.predict(X_test)print(classification_report(y_test, predictions))
ตัวอย่างนี้แสดงสามตัวเลือกที่เหมาะสำหรับสถานการณ์จริงหลายอย่าง:
งานที่แท้จริงจะเริ่มขึ้นหลังจากนั้น ทำนาย(). หากโมเดลระบุลูกค้าที่มีความเสี่ยง คุณต้องนำผลลัพธ์นั้นมาจัดทำเป็นรายการการดำเนินการสำหรับฝ่ายการตลาด ฝ่ายสนับสนุนลูกค้า หรือฝ่ายขาย ส่วนหากโมเดลระบุพฤติกรรมที่น่าสงสัย คุณต้องนำข้อมูลเหล่านั้นไปใช้ในกระบวนการตรวจสอบ
แพลตฟอร์มวิเคราะห์ช่วยลดความขัดแย้งภายในองค์กรนี้ได้อย่างแม่นยำ แทนที่จะจำกัดโมเดลไว้เฉพาะในสภาพแวดล้อมทางเทคนิค แพลตฟอร์มนี้ทำให้ผลลัพธ์เข้าใจได้ง่ายขึ้นผ่านแดชบอร์ด รายงาน และระบบแจ้งเตือนที่ใช้ภาษาธุรกิจ
ต่อไปนี้คือสิ่งที่ควรสังเกตในการฝึกซ้อม:
แบบจำลองการคาดการณ์จะมีประโยชน์เมื่อทีมรู้ว่าจะติดต่อใคร ต้องทำอะไร และจัดลำดับความสำคัญอย่างไร
เครื่องเวกเตอร์สนับสนุน (Support Vector Machines)เป็นบทเรียนที่มีประโยชน์สำหรับธุรกิจขนาดกลางและขนาดเล็ก (SME) ของอิตาลีทุกแห่ง คุณไม่จำเป็นต้องไล่ตามโมเดลที่ได้รับความนิยมสูงสุดเสมอไปเพื่อสร้างข้อได้เปรียบทางการแข่งขัน แต่คุณควรเลือกอัลกอริทึมที่ทำงานได้ดีกับข้อมูล ข้อจำกัด และการตัดสินใจประจำวันของคุณ
นี่คือเหตุผลที่ SVM ยังคงมีความสำคัญอยู่เสมอ เนื่องจาก SVM มีความทนทานในการจำแนกประเภท ให้ผลลัพธ์ที่ดีกับชุดข้อมูลขนาดกลาง และสามารถแปลงสัญญาณที่ซับซ้อนให้เป็นขอบเขตการตัดสินใจ ซึ่งสามารถนำไปใช้ประโยชน์ได้ในภาคค้าปลีก การเงิน และการบริหารจัดการ ในตลาดที่ธุรกิจจำนวนมากยังห่างไกลจากการนำ AI มาใช้ การเริ่มต้นด้วยโมเดลที่เชื่อถือได้และเข้าใจง่ายมักเป็นแนวทางที่ชาญฉลาดที่สุด
หากคุณต้องการเปลี่ยนข้อมูลของคุณให้เป็นข้อมูลเชิงลึกที่ชัดเจนโดยไม่เพิ่มความซับซ้อนทางเทคนิค ลองใช้ELECTE แพลตฟอร์มวิเคราะห์ข้อมูลที่ใช้เทคโนโลยี AI สำหรับธุรกิจขนาดกลางและขนาดเล็ก (SMEs) แพลตฟอร์มนี้ช่วยให้คุณเปลี่ยนจากรายงานที่กระจัดกระจายไปสู่การตัดสินใจในการดำเนินงาน ด้วยแดชบอร์ด การวิเคราะห์เชิงคาดการณ์ และข้อมูลเชิงลึกอัตโนมัติILLUMINATE THE FUTURE WITH AI.
.svg)
.svg)
.svg)
.jpg)
