Машинне навчання для бізнесу: п’ять задач, де модель на ваших даних окупається.
Машинне навчання (ML) часто здається інструментом для великих корпорацій. Насправді воно корисне там, де у вас уже є історія продажів, звернень чи документів, а рішення досі ухвалюють навздогад або вручну. Розбираємо, як упізнати таку задачу, які дані для неї потрібні і як перевірити користь ще до впровадження.
8 хв читання

ML простими словами: правила проти прикладів
Звичайна програма виконує правила, які хтось записав заздалегідь: якщо сума замовлення більша за певну, доставка безкоштовна. Такі правила точні й передбачувані, доки їх небагато.
Але є питання, на які правилом не відповіси. Скільки цементу продасться в березні? Цей лист про повернення чи про доставку? Тут допомагає машинне навчання: модель отримує багато прикладів із вашої історії й сама знаходить закономірності, які людині важко сформулювати. Що більше якісних прикладів, то точніше модель відповідає на нові випадки.

Як упізнати задачу для моделі
Задача підходить для машинного навчання, якщо про неї можна сказати все з цього переліку:
- Рішення повторюється. Його ухвалюють щодня чи щотижня: скільки замовити, кому передати лист, чи перевірити платіж. Разове рішення простіше ухвалити людині.
- Є історія з відповідями. Ви знаєте, скільки насправді продали, куди зрештою потрапив лист, яке повернення виявилося нечесним. На таких прикладах модель і вчиться.
- Правило не записати. Досвідчений менеджер вирішує з досвіду, але не може пояснити, як саме. Якщо може, спершу спробуйте записати його пояснення як правило.
- Помилку можна виправити. Зайвий мішок цементу чи лист не в тому відділі неприємні, але не фатальні. Там, де помилка незворотна, модель лише підказує, а вирішує людина.
П’ять задач, де модель окупається
Найчастіше машинне навчання корисне в п’яти типах задач. У кожній модель підказує, а рішення лишається за людиною.
- Прогноз попиту. Склад будматеріалів готується до сезону: цемент і щебінь із запасом заморожують гроші, а нестача в травні відправляє клієнтів до конкурента. Модель вивчає минулі сезони, акції й ціни і дає стартову цифру на кожну позицію разом із тим, наскільки вона впевнена.
- Класифікація звернень. Листи, повідомлення в Telegram і Viber, заявки з сайту одразу отримують тему й терміновість і йдуть до потрібного відділу. Звернення, щодо яких модель сумнівається, розбирає людина.
- Розпізнавання документів. Рахунки постачальників, накладні «Нової пошти» й акти потрапляють в облікову програму без ручного набору. Бухгалтер перевіряє заповнені поля, а модель позначає нечіткі скани й нетипові бланки.
- Рекомендації. Магазин інструментів бачить, що з перфоратором часто беруть бури й захисні окуляри, і пропонує їх у кошику. Для магазину з двома десятками товарів вистачить ручної добірки «з цим купують».
- Пошук аномалій. Покупець утретє за місяць оформлює повернення, платежі надходять з незвичною частотою, менеджер дає знижку, значно більшу за звичну. Модель нічого не блокує сама, а складає короткий список випадків, на які варто глянути людині.
Коли ML не потрібен
Якщо задачу розв’язує просте правило, звіт у Google Sheets чи фільтр у CRM, модель лише ускладнить систему. Щоб бачити, який товар закінчується, вистачить звіту із залишками й мінімальним запасом. Модель потрібна, коли треба передбачити, скільки продасться, а не порахувати, скільки лишилося.
Модель не допоможе й тоді, коли даних мало або вони хаотичні: продажі ведуть у трьох таблицях по-різному, а половина замовлень без дати. Спершу варто навести лад в обліку. Це корисно й саме по собі, а через сезон чи два з’являться дані, на яких модель уже можна навчати.
І ще один випадок: за підказкою моделі ніхто не збирається діяти. Прогноз, на який не дивиться менеджер із закупівель, нічого не змінює, хоч би яким точним він був.
Які дані потрібні
Перш ніж говорити про модель, варто чесно відповісти на кілька питань про дані:
- Чи є історія? Для прогнозу попиту потрібні продажі хоча б за два сезони, а разом із ними залишки: тиждень без товару на складі інакше виглядає як тиждень без попиту.
- Чи є правильні відповіді? Щоб навчити модель розбирати звернення, потрібні минулі звернення з позначеною темою чи відділом. Часто ці позначки вже є в CRM, просто ними ніхто не користувався.
- Де лежать дані? CRM, облікова програма, таблиці, вивантаження з Prom.ua чи Rozetka, архів пошти. Що більше джерел, то більше роботи, щоб звести їх разом.
- Наскільки вони чисті? Дублікати клієнтів, пропущені дати, той самий цемент під трьома назвами. Невелика частка помилок не завадить, а хаос у половині записів зробить модель марною.
- Чи можна їх використовувати? Персональні дані обробляємо за вимогами GDPR, а де можливо, знеособлюємо ще до навчання моделі. Для прогнозу попиту імена й телефони покупців зазвичай не потрібні взагалі.

Як перевірити користь до впровадження
Модель варто перевірити на ваших же даних ще до того, як вбудовувати її в робочі процеси.
- Аудит даних. Перевіряємо повноту, помилки й дублікати і чесно кажемо, чи даних достатньо. Буває й такий висновок: поки замало, ось що варто почати збирати.
- Проста основа. Записуємо, як задачу розв’язують зараз, і рахуємо найпростіший варіант: середнє за минулі сезони чи «як торік». Без цієї точки порівнювати нема з чим.
- Перевірка на історії. Навчаємо модель на давніших даних і перевіряємо на періоді, якого вона не бачила (відкладена вибірка). Наприклад, навчаємо на продажах до минулої осені й дивимося, чи вгадала б вона саму осінь.
- Порівняння в грошах. Ставимо результат моделі поруч із простою основою й перекладаємо різницю в гроші: менше залишків на складі, менше годин на ручний розбір.
- Рішення. Якщо модель не помітно краща за нинішній спосіб або виграш не покриває витрат, зупиняємося ще до інтеграції. Це теж корисний результат.
Що запитати в підрядника
Якщо модель для вас будує інша команда, ці питання покажуть, чи результат перевіряють, а не лише показують:
- На якому періоді перевіряли модель і чи бачила вона його під час навчання?
- З яким простим способом її порівнювали і наскільки вона краща за нього?
- Що відбувається, коли модель не впевнена, і хто отримує такі випадки?
- Як ви помітите, що точність падає, і що тоді зробите?
- Де працює модель і хто має доступ до наших даних?
- Що лишиться в нас після проєкту: код навчання, опис кожної версії моделі, документація?
Модель після запуску
Модель старіє. Змінюються ціни, постачальники, асортимент і поведінка клієнтів, тож прогноз, точний навесні, восени може помилятися. Інженери називають це дрейфом даних: світ змінився, а модель пам’ятає старий.
Тому після запуску модель потребує нагляду. Точність вимірюють на свіжих даних, а коли вона падає, модель перенавчають і порівнюють нову версію зі старою. Кожна версія має опис: на яких даних навчена, як перевірена і наскільки точна. Якщо нова версія гірша, повертаються до попередньої.
З чого почати самостійно
Ці кроки можна зробити ще до розмови з будь-яким підрядником:
- Оберіть одне рішення. Те, яке команда ухвалює щотижня на око: обсяг закупівлі, розподіл звернень, перевірка повернень.
- Запишіть, як рахуєте зараз. Хто вирішує, на що спирається і як часто результат розходиться з тим, що сталося насправді.
- Зберіть вивантаження. Усю історію, яка є, у тому вигляді, в якому вона є: таблиці, експорт із CRM чи облікової програми. Чистити заздалегідь не треба.
- Позначте прогалини. Періоди без даних, зміну облікової програми, перейменовані товари. Це заощадить час на аудиті даних.
Питання
Питання про машинне навчання.
Скільки даних потрібно, щоб почати?
Залежить від задачі. Для прогнозу попиту потрібна історія, яка охоплює сезонні коливання, для розбору звернень вистачить помітної кількості прикладів кожної теми. Точну відповідь дає аудит даних: він покаже, чи їх досить уже зараз або що варто почати збирати.
Чим це відрізняється від ChatGPT?
Мовні моделі добре працюють із текстом: відповідають у чаті, готують чернетки листів, стисло переказують документи. Власна модель вчиться на ваших цифрах і прикладах: продажах, зверненнях, платежах. Часто найкраще працює поєднання: мовна модель читає лист клієнта, а ваша модель прогнозує, скільки товару знадобиться.
Чи можна почати з таблиць, без CRM?
Так. Моделі добре навчаються на звичайних вивантаженнях із Google Sheets чи облікової програми. Важливо, щоб у таблицях були дати, однакові назви товарів і зрозумілі колонки.
Що, якщо модель помиляється?
Помиляється будь-яка модель, тому до запуску вимірюємо, як часто і в яких випадках. Для невпевнених випадків ставимо поріг: нижче нього рішення ухвалює людина. Після запуску стежимо, чи не зростає кількість помилок.
Хто вирішує, коли модель і менеджер не згодні?
Менеджер. Він знає те, чого немає в даних: велике замовлення від забудовника чи новий конкурент поруч. Такі розбіжності варто записувати, бо з них видно, чого моделі бракує.
Поговорімо
Подивімося, що можна зробити на ваших даних.
Розкажіть, які дані у вас уже є: продажі, звернення чи документи. На сторінці про ML-інжиніринг описано, як ми перевіряємо дані, будуємо модель і доглядаємо її після запуску.