Organisatorische Lücken schließen, um maschinelles Lernen zu maximieren

Erfahren Sie, wie Sie Geschäftsanwender und die IT-Abteilung zusammenbringen, um das Beste aus Ihren Investitionen in maschinelles Lernen herauszuholen.

In diesem Jahr hat Peter Curran, General Manager of Digital Commerce bei Lucidworks, auf unserer jährlichen Konferenz Activate darüber gesprochen, wie maschinelles Lernen eingesetzt werden kann, um E-Commerce-Geschäftsabläufe zu skalieren und die Organisation zu vereinheitlichen. Curran erklärte, dass es bei vielen maschinellen Lernwerkzeugen ein kritisches Problem gibt: Sie trennen zwischen Geschäftsanwendern, die strategische Entscheidungen treffen, und technischen Experten, die Probleme beheben. Um das volle Potenzial von ML in Ihrem E-Commerce-Betrieb auszuschöpfen, müssen Geschäftsanwender und die Mitarbeiter, die die ML-Modelle verwalten, zusammenarbeiten.

Curran führt uns durch die Reifekurve der Suche, um die gemeinsame Entwicklung der ML-Modelle der meisten Unternehmen in den letzten 20 Jahren zu verstehen. Sie können sich die vollständige Präsentation unten ansehen.

Stufe Null: Einfache Suche

Haben Sie schon einmal nach etwas gesucht und die Website liefert Ihnen das falsche Ergebnis und Sie versuchen herauszufinden, wie Sie das Problem beheben können? In einem Unternehmen, das sich in der Phase Null befindet, besteht ein typischer Ansatz für ein solches Problem darin, einen Bericht mit ungültigen Ergebnissen zu erstellen, um herauszufinden, warum die Benutzer nicht finden, was sie brauchen.

Diese Berichte sind ein guter Anfang, aber sie bestätigen nur, dass Sie eine große Anzahl von Benutzern im Dunkeln tappen lassen. Letztendlich wollen wir, dass Unternehmen proaktiv handeln und Probleme wie ungültige Ergebnisse lösen, bevor die Menschen sie erleben.

Ein gängiger Ansatz zur proaktiven Problemlösung besteht darin, eine Reihe von Regeln zu erstellen, um möglichen Problemen zuvorzukommen. Ein Jahrzehnt lang den Überblick über manuell erstellte Regeln zu behalten, schafft ein unübersichtliches Netz für Suchteams. Die manuelle Abstimmung von Suchvorgängen nimmt nicht nur viel Zeit in Anspruch, sondern Sie müssen eine einmal manuell erstellte Kuratierungsregel auch im Laufe der Zeit pflegen. Wenn Sie Regeln erstellen, müssen diese skalierbar sein und sich an die sich ständig ändernden Begriffe und Suchanfragen anpassen können.

In Phase Null konzentrieren sich die meisten Plattformen auf Hauptanfragen, d.h. Begriffe, die eine breite Kategorie wie „Hosen“ definieren. Das Hauptproblem, auf das wir stoßen, ist, dass die Leute, die solche Suchanfragen stellen, eine geringe Kaufabsicht haben. Die Lösung? Richten Sie Ihre Plattform auf Schwanzanfragen aus, d.h. auf Suchanfragen, die spezifischer sind, wie z.B. „blaue Kordhosen“.

Stufe Eins: Benutzergesteuert

Viele Unternehmen, die versuchen, aus der Phase Null herauszuwachsen, setzen auf Blackbox-KI-Technologien. Es gibt unzählige dieser Optionen auf dem Markt, einige sind ziemlich gut und andere sehr billig. Auch wenn Sie mit Ihrer Blackbox-Plattform anfangs einen gewissen Aufschwung erleben, lassen Sie sich nicht täuschen. Diese Plattform wird mit der Zeit stagnieren und es nicht schaffen, weiter zu lernen und sich zu verbessern.

Viele KI-Projekte von Unternehmen scheitern, weil sie die zugrunde liegende Logik der Algorithmen nicht verstehen. Wenn KI in einer Blackbox gefangen ist, fühlen sich die Benutzer nicht in der Lage, die erforderlichen Änderungen vorzunehmen, und verstehen nicht, wie sie damit einen geschäftlichen Nutzen erzielen können. Mit erklärbarer KI haben unsere Fusion-Kunden die Kontrolle über die Algorithmen, die trainiert werden, und über die Daten, die verwendet werden, um bessere Geschäftsergebnisse zu erzielen.

Zweite Phase: Experimentierfreudig

Galilei sagte einmal: „Die Mathematik ist die Sprache der Natur“.

Curran sagt uns, dass „Signale die Sprache der Benutzer sind“.

Jedes Mal, wenn ein Benutzer eine Suche durchführt, auf einen Link klickt (oder nicht klickt), verschiedene Seiten besucht oder einen Kauf tätigt, gibt er Signale über seine Absicht ab. Diese digitalen Interaktionen, die in großem Umfang erfasst und in Echtzeit verarbeitet werden, bilden die Grundlage für personalisierte Erlebnisse für Kunden und Mitarbeiter.

Um die zweite Stufe der Reifekurve für die Suche zu erreichen, müssen Unternehmen nicht nur Signale erfassen, sondern auch über die folgenden Fähigkeiten verfügen:

• Führen Sie 1K Experimente pro Jahr durch
• Synonyme kuratieren
• AB-Tests
• Maschinengelerntes Ranking
• Erkennung von Abfrageabsichten
• Natürliche Sprachverarbeitung (NLP)
• Empfehlungen
• Omnikanal Personalisierung

Wenn Sie qualitativ hochwertige Daten sammeln, sie organisieren und in eine Produktentdeckungsplattform einspeisen, können Sie damit beginnen, Ihre Nutzer auf einer mathematischen oder Signalebene zu verstehen. Unternehmen müssen den Merchandiser mit den Motivationen der Kunden verbinden, um ML-Modelle für eine kontinuierliche Verbesserung zu erstellen.

Stufe 3: Horizontale Integration

Die Leute neigen dazu zu sagen : „Maschinelles Lernen? Das ist etwas für Techniker, die Geschäftsleute brauchen sich darum nicht zu kümmern.“ Curran glaubt, dass diese Aussage grundlegend falsch ist. Wenn der Geschäftsanwender die Produkte versteht, kann das gemeinsame Wissen der ML-Modelle und die Erkenntnisse aus den Kundensignalen zusammenwirken, um das digitale Erlebnis kontinuierlich zu verbessern. Hier sind einige Möglichkeiten, wie Unternehmen ihre Teams aufeinander abstimmen können:

Organisieren Sie die Arbeit in verschiedenen Teams

Organisieren Sie Ihre Mitarbeiter

• Organisieren Sie Ihre Mitarbeiter
• Hören Sie auf, sich in „IT-Seite“ und „Business-Seite“ zu organisieren.
• Organisieren Sie sich in agilen, funktionsübergreifenden Teams
• Kommunikation über Prozess
• Klare RACI für wichtige Aktivitäten
• Kunden-/Geschäftsorientiertes Denken
• Dekonstruieren Sie das Heldentum. Teams > helden

Priorisieren Sie Ihre Zeit

Sie müssen irgendwo anfangen. Führen Sie das Stück für Stück aus. Halbieren Sie. Dann wiederholen Sie es. Fragen Sie sich: Wie viele Experimente kann ich mir in einem Jahr maximal vorstellen? Was den Umgang mit den Daten angeht, sollten Sie geduldig sein. Es ist in Ordnung, wenn Sie Zahlen auf jährlicher oder vierteljährlicher Basis vorlegen.

Die Überbrückung der Kluft zwischen Geschäfts- und IT-Anwendern wird Ihrem Unternehmen zum Erfolg verhelfen. Sehen Sie sich hier die vollständige Activate-Sitzung von Peter Currans an .

Wenn Sie mehr darüber erfahren möchten, wie Sie Ihre E-Commerce-Aktivitäten optimal nutzen können, besuchen Sie unsere Produktentdeckungsseite hier.