Xu hướng

Trang chủ » » Big Data kết hợp với Machine Learning giúp doanh nghiệp có quyết định đúng đắn hơn (P1)

Big Data kết hợp với Machine Learning giúp doanh nghiệp có quyết định đúng đắn hơn (P1)

13/06/2018

Chuyên mục: Xu hướng In trang

Ngày nay, không ai có thể phủ nhận tầm quan trọng của machine learning và big data đối với các doanh nghiệp. Đây chính là hai nhân tố mở ra một cuộc cách mạng hóa hoạt động kinh doanh và tạo ra rất nhiều cơ hội mới.

Mặc dù machine learning được bắt đầu từ những năm 1950, nhưng phải đến tận thời điểm hiện tại mới có nhiều ứng dụng thực tế áp dụng nó với quy mô lớn hơn bao giờ hết. Big data, mặt khác, đã trở thành một hiện tượng vào năm 2013, sau đó người ta đã phát hiện ra rằng 90 phần trăm dữ liệu của thế giới đã được tạo ra từ hai năm trước.

Do đó, việc tạo ra dữ liệu vừa trở thành một thách thức cũng như một cơ hội. Dữ liệu lớn tạo ra cơ hội cho phép các doanh nghiệp đưa ra quyết định nhanh chóng và sáng suốt bằng cách cung cấp cho họ thông tin chi tiết về các tình huống ở các thị trường khác nhau và đảm bảo hiểu rõ hơn về hành vi và sở thích của người tiêu dùng.

Tuy nhiên, đáng chú ý giá trị của bản thân dữ liệu lớn là không nhiều. Để trở nên hữu ích, nó phải được vận hành bằng nhiều phương pháp phân tích mà không vượt quá khả năng cung cấp thông tin thống kê chi tiết.

Học máy đem lại lợi ích khi nó đi xa hơn khi nó cho thấy tiềm năng ẩn của dữ liệu lớn bằng cách xây dựng và triển khai các giải pháp cho các vấn đề kinh doanh phức tạp.

Dưới đây là một số cách thức kết hợp dữ liệu lớn với máy học nhằm cải thiện hiệu quả kinh doanh và cung cấp thêm ý tưởng cho chủ doanh nghiệp.

  1. Tạo điều kiện cho phân khúc khách hàng

Không có gì lạ khi các doanh nghiệp phân chia ra các nhóm khách hàng riêng biệt - mỗi nhóm bao gồm các cá nhân có chung các đặc điểm giống nhau - trong cơ sở dữ liệu khách hàng. Trong thực tế, xây dựng các nhóm như vậy là một bước quan trọng mà mọi doanh nghiệp nên thực hiện.

Ngày nay, thuật toán cụm máy học là một công cụ tuyệt vời giúp các doanh nghiệp thực hiện nhiệm vụ này. Nhiều thuật toán như vậy không được giám sát khi chúng không yêu cầu định hướng hoạt động đặc biệt của con người. Thay vào đó, thuật toán phân cụm không giám sát chỉ yêu cầu dữ liệu để phân tích những điểm tương đồng và khác biệt và tìm ra các cụm khác nhau dựa trên một số tính năng.

Vào năm 2009, Orbitz đã tạo ra một nhóm máy học để tạo điều kiện cho việc phân khúc, bên cạnh các mục đích khác. Ba năm sau, nó phát hiện ra một kết quả từ mô hình dữ liệu: Người dùng Mac sẵn sàng chi tiêu nhiều hơn 30 phần trăm mỗi đêm cho các phòng khách sạn, khi so sánh với người dùng Windows. Phát hiện này biến nó (Orbitz) trở thành một ứng dụng thực tế, giúp đặt nền tảng cho phân khúc cơ sở khách hàng của doanh nghiệp dựa trên xu hướng tương đối để gửi cho các khách sạn khác nhau.

Mọi doanh nghiệp đều có thể khai thác sức mạnh của máy học và dữ liệu lớn để phân khúc được khách hàng. Tuy nhiên, trước tiên, bạn cần phân tích xem việc phân khúc có đem lại lợi ích tiềm năng nào cho tổ chức hay không. Nếu bạn tin tưởng vào điều đó, thì công ty bạn cần đầu tư mạnh vào phân tích dữ liệu, máy học kinh doanh luôn sẵn sàng, và sau đó ứng dụng nó. Bạn cũng sẽ sớm nhận ra rằng, máy học sẽ không chỉ giúp bạn hiểu rõ dữ liệu một cách chính xác và hiệu quả mà còn giúp thực hiện các chiến lược kinh doanh cốt lõi.

  1. Biến mục tiêu trở nên khả thi và hiệu quả:

Cơ sở dữ liệu khách hàng của công ty bao gồm các nhóm khác nhau không bị trộn lẫn - bạn phải nghĩ ra phương pháp để đáp ứng nhu cầu của từng nhóm.

Orbitz đã phản hồi lại phát hiện đã nêu trước đó bằng các nhóm khách hàng mục tiêu khác nhau: các khách sạn đắt tiền hơn được hiển thị cho người dùng Apple. Khá hợp lý khi đề xuất rằng động thái này là một bước đi khôn ngoan, vì mục tiêu chiến lược như vậy sẽ đem lại lợi nhuận cao.

Mặt khác, đôi khi cần thiết để xem xét cơ sở của khách hàng bao gồm các cá nhân khác nhau với nhiều sở thích khác nhau chứ không chỉ là tập hợp các nhóm khác nhau. Quan điểm này có tính thực tế hơn rất nhiều giúp điều chỉnh sản phẩm phù hợp cho từng khách hàng dựa trên hành vi cụ thể của họ và sở thích nhận thức. Một lần nữa, máy học, dưới sự hỗ trợ của dữ liệu lớn, tạo điều kiện tốt hơn cho các doanh nghiệp thực hiện nhiệm vụ này.

Ví dụ như Google đã sử dụng dữ liệu lớn để phân tích rõ hơn sở thích của khách hàng và kết hợp nó với thuật toán phức tạp (máy học) để đưa ra kết quả được cho là có liên quan đến mọi truy vấn bạn thực hiện. Đây là lý do tại sao các lựa chọn trong quá khứ (ví dụ: các trang web bạn đã truy cập) sẽ tác động đến một số kết quả mà bạn được hiển thị.

Học máy và dữ liệu lớn cũng phá vỡ các cơ sở của hình thức quảng cáo nhắm đến các khách hàng mục tiêu. Ví dụ Pixar đã hướng các đối tượng khách hàng mục tiêu khác nhau của mình đến các quảng cáo phim khác nhau dựa trên sở thích đã được nghiên cứu. Netflix cũng ước tính rằng các thuật toán của họ đã tạo ra 1 tỷ đô la một năm về giá trị từ tỷ lệ giữ chân khách hàng nhờ  "Netflix addiction", chủ yếu được thúc đẩy bởi các khuyến nghị chính xác được lọc bởi cả bộ lọc sản phẩm và người dùng.

Nói cách khác, các chủ doanh nghiệp cần phải hiểu rằng việc phân khúc khách hàng mục tiêu khác nhau có ý nghĩa rất nhiều và việc máy học cá nhân hóa những dữ liệu đó chính là chìa khóa để cung cấp trải nghiệm tốt hơn cho người dùng. Giả sử bạn điều hành một doanh nghiệp thương mại điện tử, việc máy học có thể giúp bạn cá nhân hóa chiến dịch quảng cáo để mọi người chỉ nhìn thấy các sản phẩm có nhiều khả năng phù hợp nhất với nhu cầu của họ. Điều này chắc chắn sẽ giúp cải thiện hiệu quả quảng cáo và giúp gia tăng lợi nhuận bằng cách tăng doanh số bán hàng và thúc đẩy mối quan hệ với khách hàng. Một lần nữa, "Netflix Addiction" là một ví dụ cho thấy khối lượng về tiềm năng của việc phân khúc khách hàng mục tiêu nhờ máy học.

Thu Thủy

Lược dịch theo Entrepreneur

  




;

Văn bản gốc


;