Korzystając z przykładu rozwiązania AI do automatyzacji marketingu, po wybraniu wartościowych przypadków użycia zidentyfikowaliśmy, że można zbudować model przewidywania rezygnacji klientów. Pasuje to mocno do tradycyjnej sztucznej inteligencji (ML), ale to samo podejście można zastosować, gdyby technologia była generatywną sztuczną inteligencją. Pomijając szczegóły budowy takiego modelu, wydaje się, że działa on dobrze, ponieważ może z powodzeniem przewidzieć, czy klient prawdopodobnie zrezygnuje (nawet ocena wydajności modelu zależy od zastosowania biznesowego i należy to wcześniej uzgodnić z odpowiednimi interesariuszami). Zakładając, że kwestie inżynieryjne zostały pomyślnie rozwiązane, takie jak integracja z danymi i istniejącą infrastrukturą (wymagany wysiłek nigdy nie powinien być niedoceniany w projekcie), nadal musimy upewnić się, że taki model naprawdę wnosi wartość dodaną do biznesu.
Wracając do tematu naszego poprzedniego artykułu, chcemy również upewnić się, że nie pracujemy w próżni. Dlatego też, aby zapewnić, że efekt końcowy przyniesie pożądane i oczekiwane skutki, a nie będzie postrzegany jako rozwiązanie szukające problemu, konieczna jest dalsza współpraca ze starszymi interesariuszami i użytkownikami końcowymi, aby upewnić się, że tak się faktycznie stanie. W tym przypadku, po współpracy z odpowiednimi interesariuszami, sposobem na wniesienie wartości do firmy może być udostępnienie wyników modelu marketerom w firmie, aby mogli oni konkretnie kierować reklamy do osób, które prawdopodobnie zrezygnują z usług.
Jedną z kluczowych kwestii dla użytkowników wchodzących w interakcje z wynikami modeli ML jest zapewnienie, że są one dla nich przydatne. Na przykład, jest prawdopodobne, że zostaną one zintegrowane z jakimś rodzajem marketingowego interfejsu użytkownika, ale jaka byłaby użyteczna prezentacja danych? Prawdopodobieństwa od 0,0 do 1,0 raczej nie mają sensu i same w sobie nie będą wartościowe, ale co powiesz na wysokie/średnie/niskie, a nawet najwyższe N lub najwyższe N% najbardziej prawdopodobnych rezygnacji. Jak widać, decyzje muszą być podejmowane w trakcie całego procesu, w ścisłej współpracy z odpowiednimi interesariuszami, aby zapewnić, że projekt osiągnie użyteczny rezultat.
Przedstawienie wyników modelu marketerom w sposób, który jest dla nich użyteczny, dałoby nam sposób na zademonstrowanie wartości modelu i uzyskanie akceptacji ze strony użytkownika (co mogłoby następnie doprowadzić do dalszej automatyzacji lub wbudowania go w kompleksowe rozwiązanie). To doskonale ilustruje podwójną korzyść płynącą ze ścisłej współpracy z użytkownikami i starszymi interesariuszami, aby nie tylko zweryfikować wartość rozwiązania, ale także służyć jako punkt kontrolny, który może prowadzić do zwiększenia zakresu projektu lub większych inwestycji.
.webp "GFT Blog: Overview")