<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by JURA FITZGERALD on Medium]]></title>
        <description><![CDATA[Stories by JURA FITZGERALD on Medium]]></description>
        <link>https://medium.com/@j_fitzgerald?source=rss-54c138c0cfba------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*c5hFOAqttf3o8nyJuPqa0w.jpeg</url>
            <title>Stories by JURA FITZGERALD on Medium</title>
            <link>https://medium.com/@j_fitzgerald?source=rss-54c138c0cfba------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Sun, 22 Nov 2026 16:39:20 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@j_fitzgerald/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Цифровизация предприятия: реалии и перспективы]]></title>
            <link>https://medium.com/hey-machine-learning/%D1%86%D0%B8%D1%84%D1%80%D0%BE%D0%B2%D0%B8%D0%B7%D0%B0%D1%86%D0%B8%D1%8F-%D0%BF%D1%80%D0%B5%D0%B4%D0%BF%D1%80%D0%B8%D1%8F%D1%82%D0%B8%D1%8F-%D1%80%D0%B5%D0%B0%D0%BB%D0%B8%D0%B8-%D0%B8-%D0%BF%D0%B5%D1%80%D1%81%D0%BF%D0%B5%D0%BA%D1%82%D0%B8%D0%B2%D1%8B-b5e663486da3?source=rss-54c138c0cfba------2</link>
            <guid isPermaLink="false">https://medium.com/p/b5e663486da3</guid>
            <category><![CDATA[big-data]]></category>
            <category><![CDATA[бизнес-процессы]]></category>
            <category><![CDATA[машинное-обучение]]></category>
            <dc:creator><![CDATA[JURA FITZGERALD]]></dc:creator>
            <pubDate>Wed, 06 Sep 2017 14:30:14 GMT</pubDate>
            <atom:updated>2017-09-06T14:43:46.065Z</atom:updated>
            <content:encoded><![CDATA[<p><strong>Цифровое общество начала XXI столетия</strong></p><p>Ранее в нашем блоге мы уже писали, что такое <a href="https://blog.heyml.com/%D1%82%D0%B8%D1%85%D0%B0%D1%8F-%D1%80%D0%B5%D0%B2%D0%BE%D0%BB%D1%8E%D1%86%D0%B8%D1%8F-%D1%83%D0%BC%D0%BD%D1%8B%D1%85-%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85-aad6485f144b">цифровая революция</a>. Прямо сейчас мы переживаем переход в новую эпоху. Цифровые устройства окружают нас повсеместно: компьютеры и портативная электроника, смартфоны и сотовая связь, банкоматы и терминалы самообслуживания, кассы, в том числе самообслуживания, в супермаркетах, бортовой компьютер в автомобиле и прочее. И с каждым годом перечень цифровых и “умных” девайсов растет.</p><p>На рынке появляется масса потребительских устройств, таких как смарт-техника (холодильники, чайники, осветительные приборы), health-девайсы (браслеты, термометры, измерители pH), охранные системы (которые позволяют дистанционно управлять целыми зданиями, контролировать вход-выход по электронным ключам, а также время пребывания в помещении, просматривать записи с камер видеонаблюдения) и т.д. Все эти и другие виды электроники построены на базе <a href="https://blog.heyml.com/%D0%BD%D1%83%D0%BB%D0%B8-%D0%B8-%D0%B5%D0%B4%D0%B8%D0%BD%D0%B8%D1%86%D1%8B-%D0%BA%D0%B0%D0%BA-%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%B0%D0%B5%D1%82-%D1%86%D0%B8%D1%84%D1%80%D0%BE%D0%B2%D0%B0%D1%8F-%D1%82%D0%B5%D1%85%D0%BD%D0%B8%D0%BA%D0%B0-ddd1042a266a">цифровых технологий</a>.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*k4F2oXV76YBWoEjn7SlCiw.jpeg" /><figcaption>Иллюстрация: <a href="https://www.shutterstock.com/g/Bloomicon">Bloomicon</a> / <a href="https://www.shutterstock.com/">Shutterstock</a></figcaption></figure><p>Диджитал (от англ. digital — цифра) продолжает плотно входить в нашу жизнь. Диджитализация (также цифровизация) — это процесс оцифровки информации (документация, фото-, видео-, аудиоматериалы) для ее дальнейшего хранения и/или распространения. Диджитализация позволяет хранить и обрабатывать большие объемы данных, упрощая работу с ними.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/970/1*BHBpVhNA28qwHiyzzywg0g.png" /><figcaption>Иллюстрация: <a href="https://www.xerox.com/">Xerox</a></figcaption></figure><p>Диджитализация может стать мощным инструментом в развитии бизнеса. Так, например, совмещая информацию о местоположении пользователя и его предпочтениях, туроператоры могут предложить тур, который с высокой степенью вероятности ему подойдет. На финансовых биржах давно уже используют ботов для торговли ценными бумагами. Как показывает практика, они справляются с этой задачей лучше людей. Пока боты лишь дают рекомендации и прогнозируют рыночные колебания, однако, возможно в скором будущем процесс купли-продажи биржевых товаров перейдет на бот-платформу.</p><p>Цифровые технологии применимы в большинстве, если не во всех, отраслях мировой экономики: тяжелое и легкое производство, энергетика, медицина, сфера услуг, государственный сектор и т.д.</p><h3><strong>Диджитал-трансформация современного бизнеса</strong></h3><p>Поддержание конкурентоспособности любого бизнеса требует постоянной модернизации, адаптации и развития. И на сегодняшний день ряд предпринимателей допускают одну и ту же ошибку: медленная адаптация под реалии рынка. Бизнесу нельзя игнорировать тенденции, которые на данный момент формируются и набирают обороты: большие данные, машинное обучение, нейронные сети, интернет вещей и т.д. Все эти и другие современные инструменты основаны на использовании <a href="https://blog.heyml.com/%D0%BD%D1%83%D0%BB%D0%B8-%D0%B8-%D0%B5%D0%B4%D0%B8%D0%BD%D0%B8%D1%86%D1%8B-%D0%BA%D0%B0%D0%BA-%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%B0%D0%B5%D1%82-%D1%86%D0%B8%D1%84%D1%80%D0%BE%D0%B2%D0%B0%D1%8F-%D1%82%D0%B5%D1%85%D0%BD%D0%B8%D0%BA%D0%B0-ddd1042a266a">цифровых технологий</a>.</p><p>Большие данные позволяют сократить издержки на производство, рекламу, реализацию продукта, а также повысить производительность труда и улучшить коммуникации между отделами на фирме. Использование алгоритмов машинного обучения, включая нейронные сети и глубокое обучение, способствует повышению лояльность клиентов и росту продаж. И это лишь краткий перечень возможностей, которые открывают для бизнеса современные технологии.</p><p>Скорость реакции на изменения рынка и применение инноваций на практике позволяют компаниям идти в ногу со временем и развиваться, максимально учитывая нужды потребителя. Чтобы оставаться в тренде и зарекомендовать себя как диджитал-компания, бизнесу необходимо следовать четырем ключевым правилам:</p><ol><li>Выстроить современную модель общения с потребителем.</li><li>Отслеживать деятельность конкурентов.</li><li>Работать с данными.</li><li>Наладить устойчивые внутренние коммуникации.</li></ol><h3><strong>Общение с потребителями</strong></h3><p>Для понимания своей целевой аудитории и эффективного взаимодействия с ней, бизнесу нужно внедрять инструменты аналитики, прогнозирования и адаптации. В XXI веке культура потребления стремительно меняется и организациям необходимо быстро адаптироваться под новые реалии, чтобы в нужном месте, в нужное время предоставить нужный товар или услугу своему потребителю.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/1*6sVAvsb25eKLI7rvf8UyDg.png" /><figcaption>Иллюстрация: <a href="https://www.shutterstock.com/">Shutterstock</a></figcaption></figure><h3><strong>Конкурентная среда</strong></h3><p>В цифровую эпоху особое внимание следует уделять анализу деятельности конкурентов, их поведения и, как следствие, действовать на опережение. Следует поддерживать компанию в ритме технологического развития и внедрять новые инструменты для устойчивого положения на рынке.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*HDMjXhgFyQSV0utsJo53Jw.jpeg" /><figcaption>Иллюстрация: <a href="https://www.lynda.com/">Lynda.com</a></figcaption></figure><h3><strong>Работа с данными</strong></h3><p>На сегодняшний день существует огромное количество открытых наборов инструментов интеграции для внедрения необходимых технологий в бизнес-процессы. Эти инструменты позволяют использовать наборы готовых решений, которые можно внедрить в работу всех отделов организации, объединив их в единый механизм.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1000/1*3QnlTLRR2X8_Y8SZD8if-Q.jpeg" /><figcaption>Иллюстрация: <a href="https://www.shutterstock.com/">Shutterstock</a></figcaption></figure><h3><strong>Внутренние коммуникации</strong></h3><p>На всех уровнях организационной структуры предприятия бОльшая часть информации должно быть общедоступной. Это влияет на скорость и качество принятия решений. Часто случается, что руководство компании не осведомлено о том, что происходит на производстве, или в других департаментах, что может привести к принятию неадекватного решения, и как следствие — снижение бизнес-показателей.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/886/1*DLRAUN73izPpZ7-ZV6qs8A.jpeg" /><figcaption>Иллюстрация: <a href="https://it.123rf.com/profile_wittaya123">Wittaya Jitchatree</a> / <a href="https://it.123rf.com/">123RF</a></figcaption></figure><p>Многие компании, от малых до транснациональных, на протяжении нескольких лет успешно используют <a href="https://blog.heyml.com/%D0%BD%D1%83%D0%BB%D0%B8-%D0%B8-%D0%B5%D0%B4%D0%B8%D0%BD%D0%B8%D1%86%D1%8B-%D0%BA%D0%B0%D0%BA-%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%B0%D0%B5%D1%82-%D1%86%D0%B8%D1%84%D1%80%D0%BE%D0%B2%D0%B0%D1%8F-%D1%82%D0%B5%D1%85%D0%BD%D0%B8%D0%BA%D0%B0-ddd1042a266a">цифровые технологии</a> в операционной деятельности. Так Walmart — один из лидеров ритейла в США — постоянно внедряет инновационные инструменты машинного обучения, интернета вещей и больших данных, благодаря чему последние несколько лет занимает 2-ю позицию в списке крупнейших компаний электронной коммерции в Штатах.</p><p>Недавно Walmart запустил услугу Pick-up Towers в некоторых своих магазинах, которые представляют собой киоски размером 5х3м, удобно расположенные у входа в супермаркет, в которых выдают онлайн-заказы. Покупателю требуется всего лишь просканировать штрих-код из онлайн-квитанции и в течении 45 секунд приобретенные им продукты появятся на конвейерной ленте. Клиенты сети оставляют положительные отзывы о данной услуге. Еще в компании намерены повысить качество обслуживания клиентов с помощью услуги “Scan and Go”. В супермаркете с помощью смартфона покупатели могут просканировать и оплатить товары, сэкономив время на очереди в кассу и оплату классическим способом. Подобный механизм использует в своих оффлайн-магазинах компания Amazon: на входе в магазин покупатель сканирует код с помощью смартфона, выбирает товары и покидает супермаркет. Система, основанная на машинном обучении и компьютерном зрении, самостоятельно распознает приобретенные товары, а позже списывает деньги со счета покупателя.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*zY_nkI--eoDLL4Qh0hcIzQ.jpeg" /><figcaption>Фото: <a href="https://www.youtube.com/channel/UCkLXELm63_pH7L-r-548kig">Amazon</a> / <a href="https://www.youtube.com/">YouTube</a></figcaption></figure><p>Последние годы интернет торговля набирает обороты, однако, цифровые технологии позволяют оффлайн-ритейлу удерживать свою аудиторию за счет внедрения инструментов диджитализации, что видно из примеров Walmart и Amazon. Кстати, вторые с 1994 года продавали товары исключительно в сети интернет, а первый продуктовый магазин Amazon Go появился в Сиэтле (США) лишь в начале 2017 года. Это означает, что физические магазины и маркеты в обозримом будущем никуда не денутся, однако, они станут на порядок технологичнее.</p><h3><strong>Перспективы мира “цифры”</strong></h3><p>Сегодня можно с полной уверенностью говорить, что <a href="https://blog.heyml.com/%D1%82%D0%B8%D1%85%D0%B0%D1%8F-%D1%80%D0%B5%D0%B2%D0%BE%D0%BB%D1%8E%D1%86%D0%B8%D1%8F-%D1%83%D0%BC%D0%BD%D1%8B%D1%85-%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85-aad6485f144b">цифровая эпоха</a> уже наступила и ближайшие десятилетия будет активно развиваться. По оценкам экспертов, области информационных технологий к 2025 году более 80% населения Земли будет иметь доступ к интернету, из них 75% — через мобильные устройства. Интернет вещей раскроет бОльшую часть своего потенциала, а блокчейн-технологии укоренятся в самых разных сферах деятельности человека.</p><p>Потребители становятся более требовательны. Благодаря таким компаниям, как Apple или Amazon, они ожидают что любая организация будет предоставлять свои услуги быстро, качественно и без проблем. Однако, на практике все далеко не так. Чтобы удовлетворить высокие ожидания клиентов, компании должны ускорить процесс оцифровки своего бизнеса. Они должны упростить весь бизнес-процесс, включая сокращение количества необходимых шагов, сокращение количества документов, разработку автоматизированных решений и т.д. Эксплуатационные модели, навыки, организационные структуры и роли необходимо переделать в соответствии с новыми процессами. Модели данных должны быть скорректированы и перестроены, чтобы обеспечить процесс принятия адекватных решений, увеличение производительности труда и повышение лояльности клиентов. Оцифровка часто требует сочетания классических методов работы с новыми профессиональными навыками, например, обучить HR-специалиста работать с цифрами и данными для эффективного подбора персонала. Могут потребоваться и новые роли, такие как трендвотчер, дизайнер интерфейсов и т.д.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/870/1*I2iHwz_O1gtWEKdOTshZQQ.jpeg" /><figcaption>Фото: <a href="http://www.tesom.com/">www.tesom.com</a></figcaption></figure><p>Преимущества диджитализации огромны: путем оцифровки процессов с интенсивным использованием информации затраты могут быть сокращены до 90%, а время обработки — в несколько раз. Например, один британский банк при оформлении ипотеки оцифровал процесс принятия решения о выдаче кредита. В результате, расходы на новый ипотечный кредит сократились на 70%, а время до предварительного одобрения — от нескольких дней до одной минуты.</p><p>Кроме того, замена бумажных и ручных процессов программным обеспечением позволяет компаниям не только автоматизировать, но и, как следствие, оптимизировать деятельность внутри компании. Также использование цифровых технологий позволяет автоматически собирать данные, которые в последующем можно использовать для повышения производительности труда, оптимизации затрат и минимизации рисков. Отчетность в режиме реального времени позволяет менеджерам решать проблемы до того, как они станут критическими.</p><p>Компании, которые оцифровывают свои бизнес-процессы, могут повысить свою конкурентоспособность и увеличить количество продаж за счет привлечения новых потребителей. Все зависит от бизнес-модели и начальной точки трансформации. И чем быстрее это произойдет — тем выше вероятность быстрого роста качества услуг, лояльности клиентов и чистой прибыли.</p><figure><img alt="" src="https://cdn-images-1.medium.com/proxy/0*KCEbZai-4dWMfj5Z." /><figcaption>Иллюстрация: <a href="https://www.shutterstock.com/g/Artram">Artram</a> /<a href="https://www.shutterstock.com/"> Shutterstock</a></figcaption></figure><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=b5e663486da3" width="1" height="1" alt=""><hr><p><a href="https://medium.com/hey-machine-learning/%D1%86%D0%B8%D1%84%D1%80%D0%BE%D0%B2%D0%B8%D0%B7%D0%B0%D1%86%D0%B8%D1%8F-%D0%BF%D1%80%D0%B5%D0%B4%D0%BF%D1%80%D0%B8%D1%8F%D1%82%D0%B8%D1%8F-%D1%80%D0%B5%D0%B0%D0%BB%D0%B8%D0%B8-%D0%B8-%D0%BF%D0%B5%D1%80%D1%81%D0%BF%D0%B5%D0%BA%D1%82%D0%B8%D0%B2%D1%8B-b5e663486da3">Цифровизация предприятия: реалии и перспективы</a> was originally published in <a href="https://medium.com/hey-machine-learning">Hey Machine Learning</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Как использование МО может повлиять на бизнес?]]></title>
            <link>https://medium.com/hey-machine-learning/%D0%BA%D0%B0%D0%BA-%D0%B8%D1%81%D0%BF%D0%BE%D0%BB%D1%8C%D0%B7%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5-%D0%BC%D0%BE-%D0%BC%D0%BE%D0%B6%D0%B5%D1%82-%D0%BF%D0%BE%D0%B2%D0%BB%D0%B8%D1%8F%D1%82%D1%8C-%D0%BD%D0%B0-%D0%B1%D0%B8%D0%B7%D0%BD%D0%B5%D1%81-1c2f4ae5da07?source=rss-54c138c0cfba------2</link>
            <guid isPermaLink="false">https://medium.com/p/1c2f4ae5da07</guid>
            <category><![CDATA[большие-данные]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[искусственный-интеллект]]></category>
            <category><![CDATA[машинное-обучение]]></category>
            <dc:creator><![CDATA[JURA FITZGERALD]]></dc:creator>
            <pubDate>Wed, 30 Aug 2017 14:50:34 GMT</pubDate>
            <atom:updated>2017-08-30T15:34:10.541Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/900/1*k5c4cyGpR1bAVZv1Ljweig.jpeg" /></figure><p>Экспоненциальный рост объема цифровых данных, с которыми работает бизнес, требует мощных средств для их анализа, интеграции, управления с целью снижения рисков, повышения эффективности, достижения экономии на операционных расходах, лучшего понимания потребности клиентов и реализации потенциальных конкурентных преимуществ.</p><p>Рассмотрим более конкретно самые распространенные преимущества внедрения в работу компаний алгоритмов МО:</p><ul><li>Оптимизация и улучшение пользовательского контента за счет фильтрации самообучающимися алгоритмами, что позволяет предоставлять пользователям более интересный, полезный и структурированный контент.</li><li>Быстрое отслеживание поведения покупателей и увеличение их удовлетворенности за счет анализа действий потребителя, что дает возможность создавать новые схемы взаимодействия между компаниями и покупателями, позволяющие снизить расходы (на рекламу, например) и увеличить выручку или средний чек.</li><li>Прогнозирование конечных результатов и выработка рекомендаций с использованием методов углубленной и предсказательной аналитики, что позволяет управлять процессами притока и оттока клиентов, покупательскими жизненными циклами и так далее.</li><li>Автоматизация бизнес-процессов при помощи алгоритмов МО дает возможность увеличить скорость, качество и объемы работы, сократить затраты и сэкономить время. Здесь очень многое зависит от верной постановки задач. Для производственных предприятий вполне достижима 3–5% экономия на техпроцессе, оптимизация расходования сырья, снижение брака. Применяя МО для более эффективного таргетирования и персональных релевантных рекомендаций, компании получают определенное конкурентное преимущество.</li><li>Автоматизация систем поддержки принятия решений за счет внедрения в работу предприятия комплекса аппаратных и программных средств, что позволяет лучше и эффективнее использовать операционные данные, прогнозировать тенденции и будущие возможности. Одним из вариантов реализации данного преимущества является возможность оперативно создавать и внедрять полнофункциональные прогнозные модели относительно обоснованности принимаемых решений по выбору направления развития предприятия, сохранения и увеличения позиции на рынке и рыночной доли, предотвращения потерь и снижению издержек, а также поддержания и повышения конкурентоспособности.</li></ul><p>МО стремительно становится основной из сил, формирующих будущее бизнес-структур. Оно приведет к появлению новых мощных платформ и изменит сами принципы работы компаний и организаций.</p><p>Покупки через виртуального посредника, цифровые платформы, как основной актив компаний, чат-боты вместо мобильных приложений — это лишь небольшой список трендов ближайшего будущего. К тому же, если верить предположениям аналитиков IDC (International Data Corporation), то в 2017 году более половины инвестиций будет направлено на инновации в операционных моделях. На втором месте — поддержка взаимодействия с клиентами, партнерами и сотрудниками, а также персонализация товаров и услуг. Объем продаж товаров и услуг, предназначенных для реализации проектов цифровой трансформации превысит 1,2 трлн долл.</p><p>Наблюдая переход от информационной эры к цифровой, учитывая вышеперечисленные тенденции, большинство компаний сегодня поспешно заявляют, что свободно владеют данными и являются data-driven (ориентированные на данные) компаниями. Однако такие заявления зачастую поспешны.</p><p>Когда компания создает множество отчетов, и даже структурированных и содержащих в себе полезную информацию, все равно по своей сути они являются ретроспективными. Исходя их них, можно видеть, что было, но не находить ответа на вопрос “почему” и “что с этим делать”. Панели индикаторов, также как и отчеты, описывают произошедшие события, но не предоставляют достаточно информации о контексте. Конечно, и отчеты, и панели важны для любой организации, однако они не делают ее data-ориентированной (data-driven).</p><p>Дата-ориентированной компании необходимо использовать аналитику, нацеленную на будущее. Аналитика должна оказывать влияние на направление, в котором движется компания, и вносить вклад в общий результат. После проведения аналитики компания должна иметь возможности прогнозирования, оптимизации и моделирования сценариев “что если”, “что дальше”, “кто” и “почему”.</p><p>Быть data-ориентированной компанией — это быть современной компанией, знающей возможности и перспективы развития своего бизнеса. Глубинный анализ данных (data mining), машинное обучение (machine learning), симуляции и оптимизации позволяют компаниям более точно прогнозировать конечные результаты, вычислять признаки вероятных тенденций и паттернов в данных, вырабатывать рекомендации. Исходя из отчета Gartner, к 2018 году большинство компаний по всему миру будут использовать методики углубленной аналитики ради сохранения собственной конкурентоспособности.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=1c2f4ae5da07" width="1" height="1" alt=""><hr><p><a href="https://medium.com/hey-machine-learning/%D0%BA%D0%B0%D0%BA-%D0%B8%D1%81%D0%BF%D0%BE%D0%BB%D1%8C%D0%B7%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5-%D0%BC%D0%BE-%D0%BC%D0%BE%D0%B6%D0%B5%D1%82-%D0%BF%D0%BE%D0%B2%D0%BB%D0%B8%D1%8F%D1%82%D1%8C-%D0%BD%D0%B0-%D0%B1%D0%B8%D0%B7%D0%BD%D0%B5%D1%81-1c2f4ae5da07">Как использование МО может повлиять на бизнес?</a> was originally published in <a href="https://medium.com/hey-machine-learning">Hey Machine Learning</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Типы машинного обучения]]></title>
            <link>https://medium.com/hey-machine-learning/%D1%82%D0%B8%D0%BF%D1%8B-%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE-%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8F-c2fb88443a49?source=rss-54c138c0cfba------2</link>
            <guid isPermaLink="false">https://medium.com/p/c2fb88443a49</guid>
            <category><![CDATA[искусственный-интеллект]]></category>
            <category><![CDATA[машинное-обучение]]></category>
            <dc:creator><![CDATA[JURA FITZGERALD]]></dc:creator>
            <pubDate>Sat, 26 Aug 2017 14:53:31 GMT</pubDate>
            <atom:updated>2017-08-26T14:53:31.008Z</atom:updated>
            <content:encoded><![CDATA[<blockquote><em>“Если вы не можете измерить что-то, то вы не можете это улучшить” </em>Лорд Келвин</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*zEsFF6p6fojW97mlH_jiRg.png" /></figure><p>Данные, которые собираются компаниями, становятся полезными только когда превращаются в структурированную информацию. Чтобы стать информацией, накопленные данные должны быть проанализированы и визуализированы.</p><p>Идея о том, что в больших базах накопленных данных при помощи специальных алгоритмов возможно найти новые, нетривиальные, полезные знания и ранее неизвестные закономерности, дала толчок развитию многих отраслей науки и технологий. Одной из таких отраслей является машинное обучение (МО).</p><p>Если говорить о более формальном определении, то МО — это подраздел искусственного интеллекта (ИИ), изучающий алгоритмы, способные обучаться самостоятельно, без необходимости непосредственно программировать их для решения конкретной задачи.</p><p>МО разделяется на несколько типов:</p><ol><li>Обучение с учителем (обучение по прецедентам) — на подмножестве рассматриваемых объектов известны ответы для каждого из них. Учителем, обычно, называют обучающую выборку пар объект-ответ. Задачей такого обучение является нахождение закономерности, согласно которой можно найти ответ для любого объекта.</li><li>Частичное обучение — при частичном обучении большая часть ответов неизвестна.</li><li>Активное обучение — очень похоже на обучение с учителем с той разницей, что ответы изначально неизвестны. Основная идея состоит в том, что алгоритм сам может обучаться на малых выборках, если он сам выбирает какие данные ему нужны. То есть алгоритм составляет запросы, ответы на которые помогают ему обучаться.</li><li>Стимулируемое обучение (обучение с подкреплением) — в этом случае правильных ответов не существует, а алгоритм пытается найти оптимальную стратегию.</li><li>Обучение без учителя — алгоритм ищет не пары объект-ответ, а связи между объектами.</li></ol><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=c2fb88443a49" width="1" height="1" alt=""><hr><p><a href="https://medium.com/hey-machine-learning/%D1%82%D0%B8%D0%BF%D1%8B-%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE-%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8F-c2fb88443a49">Типы машинного обучения</a> was originally published in <a href="https://medium.com/hey-machine-learning">Hey Machine Learning</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Рекомендательные системы сегодня –необходимость для бизнеса]]></title>
            <link>https://medium.com/hey-machine-learning/%D1%80%D0%B5%D0%BA%D0%BE%D0%BC%D0%B5%D0%BD%D0%B4%D0%B0%D1%82%D0%B5%D0%BB%D1%8C%D0%BD%D1%8B%D0%B5-%D1%81%D0%B8%D1%81%D1%82%D0%B5%D0%BC%D1%8B-%D1%81%D0%B5%D0%B3%D0%BE%D0%B4%D0%BD%D1%8F-%D0%BD%D0%B5%D0%BE%D0%B1%D1%85%D0%BE%D0%B4%D0%B8%D0%BC%D0%BE%D1%81%D1%82%D1%8C-%D0%B4%D0%BB%D1%8F-%D0%B1%D0%B8%D0%B7%D0%BD%D0%B5%D1%81%D0%B0-41c1c9109988?source=rss-54c138c0cfba------2</link>
            <guid isPermaLink="false">https://medium.com/p/41c1c9109988</guid>
            <dc:creator><![CDATA[JURA FITZGERALD]]></dc:creator>
            <pubDate>Tue, 22 Aug 2017 18:39:24 GMT</pubDate>
            <atom:updated>2017-08-22T18:40:12.920Z</atom:updated>
            <content:encoded><![CDATA[<blockquote><em>Рекомендательные системы — это большой класс моделей, цель которых повысить бизнес-показатели за счет релевантных рекомендаций пользователю в правильном месте, в правильное время и через правильный канал коммуникации.</em></blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/450/1*E-2j9t1vN0ZAJNRGCE5MRA.jpeg" /></figure><p>Ежедневно миллионы людей заняты поиском в интернете: кто-то ищет фильмы или одежду, кто-то — машину или турпутевку,– и все пользователи объединены одной целью: найти то, что нужно. Если в прошлом веке о появлении новых товаров узнавали из почтовых рассылок, затем этот процесс ускорился в десятки (а то и сотни) раз за счет появления сначала телевидения, а затем и интернета.</p><p>А в последние год-два одним из ведущих трендов в усовершенствовании самых разных поисковых систем становится применение алгоритмов машинного обучения (что такое машинное обучение читайте в нашей первой статье из цикла Hey, Machine Learning!). Как дополнение к процессу самостоятельного поиска (среди миллионов наименований всевозможных товаров и услуг), на ресурсах стали появляться рекомендательные системы, которые предсказывают что именно было бы интересно данному пользователю. Такие рекомендательные алгоритмы в процессе своей работы постоянно дообучаются, адаптируются и трансформируются, со временем все лучше понимая пользователя, и в результате своего функционирования 50% и более рекомендованных товаров или услуг в той или иной степени удовлетворяют поисковым запросам пользователей.</p><p><strong>ЧТО ТАКОЕ РЕКОМЕНДАТЕЛЬНЫЕ СИСТЕМЫ</strong></p><p>Рекомендательные системы — это комплексы алгоритмов, программы и сервисы, основная задача которых предсказать, какие объекты (товары или услуги) будут интересны пользователю, имея информацию о его профиле либо иные данные.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/900/1*2VdCoymS4EptMvIOIbiR1Q.png" /></figure><p>Существует 4 типа рекомендательных систем:</p><ol><li>Коллаборативная фильтрация (Collaborative Filtering) — рекомендации основаны на истории оценок как самого пользователя, так и других пользователей. Этот подход обладает теоретически высокой точностью, но при этом имеет одну немаловажную проблему — высокий порог входа.</li><li>Основанные на контенте (content-based) — рекомендации основаны на данных, собранных о каждом конкретном товаре. Пользователю рекомендуются объекты, похожие на те, которыми он ранее интересовался либо уже приобретал. Похожесть оценивается исходя из содержимого объектов. Большой плюс — возможность заинтересовать нового пользователя предложениями с первых потребительских шагов. Для этого не нужно долго собирать данные о предпочтениях, а можно сразу включить потребителя в работу с ресурсом. Возможно рекомендовать даже те объекты, которые не получили оценку других пользователей. Основные недостатки — сильная зависимость от предметной области, снижение точности и ограниченность полезности рекомендаций.</li><li>Основанные на знаниях (knowledge-based) — рекомендации основаны на знаниях о предметной области (а не о каждом товаре). Такой тип рекомендаций имеет высокую точность, предлагая пользователю то, что ему нужно. Кроме этого, система изучает и анализирует взаимосвязи между объектами, учитывает ряд дополнительных опций, относящихся к индивидуальным свойствам конкретного пользователя. К таким свойствам относятся пользовательские пожелания (к примеру, их использует Яндекс.Маркет) и демографические особенности (исходные данные, которые используют крупнейшие социальные сети, такие как Facebook, LinkedIn, Вконтакте и другие). Основной минус — сложность разработки и сбора данных.</li><li>Гибридные (hybrid) — рекомендации основаны на комбинировании коллаборативных и контентных подходов, что позволяет избежать большинства недостатков, свойственных каждой системе.</li></ol><p>В гибридных рекомендательных системах встречаются следующие типы комбинирования:</p><p>– реализация по отдельности коллаборативных и контентных алгоритмов и объединение их предположений;</p><p>– включение некоторых контентных правил в коллаборативную методику;</p><p>– включение некоторых коллаборативных правил в контентную методику;</p><p>– построение общей модели, включающей в себя правила обеих методик.</p><p>Основной недостаток — сложность разработки.</p><p><strong>ПРИНЦИП РАБОТЫ РЕКОМЕНДАТЕЛЬНЫХ СИСТЕМ И СФЕРЫ ПРИМЕНЕНИЯ</strong></p><p>Задачи рекомендательных систем просты и понятны — применяются для предложения клиенту тех продуктов или услуг, которые с высокой степенью вероятности его заинтересуют.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/900/1*igleJfm4hzwkw1Hz9dtLiA.png" /></figure><p>Рекомендательные системы работают на двух “уровнях”:</p><p><strong>1 уровень </strong>— это глобальные оценки; особенности и предпочтения, которые изменяются очень медленно; интересные страницы; зависимость от характерных пользовательских черт, таких как пол, место проживания и т.д.;</p><p><strong>2 уровень </strong>— кратковременные тренды и быстрые изменения интереса во времени.</p><p>Для составления качественных рекомендаций используется явный или неявный сбор данных:</p><ul><li>при явном сборе от пользователя необходимо получить заполненные анкеты для выявления предпочтений. Недостаток метода в том, что достаточно сложно заставить пользователя поставить оценку.</li><li>при неявном сборе протоколируются действия пользователя: что пользователь посмотрел, какой товар добавлен в корзину, что прокомментировал, какую покупку совершил. Составление рейтингов происходит автоматически. Недостаток метода — неопределенность: если пользователь посмотрел товар, не известно, понравился он ему или нет; если пользователь не купил товар — то опять же неизвестно, чем было обусловлено такое решение.</li></ul><p>Также возможен вариант комбинирования двух подходов: если нет транзакционной истории — используются опросы, когда же она появляется — начинают учитывать и транзакции.</p><p>Сферы применения рекомендательных систем разнообразны: поиск фильмов, музыки, научных статей, розничная торговля, социальные сети, электронная коммерция, онлайн банкинг и т.д.</p><p>Пожалуй, одним из самых широкоизвестных примеров внедрения и использования рекомендательных систем является компания Netflix — поставщик видеоконтента на условиях аренды и в виде потокового сервиса.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/900/1*qAtj3o2CKeNpvC62bL4AFQ.jpeg" /></figure><p>Компания начинала с того, что рассылала клиентам по подписке VHS-кассеты и DVD. Пользователь смотрел и отправлял диски обратно, получал следующие. Для Netflix было важно повысить качество рекомендаций. Чем лучше Netflix рекомендует пользователям фильмы, тем больше фильмов берут в прокат. Соответственно, растет и прибыль компании.</p><p>В 2006 г. компания Netflix объявила конкурс на совершенствование своей рекомендательной системы под названием Cinematch. В основу был заложен принцип коллаборативной фильтрации. Рекомендации формировались с учетом как оценок пользователя, так и оценок других зрителей — для этого система подбирала пользователей со схожими предпочтениями, чьи оценки близки к их собственным. На основании этого зрителю автоматически давалась рекомендация: посмотреть тот или иной фильм. Собственный алгоритм Netflix предсказывал оценки пользователей с качеством 0.9514 по метрике RMSE. Задача была улучшить предсказание хотя бы на 10% — до 0.8563. Победителю обещали приз в $ 1 000 000.</p><p>Netflix выложил в открытый доступ собранные данные: около 100 миллионов оценок по пятибалльной шкале с указанием ID пользователей, поставивших оценку. Участники соревнования должны были как можно точнее предугадывать, какую оценку поставит конкретному фильму тот или иной пользователь.</p><p>Соревнование длилось три года. За первый год качество улучшили на 7%, дальше все немного замедлилось. Промежуточные номинации вручались каждый год до тех пор, пока две команды с небольшой разницей во времени прислали решения, каждое из которых проходило порог в 10%. Первый приз достался компании BellKor’s Pragmatic Chaos, группе ученых из AT&amp;T, которым удалось добиться улучшения точности рекомендаций на 10,06%.</p><p>На данный момент система Netflix (BellKor), являющаяся комбинацией 27 рекомендательных алгоритмов, считается самой технологичной в мире.</p><p>Выводы, которые можно сделать. Возможность сбора данных, упростила и одновременно усложнила предсказания в отношении поведения и предпочтений пользователей. Особого внимания требует и соблюдение конфиденциальности в работе рекомендательных алгоритмов, ведь зачастую они могут спрогнозировать такие результаты или выявить такие закономерности, о которых пользователь даже и не подозревал, либо же не хотел, чтобы об этом стало известно. Хорошая рекомендательная система должна справляться не только с этим, но и с проявлениями нечестной конкуренции, выраженными в намеренном поднятии рейтингов одних товаров и занижении у конкурирующих, например, при помощи негативных отзывов и комментариев.</p><p>Рекомендательные системы — это большой класс моделей, которые могут помочь практически каждому бизнесу. Цель рекомендательной системы — помогать бизнесу продавать больше за счет своевременных рекомендаций клиенту в правильном месте, в правильное время и через правильный канал коммуникации.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/619/1*Pnf4CqShbaNHx0oI5OwJfw.png" /></figure><p>Однако существует распространенный стереотип, который до сих пор мешает широкому применению в бизнесе рекомендательных систем. Многим кажется, что в реальности внедрение рекомендательных алгоритмов — это слишком сложно и требует глобальной перестройки всего процесса сбора и обработки данных, а также изменения бизнес-процессов, логистики и так далее. Многие сомневаются и не могут оценить, каков же ROI (возврат от инвестиций) в подобные трансформации. Эти сомнения абсолютно необоснованны, ведь на самом деле рекомендательные системы могут быть полезны практически каждому бизнесу, а чтобы начать рекомендовать, зачастую вполне достаточно тех данных, которые уже собираются.</p><p>Релевантные рекомендации сокращают время, необходимое для поиска товаров и услуг, и значительно увеличивают вероятность попадания в поле зрения пользователя других объектов, которые смогут его заинтересовать. В результате повышается лояльность и удовлетворенность пользователей веб-сервисами. Как правило, пользователи также взаимодействуют с бОльшим количеством товаров, и это приводит к увеличению потребления и росту прибыли. Кроме того, информационные бюллетени, персонализированные рекламные материалы и push-уведомления побуждают пользователей возвращаться, увеличивают частоту посещений постоянными пользователями и уменьшают отток клиентов.</p><p>Сегодня каждой компании просто необходимо наладить процесс сбора данных и уметь грамотно и эффективно использовать их в бизнесе, тем самым оптимизируя и улучшая пользовательский контент, снижая расходы, увеличивая выручку и средний чек, и повышая рентабельность бизнеса в целом.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/736/1*oqQ7JEJjzd-tyJgLRXisIw.jpeg" /><figcaption>Спасибо :)</figcaption></figure><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=41c1c9109988" width="1" height="1" alt=""><hr><p><a href="https://medium.com/hey-machine-learning/%D1%80%D0%B5%D0%BA%D0%BE%D0%BC%D0%B5%D0%BD%D0%B4%D0%B0%D1%82%D0%B5%D0%BB%D1%8C%D0%BD%D1%8B%D0%B5-%D1%81%D0%B8%D1%81%D1%82%D0%B5%D0%BC%D1%8B-%D1%81%D0%B5%D0%B3%D0%BE%D0%B4%D0%BD%D1%8F-%D0%BD%D0%B5%D0%BE%D0%B1%D1%85%D0%BE%D0%B4%D0%B8%D0%BC%D0%BE%D1%81%D1%82%D1%8C-%D0%B4%D0%BB%D1%8F-%D0%B1%D0%B8%D0%B7%D0%BD%D0%B5%D1%81%D0%B0-41c1c9109988">Рекомендательные системы сегодня –необходимость для бизнеса</a> was originally published in <a href="https://medium.com/hey-machine-learning">Hey Machine Learning</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Тихая революция умных данных]]></title>
            <link>https://medium.com/hey-machine-learning/%D1%82%D0%B8%D1%85%D0%B0%D1%8F-%D1%80%D0%B5%D0%B2%D0%BE%D0%BB%D1%8E%D1%86%D0%B8%D1%8F-%D1%83%D0%BC%D0%BD%D1%8B%D1%85-%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85-aad6485f144b?source=rss-54c138c0cfba------2</link>
            <guid isPermaLink="false">https://medium.com/p/aad6485f144b</guid>
            <category><![CDATA[iot]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[big-data]]></category>
            <dc:creator><![CDATA[JURA FITZGERALD]]></dc:creator>
            <pubDate>Thu, 17 Aug 2017 15:02:07 GMT</pubDate>
            <atom:updated>2017-08-17T15:02:07.229Z</atom:updated>
            <content:encoded><![CDATA[<blockquote><em>Находясь на пороге мира, где можно просчитать, проанализировать, сопоставить, предсказать и сделать это еще в режиме реального времени, действовать нужно быстро.</em></blockquote><p><strong>Переход от информационный эры в цифровую</strong></p><p>В ходе развития нашей цивилизации, человечество пережило несколько промышленных революций. Сейчас мы находимся на этапе формирования четвертой, особенность которой — массовое внедрение киберфизических систем.</p><p>Каждый раз смена эпохи характеризовалась глобальными изменениями в обществе, экономике, внутренней и внешней политике государств.</p><p>Первая промышленная революция началась на рубеже XVIII–XIX ст. вместе с изобретением паровых машин, массовое внедрение которых позволило отказаться от ручного труда и перейти к машинному.</p><p>Вторая промышленная революция — это освоение электричества и внедрение в производство конвейерных систем.</p><p>Третья (ее еще называют цифровая) промышленная революция началась с середины прошлого века и продолжается по сей день. Особенностями этого периода является создание цифровых компьютеров и последующая эволюция информационных систем.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/612/1*4-PIDBGqab0MQ0ycEmBZaw.png" /></figure><p>О четвертой промышленной революции ведется множество разговоров среди ученых различных областей науки: физиков, экономистов, медиков и пр. Большинство из них сходится во мнении, что будущее цивилизации — это развитие информационных технологий и выделяют ключевые из них, которые доступны уже сегодня:</p><ol><li>Большие данные (Big Data)</li><li>Искусственный интеллект (Artificial Intelligence, AI)</li><li>Интернет вещей (Internet of things, IoT)</li><li>Облачные решения (Cloud Computing)</li></ol><p>Развитие этих технологий способно помочь бизнесу не “утонуть” в бесконечном потоке данных, анализируя и структурируя всю информацию за считанные секунды. Сложностью для бизнеса все же является оценка важности собранных данных и получение соответствующих выводов.</p><p><strong>Что такое Big Data и Smart Data</strong></p><p>Каждую минуту на видеохостинг Youtube загружается 48 часов видео. Отправляется более 200 миллионов электронных писем и генерируется 600 новых сайтов. Около 600 000 публикаций появляется в Facebook каждую минуту и отправляется более 100 000 твитов. И с каждой минутой, с каждым днем количество информации растет.</p><p>Генерируя огромные потоки информации ежесекундно, появляется потребность интерпретировать ее так же быстро. Начиная с анализа трафика и до отслеживания распространения эпидемий — время имеет значение. Задержка понимания информации на секунды может стоить не только средств, но и жизней.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/900/1*_smTx6mbq34F8tYeJeqIvg.jpeg" /></figure><p>Сразу следует отметить, что понятие “большие данные” не имеет строгого определения, а само название — калька с английского “Big Data”. Сами данные не измеряются в конкретных величинах, а слово “большие” скорее абстрактное. Тем не менее, устоялось мнение. что большие данные должны соответствовать трем ключевым характеристикам (концепция 3V):</p><ol><li>Volume — способность обрабатывать бОльшее количество данных, чем при “стандартном” анализе.</li><li>Velocity –умение работать с данными, которые накапливаются непрерывно.</li><li>Variety — способность обрабатывать как структурированные, так и неструктурированные данные.</li></ol><p>Как мы видим, большие данные это широкое понятие, которое охватывает множество областей.</p><p>Умные данные (от англ. Smart Data) означает информацию, которая имеет смысл и ценность. В классическую модель “3V” постепенно вводится новое значение — value. Разница заключается в том, чтобы, например, из длинного списка номеров, относящихся к еженедельным продажам, идентифицировать пики в объеме продаж с течением времени. Алгоритмы превращают бессмысленные числа в рабочие инструменты. Умные данные — это данные, из которых сигналы и шаблоны были извлечены интеллектуальными алгоритмами. Сбор большого количества статистических данных и цифр приносит мало пользы, если нет добавленного интеллекта.</p><p>Появление нового понятия, как умные данные вполне логично. Количество пользователей цифровых устройств растет, следственно, увеличивается количество данных. Ко всему этому, данные все менее структурированные. Накапливать и использовать эти данные становится все труднее. Поэтому и появилась необходимость “интеллектуального” подхода к оперированию данными.</p><p><strong>Какие глобальные проблемы помогут решить умные данные</strong></p><p>Как уже говорилось ранее, большие и умные данные применимы во всех сферах деятельности человека: ритейл, медицина, менеджмент, сфера недвижимости и прочее.</p><p>Одним из лучших примеров использования больших данных — это “умный” город Сеул (Республика Корея), который на сегодняшний день считается одним из самых технологичных городов в мире.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/900/1*8e5UgZcwdqzFL-hwMyxjuA.jpeg" /></figure><p>Сеул — столица Республики Корея, крупнейший город государства, в котором проживают более 10 миллионов человек (20% населения всей Южной Кореи).</p><p>В 2011 году власти города приняли стратегический план “умный Сеул-2015”. Проект рассчитывался на 5 лет в три этапа внедрения: первые два года — создание инфраструктуры, следующие два — создание услуг на ее базе. Третий этап — сбор данных о предоставлении “умных” услуг и постоянное их усовершенствование.</p><p>Массивы больших данных работают с открытыми инструментами API, которые разработчики могут использовать в своих приложениях. Так, в 2013 году метрополитен города предоставил возможность пассажирам с помощью приложения “исследовать” информацию о местах вокруг них: открытые точки Wi-Fi, удобства для людей с особыми потребностями и прочее.</p><p>Также жители города могут влиять на принятия решений относительно развития мегаполиса. На их голос приходится 45%, столько же — на профильные комитеты, а остальные 10% — на результаты исследований.</p><p>Одной из критичных проблем города был транспортный трафик. С каждым годом в Сеуле растет количество транспортных средств и потребность в общественном транспорте. С помощью больших данных властям удалось решить одну из них — доступность автомобилей служб такси без увеличения таксопарка. Согласно данным единого колл-центра для горожан и гостей города, большинство жалоб поступало на работу служб такси, так как в час пик пассажирам приходилось долго дожидаться машину. Решение проблемы заключалось в следующем: карту города разбили на участки длинной в 150 метров (это приблизительно 2 минуты ходьбы). При помощи данных сотовых операторов был проведен анализ точек с наиболее высоким спросом. Также при составлении карты использовались данные о неблагоприятных погодных условиях. В результате получилась карта небольшого и повышенного спроса. Так водители стали понимать, где у них больше шансов найти пассажира.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/900/1*xUU-WTHd5ppL6ni7gnBRRA.png" /></figure><p>По итогу проведенной реорганизации, градоначальникам удалось добиться следующих результатов: для пассажиров шанс найти машину увеличился на 5%. При этом, на 10% сократилось количество пустых пробегов у водителей такси, что позволяет экономить до 1,5 литров бензина в день. В связи с этим количество поступающего углекислого газа в атмосферу сократилось на 45 тонн в год. В общей сложности, принятые меры позволяют экономить городу около $40 миллионов в год.</p><p><strong>Вместо выводов</strong></p><p>Потенциал, который открывают технологии больших данных, а затем и умных данных, выходит за рамки современного понимания об информации. В то время, когда крупные технологические компании уже вовсю используют их (Google, Microsoft, Amazon, Facebook и ещё целый ряд крупных компаний), у маленьких компаний, и даже средних (по размеру), совсем слабое представление о том, что это вообще такое. Игнорирование потока данных, которые ежедневно генерируются в сети, является с течением времени тупиковой веткой развития для современного бизнеса.</p><p>На сегодняшний день в мире более двух миллиардов активированных смартфонов. Уже к 2020 году около половины жителей нашей планеты будут иметь минимум один смартфон.</p><p>Аудитория Facebook составляет более трети населения Земли, а пользователей мессенджера WhatsApp уже больше миллиарда. Степень проникновения высокоскоростного мобильного интернета неумолимо растет. В Cisco утверждают, что к этому времени мобильной связью будут пользоваться 5,5 миллиарда человек, что составляет 70% население Земли. В сети каждый пользователь будет генерировать около 1,7 мегабайт информации ежесекундно.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/900/1*9AMqkymyNiMyMKvSMijpuA.png" /></figure><p>Однако, наличие самой информации не означает, что любой бизнес сможет выйти на новый уровень развития. Но в то же время, при правильном подходе умные данные помогут бизнесу не только наладить множество операционных процессов, но и найти индивидуальный подход к каждому клиенту. Находясь на пороге мира (или уже даже переступив его), где можно, если не всё, то очень и очень многое, просчитать, проанализировать, сопоставить, предсказать и сделать это в режиме реального времени, нужно действовать и делать это быстро.</p><p>Какие именно бизнес-процессы можно улучшить с помощью алгоритмов машинного обучения (МО), какие именно бизнес-показатели можно повысить, применяя технологии МО, в каких отраслях они могут помочь — всё это читайте в наших кейсах и последующих публикациях.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=aad6485f144b" width="1" height="1" alt=""><hr><p><a href="https://medium.com/hey-machine-learning/%D1%82%D0%B8%D1%85%D0%B0%D1%8F-%D1%80%D0%B5%D0%B2%D0%BE%D0%BB%D1%8E%D1%86%D0%B8%D1%8F-%D1%83%D0%BC%D0%BD%D1%8B%D1%85-%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85-aad6485f144b">Тихая революция умных данных</a> was originally published in <a href="https://medium.com/hey-machine-learning">Hey Machine Learning</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
    </channel>
</rss>