ML и бизнес аналитика: точки пересечения
1.Текстовая кластеризация этапов бизнес-процесса
В логах один и тот же этап может называться по-разному (например: «проверка договора» , «проверка документов» , «договор на проверке» ). Аналитик тратит время на переименование этапов. Кластеризация – это уникальный метод, позволяющий разбить объекты на группы, не имея заранее заданной обучающей выборки или знания о природе этих групп. Модель самостоятельно определяет схожесть некоторых объектов и объединяет их в один кластер.
2.Автоматический поиск инсайтов и конструирование идеальной структуры бизнес-процесса
Крупным компаниям бывает сложно сконструировать оптимальную структуру бизнес-процессов с большим количеством этапов. Для решения этой проблемы используется обучение с подкреплением (reinforcement learning). Модели машинного обучения также успешно используются для идентификации неэффективности процессов.
Аналитик тратит много времени на анализ каждой записи в текстовом поле. Пример: обработка запросов от клиента банка, где каждый клиент по-разному может описывать одну и ту же проблему. С помощью машинного обучения текст превращается в числовой эмбеддинг (векторное представление текста), далее кластеризуется, после чего по кластерам вводятся заголовки. Такой механизм уменьшает количество записей, которое нужно прочитать аналитику — это, в свою очередь, приводит к экономии времени и снижению числа ошибок из-за человеческого фактора.
4.Прогнозирование метрик и структуры графов для понимания, как будет выглядеть бизнес-процесс в будущем
На исторических данных редко видно неэффективности, которые еще не сформировались. Для поиска и устранения потенциальных неэффективностей с помощью ML можно прогнозировать метрики и структуру процесса.