|
Post by account_disabled on Apr 4, 2024 6:46:32 GMT
此外该模型确实有效并且完全按照要求进行但它无法为企业带来好处。存在不同性质的情况项目陷入研究阶段没有足够的数据或者将模型投入生产结果是不可能的。在每个阶段好的产品都可以帮助机器学习团队完成工作。或者至少向利益相关者解释失败并从中得出正确的结论。我将看一下历史上的例子。在发现阶段有一天营销人员向我们提出了一个问题如果用户很长时间不访问该网站那么他很可能不会再回来并会流失。同事们已经有了一个解决方案的想法开始识别此类用户并通过营销渠道与他们进行沟通。 该团队开发了一种算法可以完美预测流失的用户。同事们都很高兴这就是离开我们的名单但随后问题开始了营销部门正 阿曼数据 在尝试联系他们但人们已经删除了这些申请也没有阅读这些信件。没有预期的效果。我们做错了什么需要预测的不是那些不会回来的用户而是最近正在考虑离开的活跃用户。您仍然可以通过提供有用的东西来拯救他们。产解决方案分享商业见解。更多上下文更好在开始及之后让团队沉浸在问题的所有细节和解决方案的选项中从流程业务和用户的角度讨论实施解决方案后会发生什么这一点非常重要以及我们想要影响哪些目标指标。 该产品可以深入了解上下文本身或者将团队与业务代表聚集在一起并帮助建立定期开放的对话。将业务请求和产品假设重新表述为问题表述的格式。我们需要自动化优化个性化一切的业务请求与需要全面解决产品问题的特定机器学习产品之间存在差距。阐明数据集由哪些数据组成可以使用哪些模型来解决问题指标如何与产品和业务指标相关。评估可用数据。如果没有数据那么产品可以设置一个任务由评估人员收集或标记它如果有数据并且确认了商业价值则连接团队进行更详细的潜水。
|
|