沃顿商学院商业人工智能笔记-五-
沃顿商学院商业人工智能笔记（五）
P33：32_Ed Lee访谈.zh_en - GPT中英字幕课程资源 - BV1Ju4y157dK
作为副总裁，艾德·李领导麦当劳的全球菜单战略团队。
在这个角色中，他推动核心类别和品牌的增长。
创建未来增长平台，并在麦当劳构建食品营销和开发能力。
最近，他还领导了全球战略洞察团队。
在这个过程中，他利用消费洞察和商业分析为麦当劳寻找新的增长机会。
在加盟麦当劳之前，艾德在凯洛格工作了12年。
你能分享一下你的视角，告诉我们你在麦当劳的经历和角色，以及你所领导的团队吗？
当然。我在消费洞察方面的培训是在快速消费品行业进行的，该行业以理解消费者和构建相关能力与技术而著称。
我很高兴能在麦当劳应用其中一些。你知道。
过去五年，行业因数据的爆炸而发生了巨大变化。
过去，只需进行一些调查或焦点小组就足够了。
现在有了所有可用的数据和信息。
我们真的需要新的工具和流程来分析所有数据。
我们试图在麦当劳实施这些。因此，当我来到麦当劳时。
这正是我想尝试做的事情之一，带来新的工具、技术和科技。
将能力和人才引入麦当劳，以应对这个新世界。因此，总的来说。
对于麦当劳的顾客而言，AI应用最大的价值驱动是什么？你知道。
潜在的，麦当劳的客户能期待哪些因为AI或机器学习模型而产生的两三种结果。
好吧，第一个，玛丽，是个性化。我们对顾客的理解越深。
你知道，我们每天有很多顾客光顾。我们大约有6000万顾客。
我们能够利用大数据更好地理解每一个客户。
我们将能够提供更适合每个个体的个性化体验。
第二个要点是客户体验和客户满意度。我们知道。
如果你去麦当劳，你可能会被要求填写收据或调查，我们每年也大约有6000万份这样的调查。
有了这些数据，我们能够利用人工智能挖掘信息，寻找改善客户体验的机会。
因此，如果我们能够提供更个性化、更愉悦的客户体验。
我们能理解自己在哪些方面存在不足，以便进行改善。
我们应该能够推动业务增长。好吧，这是数据的爆炸，与此同时，AI应用在各行业的证据也在激增。
所以我了解到，麦当劳正在进行一些非常独特的尝试，因为你们应用了人工智能和机器人技术来改善得来速的体验。
那么，你能否描述一下客人体验如何从这种创新中受益？
是的，当然。 你知道，得来速对麦当劳非常重要，在疫情期间，我们的销售从大约50%上升到超过60%。
这对我们来说是一个非常重要的渠道。而且，我们有很多客户通过得来速光顾。
我们所做的是，几年前收购了一家叫Dynamic Yield的公司。
谁是个性化方面的专家，他们主要是在网站领域工作。
而我们能够做的是将其应用于得来速。
所以当你进入得来速时，机器会查看，好的。
今天天气怎么样。 这是最后订购的10辆车中的一辆。
人们通常在星期二下午两点会点什么，并能将这些整合在一起，提供实时建议。
所以当你开始点餐时，比如，嘿，什么可以搭配双层芝士汉堡，那些建议将实时出现在菜单板上。
这对我们来说确实是一个成功的故事，推动销售并提高客户满意度。
现在随着人工智能，很多公司都在使用自然语言处理。
这是否在麦当劳使用，潜在地，哪些商业决策受到自然语言处理的影响。
是的，事实上，我们在公司很多不同的领域使用自然语言处理。
你知道，一个例子，回到这个，客户对收据的满意度。
我们可以挖掘真实的文本。如果你进去，你可以说，好的，按一到五的评分。
你的体验如何？然后输入评论。
如果你有成千上万的评论。
实际上很难去查看并理解发生了什么。
但我们可以利用人工智能来挖掘情感，这样我们就能了解客户对某个特定产品的喜好。
也许是我们推出的新产品。我们还可以了解我们为新的安全协议所做的工作是否有效。
在COVID期间，给客户提供良好的体验与否。然后根据这个，我们可以做到。
实时获取这些数据，我们可以做到这一点，并提供非常。
非常快速的反馈直到每个单独的餐厅。这样我们就可以，嗯，你知道的。
改进，并利用这些来提供更好的体验并增加销售。
因此，人工智能实际上不仅在个性化上帮助消费者，也在每个单独商店的运营上提供帮助。
我们通过这些不同的工具提供实时反馈。
这引出了一个更广泛的问题。麦当劳的做法与五年前有什么不同？
你知道，这个，改变了很多。我会说，玛丽，五年前。
这非常有趣。然后，一年前，这非常随意，你知道的。
所以这是一个新能力，新技术，公司某些部分能够比其他部分更好地利用。
但这非常新。然后我们开始进行更多实验。
现在我会说，人工智能是我们从上到下追求的真正战略意图。
然后我们开始与中心的数据和分析中心合作。
这里的想法是建立一个具有真正能力的专业中心。
先进的知识和理解。我们在硅谷和特拉维夫通过收购获得了一些中心。
然后，这些中心的分支中，有来自不同国家、不同职能的业务实践者。
而这些实践者会进行分析，好的，今年。
这些是我想要能够做的不同事情。
我们能够将正确的注意力、资源和重点放在公司最高优先级的领域。
所以这确实是一种正常的商业实践，我们带着战略意图在进行。
就像在得来速更快或者拥有更美味的食物。
我们已经讨论了人工智能如何应用于特定的商业问题，比如得来速以及得来速的创新。
麦当劳和正在使用的人工智能技术类型，例如自然语言处理。
现在，你能谈谈业务单元何时与数据科学家联系或连接吗？
然后，把他们带入到客户业务问题或客户访客问题中。
那么，技术专家和主题专家如何在麦当劳合作创新，你提到的卓越中心。
但也许你可以谈谈那两个，两个小组。是的，绝对可以。那么在我的部门。
例如，我负责这个全球洞察小组。
但你可以用法国的全球洞察小组或德国的运营团队来替代那些。
通常他们会提出业务问题。我有这个业务问题。
我要么试图增加销售，要么进行更好的促销，或更好地理解我的业务。
我想查看历史数据，了解这个新产品的影响是什么。
嘿，我在推出新产品的同时推出了送货，同时进行促销。
每一项销售来自各自多少，他们会将这些带出来。
无论是来自专业中心的人，还是与专业中心有联系的业务人员，都会解决这个问题并利用人工智能工具。
发生了很多民主化的事情。市场上出现了全新的工具和平台，帮助我们将所需的工具提供给业务单位，以便他们能够进行自己的分析。
这真是太棒了。你知道我们不希望的是一个小组做所有的工作。
我们希望有一个专家小组来帮助公司其他部门完成他们的工作。
所以这就是我们现在努力建立的那种东西。考虑一下一个工具。
你能否突出构建良好的A/B测试工具和模型的关键要素？
当你的团队在使用先进的AI和机器学习方法进行A/B测试时，需要考虑的事情。
我很高兴你问这个，因为A/B测试是与AI合作中非常重要的一部分。
你知道，这应该是自然而然的，像是水到渠成的事情。
是实施AI项目的同时推进。
因为通过使用A/B测试，你可以获得很快的反馈。
非常迅速，实时生成。你可以生成改进，知道。
无论是每天还是每小时进行分析。许多人不知道，当你访问新闻网站时，所有那些标题都是经过A/B测试以吸引最多点击的。
所以，我们想要尝试的是将它引入实体空间。
所以我们正在用你提到的自取窗口的户外数字菜单板来实现这一点。
当你经过那个巨大的户外数字菜单板时，展现出我们美食的漂亮图片。
我们的食品。在字体、大小和位置上，A/B测试可以做很多事情。
我们可以进行一个测试，假设在下午三点，我们将为咖啡留出更多空间。
需要为其他项目留出更少的空间，因为人们在下午需要提神饮品。
因此，我们可以进行所有这些类型的A/B测试，并迅速确定到餐厅级别的细节。
菜单板的设计应该是什么样的机会。
以推动公司的销售。因此，这是一个巨大的工具。
我们在所有不同的应用中都严格使用它。那么在你看来。
如果麦当劳的创始人雷·克罗克今天还活着。
有哪一项AI或机器学习创新会让雷·克罗克惊叹？
我知道他非常著名的是他的摇摇机。但现在有什么关于机器学习的东西会让他惊叹？
好吧，我们总部仍然有那台摇摇机。它是一颗受人尊敬的瑰宝。
但是我们目前正在进行的一个测试实际上是自取窗口的语音自动化。
基本上，拥有一个AI机器人能够与客户互动并在他们进入自取窗口时接收订单。
我们可以做的事情是，如果将其连接到我们在菜单板上展示的优惠或者忠诚计划。
人们可以开车到这里，他们可以被称呼名字。你好，玛丽。
感谢你光临麦当劳，嘿，看起来你还有200个忠诚积分。
你想点一个芝士汉堡吗？这些体验提供了非常有趣的个性化体验。
另一个方面是机器人可以讲多种语言，或者如果我们正在进行迪士尼促销活动的话。
也许这听起来像达斯·维德的声音。所以这些都是我们现在应该能做到的事情。
我认为这种创新和技术如果能让雷看到的话，肯定会让他惊讶不已。
我也这么认为。我想结束。我非常感谢你今天的时间。
认识你以及麦当劳在商业中使用人工智能的情况真是太好了。谢谢。好的。
非常感谢你。谢谢。
P34：0_简介.zh_en - GPT中英字幕课程资源 - BV1Ju4y157dK。
在本课程中，我们将讨论人工智能的商业应用。
。
在之前的课程中，我们讨论了人工智能，特别是机器学习，如何表现。
成为通用技术的早期指标。现在。
人工智能作为通用技术的意义在于我们需要认识到。
大多数行业可能会因此发生变化。
我们还看到人工智能职位在许多行业中分布，包括医疗、金融。
应用、制造业、IT咨询、教育等多个领域。同样。
人工智能正在影响这些行业内的多个职位职能，从营销到。
适用于人力资源和人员管理。在本课程中，我们将重点讨论人工智能在营销功能中的应用。
针对金融服务行业。从人工智能在营销中的应用角度来看。
我的同事拉古教授将首先谈论人工智能与客户旅程的关系。具体来说。
他将谈论客户旅程是什么，人工智能如何在旅程的不同部分提供帮助。
他将展示一些案例研究，以帮助我们理解人工智能在这里的相关性。接下来。
我将讨论人工智能在个性化中的作用。我将从推荐系统的简要介绍开始。
比如我们在亚马逊上看到的内容。购买此商品的人也购买了此商品，或者Netflix或Spotify的内容推荐。
我将谈论不同系统的具体挑战以及我们如何应对这些挑战。
使用人工智能所面临的挑战。人工智能的角色是什么，以及个性化在参与方面可能产生的影响。
消费者。我们将谈论人工智能在金融服务行业中的应用。
我将首先讨论诸如信用卡欺诈等问题，以及机器学习如何。
可以应用于欺诈检测。我们将讨论机器学习在该领域其他挑战中的应用。
包括身份验证、贷款承保、客户流失预测、信用风险、投资。
管理及类似的内容。
。
最后，我们将与数据和人工智能从业者讨论他们如何利用人工智能。
在他们的企业内也是如此。[BLANK_AUDIO]。
。
P35：1_模块简介.zh_en - GPT中英字幕课程资源 - BV1Ju4y157dK
大家好，我是 Raku Aangar。
我是沃顿商学院的 Mars Bush 教授，1885年在普拉特学院任教。我也是市场营销教授。
我是沃顿客户分析的教职人员主任。在今天的模块中。
我们将从客户的角度讨论人工智能应用。
我们将讨论客户旅程，并了解人工智能应用可以发挥的作用。现在。
目前有很多人工智能应用。你会注意到，零售行业正在发生许多变革。人工智能。
机器学习、大数据在零售中的应用。例如，联邦快递也在这样做。
在自动化人工智能方面，银行业也有很多进展。最近。
我们听到了很多关于微软等公司无订单的讨论。
还要考虑在制药行业中的人工智能应用。有很多不同的应用。
我认为，思考这些应用的最佳方式是，它们的功能是什么。
现在，你可以从语音人工智能的角度考虑人工智能。这方面的一个例子可能是。
例如。
谷歌智能音箱、亚马逊 Echo，例如。它们的功能是什么？
它们只是让你更容易，或许可以使用你的声音来控制事物。类似地。
你可以想想 Netflix。当你在看一部电影时，例如。
在你不懂的语言中，你可以轻松更改该语言。
对于你已知的内容。所以这是一个基于语音的人工智能应用。
现在，还有很多其他类型的语音人工智能应用，可能是在企业对企业的环境中。
例如，围绕客户来电的处理，存在许多应用。
在客户服务中心。因此，你可以开始关注，例如。
如果你拥有一个客户呼叫中心，你可以开始关注是谁在打电话。
那通电话的情绪是什么？他们通话多长时间？
或许是帮助解决问题的那个人。
它是响应式的还是不响应式的？所有这些内容都在语音人工智能的范畴之内。当然。
当你想到更具未来感的内容时，我们有电影《她》，其中华金·菲尼克斯。
这位演员在某种程度上与一个语音人工智能系统建立了关系。所以当然。
这在未来会很远，但你可以已经看到，例如。
当你与亚马逊 Alexa 或谷歌智能音箱交谈时，从某种意义上说，你是在进行对话。现在。
另一类被称为视觉人工智能的东西。例如，它主要围绕。
使用你的手机，例如。你现在可以轻松追踪你的包裹。
因此，通过扫描二维码或某种代码，你可以帮助追踪不同的包裹。
所以这是一种视觉AI的应用。另一种应用，已经变得。
通过观察，例如，变得更加显著和流行。
在那里你可以有虚拟试衣间。因此，市场上有许多不同的公司。
现在提供这种上传可能性，例如你的身高等等。
然后，他们可能能够建议，例如，哪些裤子可能合适等等。
而无需实际进入一个物理试衣间。同样。
你还有其他种类的视觉AI应用。例如。
从商业角度来看，TikTok变得极为受欢迎。所以TikTok。
当然，企业要求其他企业例如放置广告。
提出不同的挑战。
这里的想法是什么。企业，例如，可以追踪其关注者的行为。
他们如何看待不同的品牌？那段视频发生了什么？
当人们想到特定品牌时，他们在想什么？
另一方面，另一种与视觉相关的AI应用。
变得有点争议。这是关于图像识别。因此，例如。
很多公司更受欢迎。
最近，IBM例如决定不想进入图像识别。为什么？
因为它也涉及到客户隐私。所以有很多动作正在进行。
但是谈到视觉AI，有两个有趣的应用。在左侧。
你可以考虑，例如，汽车。所有我们想到的东西。
在无驾驶汽车方面，迅速浏览所有这些不同的事情。
在自动化方面正在发生的事情。在某种意义上，所有这些。
存在于B2 Vision AI。当你在这些汽车中时，汽车可以说。
汽车中的计算机需要能够迅速理解，那是一个停止标志吗？
那是一个经过人行道的人吗？那是什么？右边。
我们在谈论智能城市。再说一次，很多城市正在尝试。
从某种意义上说，使客户的旅程无缝衔接。
所以，当你在智能城市中漫步时，希望它能够识别。
比如说，你的需求是什么等等。但当然，正如你所想象的。
我们在谈论的图像识别方面。在智能城市方面。
这可能在客户隐私方面更为复杂。
最后一种AI应用主要围绕语言。现在，有大量的。
例如，所需的翻译。例如，这里我在谈论一种印度语言。
叫做印地语。现在，例如，印度有很多很多人说印地语。
但想要将其翻译成另一种语言，例如英语。
现在手机可以轻松进行翻译。类似的，最近也有新的进展。
出现了一款新的应用，叫做GPT-3，从某种意义上来说。
可以写完整的文章。所以可以想象，这可能会非常有争议，并且可以。
事实上，甚至可能改变出版行业。
所以可以想象，围绕人工智能有很多很多的应用。
但关键是要思考，你对什么类型的应用感兴趣？
这是否与视觉相关？是否与声音相关？是否与语言相关？[BLANK_AUDIO]。
P36：2_客户体验.zh_en - GPT中英字幕课程资源 - BV1Ju4y157dK
所以在这个模块中，我们将讨论客户旅程。
在之前的内容中，我们讨论了很多AI应用。
我认为思考AI应用的最好方式是考虑客户需求。
而思考客户需求的最好方式是什么呢？就是思考他们的旅程是怎样的。
所以如果你考虑一个典型的客户旅程，它始于对需求的意识。
你开始思考也许你想买一件新毛衣，假设。
然后你开始查看考虑集，即。
市场上有什么公司能帮助我找到一件好毛衣？
然后你开始仔细评估所有不同的选择。
也许在那之后做出购买。然后你继续说，嗯，这次购买怎么样？
所以如果是积极的，你显然会得到积极的反馈。如果是消极的。
也许你可能需要重新开始。但是，正如你所想象的，在这个时代。
当你开始思考所有不同的AI应用时，外面有很多，比如说。
当一个客户在思考一件毛衣时，假设，我们以这个例子为例。
他或她可能在看Instagram。也许他们的一个朋友有一件漂亮的毛衣。
在Instagram上。或者他们可能会访问一个网站。或者他们可能会查看客户评论。
他们可能会经历这个旅程的一部分，然后决定，嗯。
他们想重新开始，因为他们感兴趣的产品并不存在。
可用的。最大的收获是什么？最大的收获是客户旅程。
我之前画的那幅画是非常线性的。你有意识，然后你有。
在某种意义上，考虑集。然后你有了你的选择。
然后你会考虑这个选择有多好。如今。
你发现这个旅程是相当非线性的。这在某种意义上。
有时是一种限制。你可以考虑它。但我认为从AI应用的角度来看。
这是一个机会，因为消费者，首先，A。
需要帮助以思考如何进行他们的旅程。对于公司来说，你可以。
开始思考你的AI应用在哪里——无论是语音、视觉还是语言——。
无论情况如何，他们如何在客户旅程中提供帮助？
这就是我们想讨论的。这样做时，暂时离开技术。
并开始思考客户旅程和客户需求。
然后开始思考在哪里，需求能得到最好的满足。现在。
我想提到的另一件事情是幻灯片所暗示的每个人的客户。
旅程可能会有很大不同。这是关于客户旅程和细分。
没有两个客户是相同的这一想法。现在，再次。
有时你可以把这看作是一个限制。你可以把它看作一个挑战。
但我希望你再次把这看作是一个机会。
因为这是人工智能和所有可能性的结合，能够进行定制。
能够了解哪个客户在移动。
在他们的旅程中，了解他们处于哪个阶段，这就是机会所在。
所以让我们举一些例子来理解，如何思考这些问题。
让我们以一个非常受欢迎的例子——迪士尼来举例。我们中的许多人当然可能去过迪士尼度假区。
或者当然，必须听说过迪士尼。现在，迪士尼投入了很多资金。
正如你在这里看到的，有很多流行词，比如说。
迪士尼在物联网方面花费了数十亿美元。还有大数据。
机器学习，所有这些。这里的想法是什么？
这个想法基本上围绕着一种叫魔术腕带的东西。
幻灯片上的这个人戴着魔术腕带。
这个想法是魔术腕带基本上可以在某种程度上给你。
作为客户有很多信息，同时也给迪士尼提供了很多信息。
让我给你一个它提供的信息的例子。
所以如果你在去迪士尼度假区之前购买魔术腕带，你可以放入很多信息。
在那条魔术腕带中。例如，你住在哪里，如果你住在度假区。
你可以使用魔术腕带打开你的酒店房间，还可以充值。
在无现金交易中，你可以选择你想去的项目。
迪士尼以前有一种叫快速通行证的东西。
他们试图用魔术腕带替代这一点。从客户的角度来看，当然。
有很多机会，很多有趣的事情正在发生。
但让我们从迪士尼的角度稍微思考一下。现在。
从技术的角度来看，显然，这是一个非常有趣的投资领域。
在大技术、大数据和机器学习中。但让我们从迪士尼的角度开始。
想想他们为什么要投资这种技术，他们为什么要关心这些数据。
所以这里有很多事情在进行中。让我们一步一步来。现在。
从运营的角度来看，这对迪士尼来说是一个很大的帮助。
你可以想象，在迪士尼度假区，交通流量是一个大问题。
所以你可以想象，如果你和家人一起去度假区。
但外面还有很多其他家庭。迪士尼正在考虑。
不同家庭的需求，他们想去哪里，想玩什么项目。
度假区某一特定部分的交通情况，他们如何获取这些数据？嗯。
早些时候，他们在某种程度上必须尝试从快速通行证中获取这些数据。
但现在一切都数字化了。所以从运营的角度来看。
他们可以快速获取度假区内交通流量的信息。
显然这对运营人员有帮助。现在，从市场营销的角度考虑。
从迪士尼的角度来看，他们也想要理解。
你对哪些游乐设施感兴趣？有哪些事情让你感到兴奋。
你在计划这次迪士尼之旅时？现在，显然理解客户正在经历什么。
理解他们想要哪些游乐设施，了解他们的期望是什么。
这对迪士尼来说是一个巨大的优势，因为他们可以个性化所有这一切。最后，当然。
从新产品开发的角度来看，这同样令人兴奋。因为你可以开始思考。
人们可能在寻找哪些东西。显然，迪士尼现在有迪士尼Plus。
流媒体平台。所以你可以想象这里有很多有趣的事情。
在前往迪士尼度假村、使用迪士尼Plus以及利用所有这些信息之间的互动。
对于新产品开发。所以更广泛地说，我想思考的内容。
在我们继续之前，我再给你一个例子。
在这个阶段的思考是，少考虑技术本身，而更多考虑客户旅程。
客户的需求是什么？有哪些事情能让他们的体验更加无缝？
然后我们可以开始思考，如何去实现无缝衔接。
使用新技术。我们再举一个例子。这次从企业对企业的角度。
就像我们谈论在迪士尼度假村内跟踪客户一样，联合利华。
大型消费品公司，消费者包装商品公司。
他们还实现了货车的实时跟踪。现在你可以想象，嗯。
这两个应用程序是相当不同的。确实是这样。
但让我们先从基本问题开始，为什么。现在他们为什么想这么做？
他们是联合利华。现在，他们的客户是谁？他们的客户通常不是你和我。
作为个体客户。他们的客户是企业。现在。
你可以想象还有其他的商业需求。所以想想零售商。
零售商想知道库存在哪里？他们什么时候能收到下一个货运？
所以再次从他们的角度来看，他们希望能有更好的想法。
了解联合利华的货车什么时候到达。所以这是一个例子。
另一件联合利华发现的事情是，许多零售商也就是他们的客户。
希望更频繁地购买，但每次购买的东西更少。
在他们开始跟踪货车之前，这对联合利华来说是相当繁重的。
不断派送货车。所以这是我希望你开始思考的问题。
每当你开始考虑使用新技术时，首先要问的就是为什么。
你解决了什么客户需求？当然，在此之后，如何同样重要。
你将如何进行？这就是机器学习等技术介入的地方。
联合利华最后做了什么？他们开始思考，从某种意义上说，像是货车的优步。
他们开始追踪卡车的行驶路线，天气状况如何。
交通模式是怎样的，他们想做什么？他们基本上想要。
从某种意义上讲，最有效地让卡车出发，使它们能够，A。
尽可能按时完成更多的交付，以及B。
还要确保他们不需要进行重复的出行。因此他们最后做的就是这样。
他们基本上成功地追踪了那些卡车，减少了自己的碳排放。
他们实际上增加了卡车上物品的数量。
所以这是一个双赢的解决方案。但请注意我们提问的顺序。
为什么应该是第一个问题？当然，如何也非常重要。
这就是新技术的用武之地。但我希望你考虑一下背后的原因。
从客户的角度来看。
所以在我们转向客户旅程的其他方面之前，简要总结一下我们所讨论的内容。
这些是我希望你提出的管理问题。首先要问的是为什么。
你正在解决什么客户需求？无论是我们在迪士尼举的B2C例子。
或者是我们在联合利华举的B2B例子。
我认为客户需求是相当普遍的。所以站在客户的角度去思考。
思考他们面临的障碍。考虑你可以帮助他们解决哪些障碍。
然后开始考虑数据资产，以及所有必要的其他技术。
去解决这个问题。最后，始终关注投资回报率（ROI）的洞察。
很多时候，作为经理的我们可能会对我称之为最新的闪亮物体感到非常兴奋。
我认为保持兴奋是好的。知道未来会发生什么是好的。
但一旦你开始思考投资回报，这就会让你认真考虑。
关于我应该把资金放在哪里，以及我可能应该进行一些测试的地方。
在我决定投资之前。[BLANK_AUDIO]。
P37：3_缩短客户体验周期.zh_en - GPT中英字幕课程资源 - BV1Ju4y157dK
所以在这个模块中，我们将开始讨论客户旅程与人工智能的结合。
尤其是从人工智能能为我们做什么的角度。
要么预测客户旅程，要么缩短旅程。
让我们举一些例子，更好地理解技术、机器学习、人工智能。
我们在之前的模块中讨论的所有内容都可以帮助我们。
理解客户旅程。让我们开始讨论预测客户旅程。
所以这些都是非常常见的例子。比如说，亚马逊的例子，当你访问你的亚马逊页面时。
如果你是亚马逊Prime客户，你可能会看到，比如说。
很多流行的购买选择或基于你过去购买的内容。
亚马逊可能会推荐你刚刚购买的内容。
所以这是一个例子，如果某人过去购买了一些东西。
亚马逊和所有背后的算法正在试图预测。
他们未来的客户旅程会是什么样子？同样的例子也许来自Netflix。
当然，如果你有 Netflix 的订阅。
你已经访问了你的页面，而你的页面可能与我的页面不同。
为什么？因为基于你正在观看的内容。
Netflix 使用其算法推荐可能的内容。
未来你可能感兴趣的一些内容。当然。
那个算法是个性化的，可以这么说。基于某人正在观看的内容。
算法可能会决定未来他们可能感兴趣的一些内容。
同样的例子可能是一个叫 Stitch Fix 的公司。现在这里，它是一家公司。
这是一个订阅公司，基本上为不同的客户提供服装。
现在他们想知道，比如说，如果 Raghu 是 Stitch Fix 的订阅者。
他们想知道什么？考虑到 Raghu 拥有的衣物。
他下一个想买什么？那么在所有这些例子中，这里的想法是什么？
在所有这些例子中，算法和机器学习的方式。
所有这些后台内容，它试图做什么？
看看你到目前为止购买的内容，你下一个会去哪里？
所以这全是关于预测客户旅程的。
让我们再举一个例子，看看机器学习和人工智能在旅程方面能做些什么。
更短。因此，一个例子可能是你现在拥有的各种不同类型的应用。
在这里你可以拍照，应用会告诉你产品是什么。
所以有很多这样的例子。比如说，有一个叫做 Snap Find Shop 的应用。
那么这个应用的想法是什么？这个想法是公司发布的。
你或许可以拍下某个人的鞋子，比如说你觉得它们非常好看。
你想要弄清楚这些鞋子是什么。
应用程序将打开并告诉你这些鞋子是否显然来自那家公司。
如果没有，它们会推荐其他东西。这背后的想法是什么？
回想一下我们在前一个模块中讨论的客户旅程。
我们谈到了一旦你有了意识，便会开始思考的事实。
考虑时，你开始思考选择，或许开始考虑在哪里买。
这个应用程序使用视觉人工智能试图做什么？它基本上是在缩短那段旅程。
一旦你拍了照片，视觉算法，或者说，视觉人工智能就在尝试。
找出那张图片是什么。在这个案例中，它恰好是一双鞋。
它将开始推荐你可以在哪里购买。那么它在尝试做什么？
从某种意义上说，它试图缩短从意识到最终购买的旅程。
尽可能地缩短。这种方式，当然，公司可以在竞争的世界中尝试。
因为你可能正在查看那个特定的应用程序，看看那些鞋子。
公司在推荐，而不是去其他地方。有许多其他例子。例如。
我之前提到的虚拟试衣间与此非常相似。
你可以想象，当你考虑在网上购买某种产品时。
你知道，裤子、裙子等等，任何更具体验感的东西。
现在你可能最终会去试衣间，看看那些东西，但如果你在家。
你仍然想购买，但你想减少例如，你知道的麻烦。
如果不合适，你就得退货。如果你想减少麻烦成本。
这就是一些公司的出发点。因此，style.me、Sugara、Magic Mirror。
有很多这样的公司的例子。他们试图找到最合适的搭配。
再次，使用视觉人工智能，他们试图做什么？
他们试图找出如何“减少”你所需的时间。
通过去一个实际的试衣间，也许试穿不同类型的衣服。
这样他们再次在减少那段旅程。因此，通过查看一些这些应用程序的整体想法。
这些都与视觉人工智能有关，想法是作为公司如何通过提供良好的技术来缩短这段旅程？
示例也来自B2B公司。
现在有很多聊天机器人，比如说，在这个案例中是语言人工智能。
这些也允许企业与其他企业的客户进行交流。
所以这样，你知道，从某种意义上说，如果你是一家公司，你想快速交易。
从其他企业来看，很多语言AI聊天机器人在这种情况下正在帮助我们的例子。
企业。例如，还有许多其他例子，Google在其中。
例如，Google Glass，或其他类型的视觉软件正在不同的工厂车间提供帮助。
比如说，一个人不需要携带大手册。
在某种意义上，他们能做到的是使用Google Glass或。
任何其他类型的软件，并能够确切看到需要做什么。
所以这是另一个从商业角度缩短旅程的例子。
当然，从语音AI的角度来看，如何缩短旅程的经典例子。
比如说，亚马逊Echo和Google Home。想想他们做了什么。例如。
一些可能在家中拥有亚马逊Alexa的人，你可以让Alexa，比如说，播放不同的歌曲。
当然，你还可以开始制作购物清单，所有这些都可以做到。
类似地，在Google Home中，你可以让Google Home，比如说，搜索附近的餐馆。
甚至尝试进行预订。那么这些应用试图做什么？
他们想要做的是，一旦你意识到某个特定需求。
他们试图在某种意义上使用语音AI来表达。
我们如何从意识到最终购买的角度缩短旅程？所以再说一次。
总的来说，当你开始考虑不同类型的应用时，如我们在这里看到的。
我们看到了语音AI应用、语言AI应用和视觉AI应用。但当然。
我想关注的不仅仅是应用本身。
正是当你开始思考客户旅程时，它在做什么。
到目前为止，我们看到的两件事。一是确保我们能理解什么。
客户旅程是什么样的，并能够预测它。所以这是预测下一步。
客户旅程和机器学习算法在其中的帮助。我们看到的另一个例子是。
刚才看到的是缩短旅程，一旦公司理解到存在一个。
对需求的意识，我们如何确保能满足特定需求。
现在往前看，我们还将关注其他类型的客户旅程以及AI能做什么。
[空白音频]。
P39：5_利用机器智能识别新的风险形式.zh_en - GPT中英字幕课程资源 - BV1Ju4y157dK
我想让你关注一下，当你时可能会发生什么样的问题。
开始使用机器学习和AI模块。我们讨论了很多关于客户旅程的内容。
我们讨论了很多机器学习算法或。
AI软件能为你做什么。但同时，我认为理解存在的风险是重要的。
也同样出现。因此，一个风险的例子是理解数据的来源。
我会给你两个例子，但我认为这些例子，你当然会看到有些。
这只是冰山一角。这些例子来自亚马逊。当然，亚马逊是一家大公司。
还有许多其他公司也参与了这些例子。
我只是想给你一个来自亚马逊的例子，但你会看到这些例子有多普遍。
示例是。一个例子是亚马逊放弃了一种秘密的AI招聘工具。
这里的问题是什么？问题在于亚马逊，像许多公司一样。
可能有很多人想在某种意义上成为亚马逊的员工。好吧。
他们有很多人提交简历。在这种情况下。
如果我没记错的话，问题是关于软件开发人员的。
很多人想成为亚马逊的软件开发人员。那么他们想做什么呢？
他们希望加快这一过程。那么他们是怎么做到的？他们基本上说。
如果你能拥有一个可以浏览的AI工具，那会多好。
其中一些简历，试图找出哪些简历可能有最高的。
成功的机会是哪些人？他们是以什么为基准的？
他们以当前员工和他们自己的简历作为基准。
然后他们开始寻找最佳的预测方式。问题是什么？
问题在于他们拥有的历史数据，也就是当前员工的数据。
这些开发者主要是男性软件开发人员。那么他们最终做了什么呢？不幸的是。
AI工具最终对女性产生了偏见。我注意到这并不完全是工具本身的错。
这是数据的问题。因此，仔细考虑数据来源是非常重要的。
数据的普遍性如何，还有许多其他类似的问题。
我再给你一个例子。这是关于亚马逊和你在这里看到的种族歧视算法的例子。
再次，显然非常有争议。那么让我们讨论这个例子。
然后我们还会谈论争议。在这种情况下。
亚马逊正在考虑扩展他们在美国提供的亚马逊Prime服务。
因此，这个例子和这个问题尤其在波士顿地区。
发生的情况是，他们在考虑向哪里提供亚马逊Prime。
他们在查看不同的邮政编码。然后他们基本上进行了以下计算。
所以让我们在某些邮政编码中提供这个，那里有机会变得更有利可图。
这很有道理。一旦他们开始关注这个问题，那么我们这些来自波士顿的人。
他们可能会认出这个地方。波士顿有一个地区叫罗克斯伯里。
这是一个稍微低收入的地区。所以这最终成了他们所称的亚马逊问题。
这是一个像甜甜圈一样的区域，环绕着罗克斯伯里。
他们为罗克斯伯里提供了亚马逊Prime。但你可以想象这是非常有争议的。
另一方面，你也可以想象，在罗克斯伯里没有很多商店的人。
在他们周围，那些人实际上将是从亚马逊Prime中受益最多的人。
那么为什么会发生这种情况？因为他们在查看数据，但没有跟进去看看。
这些算法在做什么。所以我想你在开始使用客户数据进行预测时要注意的第一个问题。
缩短旅程，无论情况如何。
关于这些数据的可推广性，首先是涉及到不同的客户。
你所拥有的，并开始仔细考虑这些数据的代表性。
下一个问题是关于数据集和隐私。首先，客户隐私是一个巨大问题。
在欧洲，你有 GDPR，在加州，你有加州隐私法。还有很多。
还有许多其他隐私法将会出台。
我会建议你在开始考虑如何使用客户数据时，或许可以。
目标客户，旅程的匹配，定制化，个性化旅程，情况如何。
可能会。开始仔细考虑一下，并展示客户隐私，你能做些什么。
确保你不侵犯他们的隐私。让我给你举个例子。
这个例子来自一家叫 Strava 的公司。
现在 Strava 是一家在某种意义上构建全球热图的公司。
这就是他们所谈论的。这是一个为非常活跃的人提供的大型社交网络。
如果你在 Strava 上，你可以发布，能说，“好吧，我去慢跑了五英里。”
“等等。所以在某种意义上，他们注意到了他们正在构建一个全球热图。
这些人非常活跃。发生了什么？好吧。
他们自己的数据是匿名的，他们非常确保他们的数据集。
在某种意义上是不可识别的。但有些人做了什么？
他们最终在此基础上叠加了谷歌地图。结果发生了什么？好吧，在某种意义上。
他们能够找到一些人，我相信是在阿富汗等地方。
在那里的美军是谁。所以显然，这正是这个头条所谈论的。
Strava 热图以及其中的秘密。这里的主要概念是什么？
这里的主要想法是，你自己的数据集可能是匿名的，但越来越多的，很多。
有很多人正在整理数据集。
这是一件需要非常小心的事情，即不仅仅是你的数据集。
应该确保隐私，但要非常仔细地思考数据集的组合可能会如何影响。
最终要关注隐私。第三个问题是你如何使用机器学习。
这与我们之前提到的数据本身的想法有关，但更多的是。
不仅仅是数据的代表性。更重要的是，你的数据更新的频率。
也就是说，你使用的数据是两年前的，一年前的。
看一下客户旅程，看看客户购买你产品的频率。
旅程是怎样的？客户旅程的哪些部分是“粘性”的？哪些部分在变化？
因为当然，随着新技术的出现，新的竞争者的出现，所有这些。
旅程的变化。因此，仔细思考你如何使用数据，你如何使用模型。
数据更新的频率以及旅程变化的情况是至关重要的。
当然，数据不是免费的。这意味着。
我认为当你开始考虑使用新技术时，无论是机器学习，还是人工智能。
无论情况如何，你需要采取主动的态度。
也许进行一些测试和学习，收集一些数据，启用新模型，看看效果如何。
你所收集的新数据，以及你的模型在多大程度上能够预测这些数据。
所以你做得越多，就越能在理解方面保持敏捷。
机器学习和人工智能软件在获取新数据方面是所谓的“更新”。
以及那些旧模型可能需要调整的地方。谢谢。[BLANK_AUDIO]
P4：3_大数据分析.zh_en - GPT中英字幕课程资源 - BV1Ju4y157dK
在本次讲座中，我们将讨论大数据分析与传统分析的不同之处。
数据分析。而反过来，这意味着在技能和工具方面的要求。
企业在组织内部需要什么？如今，传统的数据分析通常是非常结构化的。
这可能始于一个管理问题，进而形成假设。
这是统计学家或数据科学家提出的。目标是分析。
数据以测试该假设。数据分析确认或建议我们的。
假设是错误的。简而言之，它是非常假设驱动的。相比之下，大数据。
数据分析更具探索性。它首先关注数据，而不一定是具体的。
假设，但伴随着广泛的商业问题。我们可能会进行更多的探索性。
分析并找出我们数据中的某些模式、关系或相关性。这可能暗示。
某些洞察、商业洞察。有时。
这甚至可能导致某些假设的形成。
然后我们可能会进行更正式的假设检验或传统分析。简而言之。
大数据分析更具迭代性，更具探索性，实质上。
这是一个过程，其中数据通常引领方向，而不是我们的假设。大数据。
分析也需要组织内部的新技能或能力。我认为。
将这些技能看作三种主要类型的技能，管理数据，理解。
数据的管理和利用。管理数据就是将数据组织好，以便。
它可以随后进行分析。有时这涉及购买第三方工具。
通常是这些工具开发者专注于如何最好地管理数据，并提供。
给我们提供可以现成购买的良好解决方案。但有时在公司内部，我们也。
需要数据专家来帮助内部管理数据。这些可能是数据。
建筑师或首席数据官可能会制定数据治理政策，也可能会。
理清我们数据将如何在本地组织的架构。
或在云中。理解数据就是使用工具从数据中提取智能。
这大致属于数据科学的领域。它包括经常工作的统计学家。
进行传统数据分析。这也包括机器学习和数据挖掘。
可能应用计算机科学的更现代技术来分析数据的专家。
这也包括可视化数据的能力，因为数据科学中的关键能力之一。
不仅是能够分析数据，还能以有意义的方式构建。
故事并可视化，以便洞察能够被轻松理解。
所有利益相关者都参与其中。第三种技能是基于数据采取行动。这就是管理者的。
这要求管理者运用数据分析的洞察并将其应用于决策。
管理决策。需要两种技能。第一是数据技能。管理者。
能够解读和理解数据科学家告诉他们的信息。他们。
能够在适当的时候挑战数据分析，因为数据洞察可以。
也可能具有误导性。有时数据分析可能找到虚假的相关性，采取行动。
依赖它们而不真正挑战数据分析可能会有问题。确实需要。
要求管理者具备基本的数据科学理解，以了解有哪些。
理解数据分析的局限性，以便识别数据分析何时正确，何时需要。
需要适当地进行修改或挑战。管理者需要的第二项相关技能是。
领域专业知识。数据常常告诉我们过去看到的模式，但这需要。
具有相关领域专业知识的管理者能够提出正确的问题，找出如何。
我们如何从数据洞察走向实际行动。所以最成功的管理者。
在数据世界中，管理者既要精通数据，又要具备强大的垂直领域。
专业知识。他们可以将这两者结合起来推动管理行动。最后是大数据。
分析不仅需要组织内新的技能组合。它还需要新的。
组织内的工具组合。从工具的角度，我们可以考虑两种工具。
第一类是数据管理工具，基本上是帮助。
帮助我们收集和组织公司内所有数据，第二是数据分析工具。
这些是帮助我们分析数据并提取有意义、可管理信息的工具。
从数据中获取智慧。在下节课中，我们将深入探讨数据管理工具。
[BLANK_AUDIO]。
P40：6_面向分析的组织架构.zh_en - GPT中英字幕课程资源 - BV1Ju4y157dK
我们已经讨论了很多关于声音、愿景以及各种AI。
我认为当然重要的是，在组织内部，我们如何获得成功？那么。
成功的很大一部分取决于分析结构的设置。
在组织内部进行分析。所以让我们举一些例子，尝试理解不同类型的结构及其可能性。
在如何让组织更有结构以获取成果方面会有一些好的收获。
从分析中获得最佳成果。外面有许多不同类型的模型。
我想强调的主要内容是，当然没有。
一刀切。你必须看看组织内部的成熟度，判断什么模型可能适合。
适合你工作最佳。我会介绍所有这些模型。所以让我们从集中式模型开始。
然后我们会讨论卓越中心。
功能模型和最终的分散模型。因此，当你研究这些模型时。
让我们看看利弊，然后我会敦促你开始思考自己组织的成熟度水平。
你觉得什么类型的结构最适合你的组织。
我们先从集中式模型开始。这里的理念是有一个服务整个公司的核心分析单位。
当然，这样做的优点是什么？很多优点。
例如在跨职能项目上工作的能力，当然有一个核心单位。
服务整个公司的分析单位，他们可以看到整个公司的各种分析。
公司内发生了什么，营销中发生了什么，或者可能在。
财务。这种方式可以让你在公司不同部门的分析师之间分享想法。
当然，中央单位服务整个公司的事实有很多。
在那里工作的分析师有很高的可靠性。
公司也是如此。显然，这是一个大型结构，从某种意义上讲帮助整个公司。
反面是什么？反面可能是根据分析师的设置，工作量和时间限制可能会很大。
分析师的设置取决于公司在这方面的投资。
分析师的数量。当然，考虑到有一个核心单位。
有时你可能会优先考虑市场营销的项目。
有时会涉及到运营等等。而另一个大缺点是灵活性。再次强调。
如果有一个大单位，灵活性就会更难，因为你要处理很多事情。
同时进行许多不同的项目。让我们再看看另一个模型。
这被称为卓越中心模型。这是一个非常有趣的组合。
行业内通常使用的术语是COE，即卓越中心。
这是一个有趣的组合，活动和分析师都基于他们的业务单元。
但也有一个小的核心小组。那么这里的想法是什么？在某种意义上。
你正在尝试兼得两全其美。这意味着在小组织中有一组中心人员。
中心小组。另一方面，分析师嵌入在业务单元中。
他们也拥有业务知识。所以这是实质性的知识。那么，积极的一面是什么？
培训是集中进行的，因为中心小组负责所有培训。
也有良好的协调。那么，消极的一面是什么？
消极的一面可能是卓越中心可能没有足够的控制，因为。
这是一个更小的群体。当然，作为一个小组的事实。
在组织内部，我们有多少信号表明对其有很大的支持？
然后有一个模型，我称之为职能模型。我认为这再次取决于。
我们将进一步讨论组织的成熟度。
但这里的想法是，分析师通常是在主导分析活动的职能内。
现在，例如，你公司的财务小组可能有很多不同的。
无论发生什么情况，运营团队都会有事情在进行。
所以公司可能决定运营团队，比如因为有很多。
正在进行的活动，分析应该集中在这个地方。好吧，从积极的方面看。
分析集中在最能获益的地方。因此你可以看看投资回报。
你可以做各种事情来帮助你理解。
分析能力和分析实践对你的公司来说有多好。
所有不同的东西，你正在采用的新技术，在哪里。
他们有收益吗？消极的一面是什么？消极的一面是其他职能可能得不到所需的支持。
所以例如，假设市场营销没有获得支持，因为许多分析师。
在所谓的运营领域内部。最后，这是一种模型，但不完全是模型。
这被称为分散模型。其基本思想是分析师遍布整个组织，而没有中央。
支持。而不幸的是，对于许多组织，我也看到这一点。
如果有积极的一面，那是什么呢？那就是好吧。
一些单位得到了支持，因为他们碰巧有分析师。
但我认为有很多缺点。首先，这不算是真正的模型。在某种意义上。
你可以想象组织不同部分的小火花。
但不足以引起火花。在某种意义上。
分散模型并没有一种真正的方法可以期待其形成结构。
但这是我看到许多组织的地方，所以我想提出来，以便你能注意到。
意识到如果这就是你们组织的现状，是时候开始思考如何了。
你应该改变该组织中分析的结构。当然。
一个快速的问题也是一个大问题是使用哪个模型？我们谈论了不同的模型。
CUE模型、功能模型等等。老实说。
这取决于组织的需求。在某些组织中。
我看到的是，随着他们变得更加成熟，最初当他们开始时。
你需要一些程度的集中化，因为你确实想要了解是什么。
在市场营销、运营等方面，组织内正在进行的活动。
等等。在某种意义上，某些可以在组织的一部分中利用的事情可能会发生。
在组织的其他部分？所以你确实需要某种形式的集中化。反过来。
我认为，你需要不断监测。你在组织中拥有的模型与您的成熟度是一致的。
所以我看到在那些更成熟的最佳组织中，他们确实有一些集中化。
这种结构，CUE类型结构，但与此同时，他们有嵌入的分析师。
在功能单位中。为什么？因为我认为对分析师来说，这非常。
理解实质性特征是非常重要的。
在组织内部发生的决策。所以这样。
当分析师构建他们的模型时，当分析师采用新技术来帮助。
所谓的，在他们自己的业务中，他们了解决策。
决策者正在经历的过程。他们理解公司内部决策者在面临的障碍。
继续使用新技术。所以开始查看你的组织，看看你在成熟度的哪个级别。
然后看看哪种模型最适合你。[BLANK_AUDIO]。
P41：7_AI转型模板.zh_en - GPT中英字幕课程资源 - BV1Ju4y157dK
我想谈谈如何找到成功。
在你的组织内，确保你正在进行的任何人工智能项目。
你正在使用的任何不同类型的新机器学习模型。
我们如何确保它们实际上是可实施的，并且能够带来变化。
在这些步骤中，再次考虑你自己的公司。
考虑你所处的组织，看看其中有多少可以为你定制。
所以我认为非常有帮助的第一件事是，开始在组织内部思考。
或许是8到12个分享类似想法的人。
这可能是组织内一些内部人员与外部人员的结合。
你想确保的是拥有一组人，希望是多样化的。
来自不同职能领域的人，可以识别出一些特性。
在采用新技术方面，无论是人工智能，还是机器学习。
无论情况如何，关键的理念是提出正确的管理问题。
回到我们之前提到的问题。这是关于“为什么”。仔细考虑，你知道。
你试图解决的客户需求是什么？
你在这个人工智能智囊团中的多样性越多。
你拥有的不同视角越多，你就越能确保。
内部人员和外部人员都可以围绕一套共同的东西聚集。
可实施的想法和实际能够改变组织的一系列想法。现在。
他们还想做的就是开始识别，或许。
组织内部的数据资产，以及你认为可以自动化的一系列活动。
当你开始思考数据资产和活动时，这一点再次非常重要。
始终牢记客户的旅程及其所有需求和障碍。我觉得这非常重要。
在某种意义上，非常重要的是不要被技术本身、那些闪亮的新物件所诱惑。
可以这么说，但要保持解决问题的思路。
一旦你考虑到这一观点，问题驱动的视角。
然后你可以开始做出更好的决策，基于什么类型的技术是有帮助的。
什么类型的技术可能是有帮助的，但现在不是，而是在未来。当然。
你也想开始思考，解决你提出的问题的方法是什么。
可以将客户需求结合起来，从短期与长期的角度来看。显然。
一些技术和一些举措，可能需要很长时间。
无论是从组织的角度，还是从客户变更的角度。
有些事情是客户，您的客户。
无论你是B2C公司还是B2B公司，你的客户可能很容易取代两者。
所以如果你提供一个移动应用，也许是一些简单的放弃方式。
如果你是一家零售公司等等，这可能是短期举措。
但是当然，任何长期的举措都需要客户的变更。
客户习惯的变化。因此从长远来看，你可能想要优先考虑。
从长远来看，不仅仅是因为组织，还要从客户的角度来看。
然后开始考虑与短期和长期相关的投资组合。
我认为在一个组织内，展示快速回报是非常重要的。
你希望能看到哪些低垂的果实。
能够向你展示AI和机器学习的投资实际能为你做什么。
所以开始思考短期项目，也许四到五个。再次。
在公司内的不同领域多元化，这可以帮助你获得快速收益。
但与此同时，也要开始思考，哪些长期项目可以改变。
整个公司呢？当我们开始考虑AI团队本身、智囊团等等时。
回想一下我们谈到的分析组织和结构。
这些人将会在哪里？你会有卓越中心模型吗？
你会有功能模型吗？你会选择什么样的模型？当然。
这取决于组织的成熟度，但要仔细考虑组织的类型。
谁将承担问责，哪里是你的起点。
这在一开始就非常关键。我认为，你拥有的绑定越多，越能。
在某种意义上，理解你有谁负责不同的项目。
以及这种问责制将是什么样子，你能取得的成功越多。最后，当然。
在这个整个过程中，你需要始终考虑投资回报率。
考虑我们讨论过的风险，以及隐私问题。
思考我们讨论过的投资回报率，即如何确保我们不仅仅是获取。
不要被光鲜的新事物所诱惑。但要考虑到客户旅程。
考虑我们正在进行的投资。
我们如何跟踪这些投资，确保我们所做的所有投资。
实际上有正的投资回报率。谢谢你观看。祝你在AI之旅中好运。再次。
我建议的是，当你考虑采用新技术时。
当你开始思考最新的AI和机器学习时，我认为有很多新的发展。
跟上这些发展的步伐。但同时，不要忘记你的客户。
我认为将客户旅程结合起来是非常重要的。
理解客户的障碍、原因和管理问题。
将这些管理问题与如何实现最新技术结合起来。
正是这种协同效应将为你带来最佳成功。谢谢你。
[空白音频]。
P42：8_个性化推荐系统.zh_en - GPT中英字幕课程资源 - BV1Ju4y157dK
在本次讲座中，我们将从网络个性化的介绍开始。
我会具体说明。
深入探讨推荐系统。现在推荐系统。
有时也被称为推荐系统，这些系统。
这些系统试图预测哪些项目、产品或内容对消费者感兴趣。
基于客户的一些信息，例如他们的用户档案。
根据他们过去的购买或评分。推荐系统最常见的例子是协同过滤。
这是一个使用标签或短语进行推荐的系统，比如购买此产品的客户。
也购买了这个，或者查看此产品的客户也查看了那个产品，或者人们。
就像你购买了这些其他产品。现在，这些推荐系统是独特的，因为它们为客户增加了价值。
对于消费者，它们帮助他们了解新产品，并帮助他们筛选。
大量选择，意味着当你有很多选择时，它们帮助识别最合适的。
相关选择。对于公司来说，它们有助于将浏览者转化为买家。
它们有助于交叉销售产品，并通过提供定制或个性化的浏览体验来提高忠诚度。
现在有很多这样的例子。你可能习惯于看到这样的消息：购买此产品的人也购买了这些其他产品。
在 Google 新闻上，你可能习惯于看到个性化的新闻推荐。
在 YouTube 或 Netflix 上，你可能习惯于看到个性化的视频和电影推荐。
现在如果你从高层次看这些系统的设计。
行业内主要使用两种设计。
第一个被称为基于内容的推荐系统，这些系统尝试。
基于一些产品属性的信息来找到其他消费者感兴趣的产品。
例如，如果你喜欢一个产品，这些系统会查看这些产品的属性。
他们喜欢的，并找到其他类似的产品。
其中一个例子是 Pandora 的音乐推荐系统。
另一种设计被称为协同过滤。
协同过滤并没有真正深入产品属性。相反。
协同过滤基于其他人正在消费的内容来推荐项目。
所以它们尝试找到有类似品味的其他人，并推荐其他内容。
他们可能喜欢的。因此，例如，购买此产品的人也购买了这个。
所以让我们深入探讨这两个例子，详细看一下。首先。
基于内容的推荐系统。
正如我提到的，他们倾向于关注内容属性或产品属性。
倾向于找到具有相似属性的其他产品。
一个例子就是Pandora，这是一个在线音乐服务。
而Pandora本质上推荐并播放可能引起消费者兴趣的歌曲。
Pandora源于一个名为音乐基因项目的项目。
本质上在这个项目中，许多艺术家，数百甚至可能成千上万的艺术家。
听取了数百万首歌曲，并对这些歌曲进行了多维度或属性的评分。
所以例如，你可能会说某一首歌在电子方面得分很高。
影响，但在歌曲的节奏性方面得分较低，也被称为。
作为有节奏的切分音，或者在大调音色方面可能得分较低。
这些是歌曲的不同音乐特质。另一首歌在节奏切分音方面可能得分很高，但可能得分较低。
在电子影响方面得分较高，但在大调音色方面得分较低。
诸如此类。在这个例子中，我提到的只是三种不同的音乐属性或音乐特质。
一首歌的属性包括电子影响、节奏切分音和大调音色。
但实际上，Pandora针对任何给定的歌曲有超过150种不同的属性。
鉴于这些属性，以及大量歌曲的数据库，具有非常深刻的。
有关每首歌音乐特质的信息，Pandora的目标是现在开始推荐。
歌曲。Pandora的运作方式是，用户登录后首先表示他们喜欢某些。
喜欢的歌曲。例如，我可能登录Pandora并表示我喜欢Imagine的《Thunder》这首歌。
Imagine Dragons。现在Pandora查找其数据库，找到其他具有类似音乐特质的歌曲。
然后推荐这些歌曲。例如，当我登录Pandora并表示我喜欢Imagine Dragons的《Thunder》时。
Pandora接下来播放了21 Pilots的《ride》，并特别指出推荐了这首。
这首歌因为它有dub制作，带有雷鬼风格，且有一段原声节奏钢琴。
它使用弦乐合奏，并且具有大调音色。
这是Imagine Dragons的《Thunder》这首歌的属性，它在《ride》中也找到了。
由21 Pilots演唱。正如你所看到的，这基于对所推荐产品或内容的深入了解。
这种设计只有在你拥有大量有关音乐或产品的元数据时才能使用。
一般来说。这些系统可以适应，例如，如果我听一首歌并给它一个不喜欢的反馈。
换句话说，如果我告诉Pandora我不喜欢那首歌，Pandora就可以整合。
反馈并学习，这就是学习的过程，并即时调整。
向我们展示更接近我们偏好的不同歌曲，与之不同的歌曲。
我们不喜欢的歌曲。因此，这是构建这些算法的关键部分。
另一种不同于基于内容设计的设计是协作过滤。
协作过滤不需要对正在被推荐的产品有非常深入的了解。
推荐，所以它们不需要歌曲或其他产品的属性。
相反，它们是基于其他人消费的信息。
例如，亚马逊的“购买此商品的人也购买了那件商品”是基于协作的。
过滤。实际上，当Netflix最初推出其流媒体服务时，最初的设计是。
基于协作过滤。本质上，它根据用户的评分和观看行为将用户分组到不同的特征中。
模式，然后根据其他人喜欢的内容向人们提出建议或推荐。
其他具有相似特征的人喜欢什么。现在最后。
fm是一个在线音乐服务，用户利用协作过滤。
制定推荐。这种方法是，如果我去最后。
fm并表示我喜欢Imagine Dragons的《Thunder》。现在最后。
fm不一定对《Thunder》的音乐特性有深入的了解。
相反，它会查看其他用户喜欢《Thunder》的内容，一旦识别出。
其他这样的用户，它查看这些用户喜欢的其他歌曲，并推荐他们的。
歌曲。因此，这两种主要设计在协作过滤中有许多变体。
设计。例如，有一种设计称为物品到物品的协作过滤，本质上。
此设计根据其他人消费的内容向用户推荐歌曲，但输入。
此设计是您已表示喜欢的特定项目。
比如我开始说我喜欢Imagine Dragons的《Thunder》，这就是。
系统用于开始推荐歌曲的输入，因此该设计。
是一种物品到物品的协作过滤。另一种设计本质上使用有关用户的信息作为输入，而不是特定的。
项目。这种设计被称为基于用户相似性的协作过滤。
因此，这种设计的本质是，它查看我们所有的过去历史并观察。
查看我们过去喜欢的所有产品，并找到其他具有。
相似偏好的原因。我提到Netflix以前使用过一种设计，它本质上创建了人们的特征。
然后找到了其他有相似特征的人，并推荐了他们喜欢的其他东西。
这是一种基于用户相似性的协作过滤。
这两种设计都不需要对被推荐的产品有深入了解的另一种方式。
因此，它们非常容易构建，且构建成本也非常低，这就是它们。
也非常受欢迎。他们受欢迎的另一个方面是实际上非常有效。
所以我们都习惯在像亚马逊这样的零售网站或其他网站上看到推荐。
我们知道，YouTube影响我们做出的选择，实际上协同过滤设计。
虽然它们比基于内容的设计简单得多，但同样有效，因此。
因为它们设计的简单性，基于内容的推荐系统更受欢迎。
同时，构建这些系统也存在一些挑战。
无论你是构建基于内容的推荐系统还是协同过滤，你都必须面对。
你拥有多少数据以及需要足够的数据来开始推荐。
特别是协同过滤会导致与内容不同的数据集。
基于内容的推荐系统。基于内容的推荐系统需要大量关于产品属性的信息。
推荐相对而言，协同过滤使用其他人消费的信息。
这需要很多关于他人消费的信息。
实际上一个挑战是数据可能会很稀疏。
考虑到用户可能只对数百万种不同产品中的五到六个项目进行评分。
一家公司的视频或歌曲，因此现在公司必须想出如何推荐。
基于这些有限推荐向人们推荐歌曲或视频。
这些系统必须弄清楚如何使用或彼此相似，尽管它们。
每个人仅对五首歌曲进行评分，而这五首歌曲可能实际上非常。
不同的歌曲重叠极少，因此稀疏数据是一个问题。
另一个问题是所谓的冷启动。
换句话说，冷启动基本上是如何开始做出推荐的问题。
对新用户，当你对他们过去的选择、兴趣或偏好没有信息时。
还有，如何推荐尚未被其他人购买的新项目。
或者尚未被其他人评分，但刚刚被添加到目录中。
想要开始进行推荐。这是另一个挑战。
因此，存在许多设计挑战，数据科学家会花大量时间思考。
通过一些设计挑战，但这是一个相当成熟的领域。
针对这些问题有一些非常好的答案。
所以，今天构建这些系统并不是很复杂。
公司也可以选择使用第三方系统，因此如果你不想构建。
如果你想自己做，有第三方公司提供产品推荐。
作为公司可以整合的服务。总之，推荐系统有很多设计。
最流行的两种设计是基于内容的设计和协同过滤设计。
这些设计在实践中是非常不同的。两者都相当有效，并且在这些设计上有不同的权衡。
在讲座中，我们将实际深入探讨这些权衡的一些方面。 [BLANK_AUDIO]。
P43：9_个性化对市场的影响.zh_en - GPT中英字幕课程资源 - BV1Ju4y157dK
在这次讲座中，我们将讨论推荐系统如何影响消费者选择，以及一般情况。
对市场产生影响。现在，推荐系统在多种场景中影响消费者选择。
例如，研究显示消费比例在28%到35%之间。
在亚马逊等零售网站上，人们的选择有很多是受到算法推荐的影响。
所以要么是推荐系统改变了我们的选择。
意思是我们走进来试图购买产品A，但推荐系统。
通过这样的推荐，比如“查看此商品的人最终购买了那件商品”。
这实际上可能说服我们改变选择，或者实际上可能交叉销售某个产品。
我们买了产品A，但看到推荐“购买A的人也购买了B”，最终我们买了B。
但无论如何，亚马逊零售网站上近三分之一的选择都是归因于此。
针对算法推荐的研究，尤其是Google News上的研究。
有研究表明，算法推荐使网站的消费者使用率增加了约38%。
所以人们消费更多的新闻，在Google News上花费更多时间。
而且这基本上驱动了使用率的38%增长。
另一项来自Netflix数据科学家的论文表明，80%的观看小时数。
在Netflix上观看的内容实际上来源于算法推荐。所以简而言之。
我们已经看到推荐可以在许多场景中推动消费者选择。现在。
有趣的是，它们不仅仅增加了消费量。
它们还会推动消费的商品、产品或内容的变化。
关于它们如何影响我们的选择有很多理论。现在。
一种理论实际上可以追溯到2000年代中期，被称为长尾理论。
这基于一本叫做《长尾》的书，作者是克里斯·安德森。在书中。
作者建议，互联网总体上将帮助推动消费者。
从最受欢迎的商品到更小众的商品的搜索、偏好和购买。
换句话说，互联网将推动对热门商品需求的转变。
向更小众的商品倾斜。在使这种转变成为可能的机制方面。
关键机制之一是自动化推荐。具体而言。
他建议自动化推荐的主要影响。
将帮助人们从热门商品的世界转向小众商品的世界。
而这可能发生的主要原因是，在没有推荐的情况下。
我们可能会参考一些列表，比如说热门电影列表或畅销书列表。
而且我们可能会基于这些列表做出选择。
但推荐可能有助于引导我们关注更接近我们偏好的项目。
但并不一定非常受欢迎。但问题是，这真的是真的吗？
尤其是考虑到协同过滤算法会推荐项目。
基于他人的消费，所以它们是否依赖于一些关于流行度的信息来。
推荐项目。现在，让我们看看这是否发生。
现在，我们可以用一种方法来衡量购买是否多样。
是通过观察所谓的“消费基尼系数”来实现的。现在。
“基尼系数”是消费多样性或收入集中度的度量。
它在多种不同的环境中使用。计算“基尼系数”的方法是首先绘制所谓的洛伦兹曲线。
洛伦兹曲线是你在黑色图形中看到的曲线。
这被标记为“L”。洛伦兹曲线表示由某一百分比的产品生成的总销售额的份额。
换句话说，洛伦兹曲线在这里所指示的是底部20%的产品。
产生的销售额微不足道，可能少于1%。在这个图中。
底部40%的产品产生的销售额稍微少于10%。
底部60%的产品产生的销售额大约为20%。
所以，这基本上就是洛伦兹曲线所指示的内容。
你在图中看到的对角线基本上表示洛伦兹曲线会是什么样子。
看看如果所有产品的销售额相等会是什么样子。如果所有产品的销售额相等。
底部20%的产品将产生20%的销售。
底部40%的产品将产生40%的销售，依此类推。
现在，基尼系数是洛伦兹曲线与对角线45度之间面积的度量。
直线。如果基尼系数为零，则意味着所有产品的销售额相等。
如果基尼系数为1，则意味着一种产品生成了所有的销售。
所以现在我们可以问推荐系统是否将市场中的基尼系数朝零的方向移动。
或者接近1，这意味着接近更大的销售多样性或接近较低的销售多样性。
我们实际上可以研究一个没有推荐的世界。
我们称这个市场的基尼系数为G0。假设在这里使用某个推荐器R。
在那个市场中，使用该推荐器获得的基尼系数是GI。
然后我们可以问推荐系统是否存在多样性偏见或集中偏见。
通过查看GI是否小于或大于G0。因此，这就是这个想法。
所以为了验证这一点，我们实际上与北美的一家大型零售商合作。
我们与北美前五大零售商合作，并于八月与他们进行了现场实验。
2013年我们专门进行了一项AB测试，其中一些用户被分配到未。
未接受任何推荐的用户与接受推荐的其他用户被分配到。
具体来说，我们取了超过130万访问网站的用户，并将他们分成。
三个组。第一组，我们称之为控制组，大约占我们用户基础的77%。
被分配到控制组的用户，他们未接受推荐。第二组。
大约11.5%的130万用户，他们接受了基于浏览的协同过滤推荐。
意味着一种推荐，表示查看此商品的人也查看了其他商品。
最后，第三组接受了基于购买的协同过滤推荐。
意味着该公司的推荐，购买此商品的人也购买了这些其他商品。
接下来，我们查看这三组的基尼系数有何不同。让我们看一下。
在幻灯片上看到的图中，黑色为控制组的洛伦兹曲线。
对于未接受推荐的组。虚线红色中，我们有接受推荐的组的洛伦兹曲线。
基于浏览的推荐。你会注意到底部40%的产品市场份额。
在开启推荐后显著下降。类似地，市场份额的。
底部60%的产品在推荐开启后也显著下降。这可以是。
直接体现在基尼系数的测量中。因此，获得推荐的群体的基尼系数。
没有推荐的基尼系数为0.6，而获得推荐的群体的基尼系数。
公司，查看此产品的人也查看了那些产品，实际上增加到0.68。
换句话说，销售变得更加集中。接下来，我们可以看到购买时发生了什么。
基于协同过滤的推荐。在这个图中，再次，我有控制组的洛伦兹曲线。
黑色和基于购买的协同过滤的洛伦兹曲线为虚线红色。
我们会看到这次结果更为明显。底部产品的市场份额。
下降得非常明显，而在有推荐的情况下，基尼系数。
从控制组的0.6显著增加到接受推荐的组的0.7。
接受推荐的组。换句话说，有充分证据表明协同过滤具有显著。
流行偏见。他们往往根据其他人正在浏览的产品来推荐商品。
正在购买。因此，他们往往会加强已经受欢迎产品的流行性。
现在，所有这些内容有一个警告。在这里的图表中，我绘制了绝对销售额。
并不是产品的市场份额，而是推荐前后产品的绝对销售额。
值得注意的是，所有产品的绝对销售额，无论我们谈论的是。
关于每个图表左侧的小众产品或销售额的。
图表右侧的流行产品。
所有产品的销售额都在增加。
换句话说，推荐系统所做的就是帮助所有产品。
无论是小众还是流行产品都会被发现。然而。
它们对流行产品的受益不成比例。这在某种程度上类似于关于收入不平等的辩论。
人们谈论收入。
不平等，但如果你查看过去25年、30年的数据，特别是在美国这里。
有充分的证据表明，在绝对规模上，所有群体的收入，无论我们。
不论是富人、中产阶级还是穷人，他们的收入都在上升。
但在相对基础上，富人受益远远超过穷人，这就是为什么会有。
关于收入不平等的辩论。因此，我们观察到非常相似的结果，各种产品。
无论流行或不流行的产品在推荐下都会受益并被发现。然而。
更流行的产品往往更容易被发现，并且比小众产品受益更多。
在协同过滤下。这是我们从不仅仅是这项研究中得出的主要发现之一。
但还有多项其他研究。因此，总的来说，我们发现协同过滤往往具有流行性。
偏见。但换句话说，我们发现基于内容的推荐系统并没有相同的。
流行偏见。简而言之，我们发现基于内容的推荐系统可以帮助人们找到。
接近他们偏好的产品。然而。
这些产品未必是最受欢迎的项目。
因此，在使用这两种设计方面有一些利弊。在下一次讲座中。
我们将看看这些权衡，并看看公司如何修改其设计以。
这两种推荐系统设计都受益于此。[BLANK_AUDIO]。
P44：10_解决个性化的挑战.zh_en - GPT中英字幕课程资源 - BV1Ju4y157dK
嗨，在这节课中，我们将结束关于个性化和推荐的讨论。
系统。回想一下在上次讲座中，我们讨论了与此相关的某些挑战或权衡。
推荐设计。回顾一下讨论。
协作过滤的主要优势之一是。
它不需要关于所推荐产品的深度元数据，因此它。
非常容易构建。与此同时，它相当有效，并已证明有助于消费者发现。
新产品。这具有良好的社交吸引力，例如。
知道其他人像我一样喜欢或消费某些歌曲，会增加我对那首歌的兴趣。
然而，这种设计也有一些缺点。我们讨论了协作过滤设计的受欢迎程度偏差。
挑战，尤其是如果作为零售商你想让客户接触你的旧目录。还有。
因为这些系统对所推荐的产品没有深入的了解。
它们无法解释为什么某些产品被推荐给用户。最后。
它们也往往面临新用户和新产品的挑战。相对而言。
基于内容的推荐系统实际上没有受欢迎程度偏差。
它们也非常有效，并且对所推荐的产品有深刻的了解。
被推荐的产品，它们可以向消费者解释推荐背后的理由。
但建立起来相当昂贵，因为你需要关于推荐产品的详细元数据。
被推荐的产品。因此，出现的问题是是否有办法实际上结合这两者。
这样你就能获得两者的好处。这是许多公司近年来所走的方向。
一个例子是 Spotify。所以对于那些习惯使用 Spotify 的用户。
你可能对 Spotify 的 Discover Weekly 推荐非常熟悉，Spotify 为你策划了一系列歌曲供你收听。
现在 Spotify 的 Discover Weekly 最初是基于协作过滤设计的。
所以最初 Spotify 的推荐系统纯粹基于协作过滤。
但随着时间的推移，它也结合了基于内容的推荐设计原则。
现在，为了做基于内容的推荐，需要关于音乐的非常丰富的元数据。
歌曲的质量。如果你打算按照 Pandora 最初的方式去收集，这会很昂贵。
启动其服务。意味着让艺术家听歌曲并对这些歌曲进行评分。
所以一个替代方案是使用机器学习自动提取歌曲的属性。
Spotify 通过两种方式做到这一点。Spotify 爬取网络，查看关于歌曲的博客帖子或任何在线讨论。
并查看人们在讨论或描述歌曲时使用的描述性语言。
它使用那些描述性词语作为歌曲的属性。
现在，这对已经存在一段时间并受到讨论的歌曲非常有用。
这一点相当重要。新歌或小众歌曲代表着一个挑战，因为它们在网上讨论得不多。
为了解决这个问题，Spotify使用机器学习分析每首歌曲的音频信号。
现在它能够提取许多音乐特征，例如歌曲的节奏。
歌曲是否具有大调音调，歌曲有多响，乐器使用多少。
歌曲中存在的内容等等。
最终，Spotify可以使用所有这些通过提取的内容属性。
机器学习并结合协作过滤类型的功能，查看什么。
其他人正在消费，因此结合了这两种世界的优点。
这是Netflix以及许多主要媒体公司发展的方向。
在线公司也朝着结合这两种不同优势的方向发展。
推荐设计。当然，我们花了很多时间讨论产品推荐。
主要是因为它们非常普遍，并且对零售商或消费者都有显著价值。
企业和消费者也是如此。但重要的是要承认，个性化不仅仅是产品推荐。
还涉及跨不同渠道定制客户体验。
与可能在你的网站上，可能在移动应用上的客户互动。
电子邮件或可能是在商店。这是实际弄清楚如何提供整体集成体验的能力。
这就是个性化的核心。例如。
如今，公司甚至在个性化电子邮件。因此，电子邮件发送到客户数据库，但电子邮件中的某些内容可能会。
当客户打开电子邮件时，实时填充信息。
因此，电子邮件可能以HTML格式发送，意味着与网页格式相同。
当客户打开电子邮件时，可能会调用某个JavaScript，查看。
客户打开电子邮件时的位置，可能会定制图像。例如。
如果电子邮件是关于夹克促销的，可能会是这样的内容。
个性化，客户在一个当前下雨的地方打开时。
客户在一个当前下雨的地方打开时，可能会看到一件雨衣。
如果在下雪，他们可能会看到一张雪衣的图像，这种个性化是在。
当客户打开电子邮件时，根据运行脚本，可能会显示与天气相关的内容。
能够查看客户的过去数据。说到这些。
个性化为消费者和企业都增添了很多价值，但也带来了某些风险。
这些风险之一是误用，这意味着当你的推荐或个性化。
算法对客户做出笼统的概括，并做出非常糟糕的推荐。
这最终使客户对个性化产生反感。另一个关注点是数据隐私。
消费者对隐私的敏感性显著增加，尤其是考虑到信息量之大。
企业对客户的了解，以及由于某些公司对客户数据的肆意滥用。
企业，因此企业在使用时必须非常谨慎。
数据及其呈现个性化结果的方式，因为很容易越界。
对消费者而言，这显得有些 creepy。最后，基于非常敏感的消费者数据的过度个性化还有另一个风险。
监管者可能会介入，实际上在许多管辖区，监管者正在介入。
发布了多项不同的数据隐私法规，因此合规性也成为一个问题。
随着企业越来越多地进行个性化，这给它们带来了新的负担。
以上是个性化的概述，以及机器学习特别是如何影响个性化。
人工智能总体上正在产生影响。接下来，我们将讨论机器学习在金融服务中的应用。
[BLANK_AUDIO]。
P45：11_Scott Wong访谈.zh_en - GPT中英字幕课程资源 - BV1Ju4y157dK
斯科特·王是SiriusXM基础搜索与语音科学的机器学习副总裁。
他的团队构建可重用的机器学习系统，为SiriusXM的推荐和发现提供动力。
Pandora和其他产品。欢迎并很高兴今天能和你们交流。
为了让我们更好地理解你的视角，能否谈谈你在Pandora担任机器学习搜索与语音副总裁的角色及你的职业历程？
是的，感谢你今天的邀请，玛丽。我是Pandora和SiriusXM产品开发组织中的副总裁，专注于机器学习。
我的团队负责基础机器学习系统、搜索和语音的研究与开发。
基础系统是可重用的机器学习组件，例如听众及其兴趣的核心表现。
它们是推荐策略和实验框架的组合，例如多臂老丨虎丨机系统。
在搜索方面，我们构建基于机器学习的排名模型，帮助听众找到他们所寻找的内容。
在语音方面，我们使用自然语言理解、对话管理和内容标记。
个性化和其他一些技术帮助听众以创新的方式探索音频娱乐。
我认为大约20年前，Pandora源于许多人可能不知道的音乐基因项目。
这对你来说是一个小趣闻。它成为了第一个面向消费者的音乐推荐系统。
那么，你能描述一下音乐基因项目是如何构思的，以及Pandora是如何从这个项目发展而来的吗？
是的，当然可以。音乐基因项目是一项倡议，专业音乐学院的团队每天坐下来聆听音乐曲目。
注释超过450种关于这些曲目的不同属性。
这包括节拍、和声、声乐、流派和时期等方面。
工具、语言以及有关任何给定曲目真实内涵的无数不同维度。
如果你理解这些基因，即构成你所听音乐属性的元素。
你真的可以识别出相似的曲目和相似的艺术家。
这成为了推荐系统中一种叫做内容推荐策略的基础。
这对于冷启动场景非常有用，在这个阶段你还没有与用户的互动。
你只是想让事情起步。所以这个初始策略非常成功，正是它让Pandora起步。
此外，音乐基因真的很有趣，也很有趣味。
观看你正在听的东西而你甚至不知道它们的存在，这感觉很有趣。
只是一种有点刺耳的和声或鼻音，男性声乐或类似的东西。
所以，查看每一首音乐和你自己喜欢的东西真的很有趣。
直到今天，音乐基因组项目仍然是一个巨大的数据资产，我们正在继续发现新的。
每天都有创新的方法来利用它。这就像发现了音乐的DNA。
我也喜欢你提到的冷启动场景。
这是人们在启动不同项目时需要理解的一个非常重要的术语。
因此，更深入地钻研Pandora中的推荐。
个性化从一开始就是客户体验的一个主要焦点，当Pandora能够让听众表示他们的喜好和厌恶时。
你知道，赞成，反对。那么你的团队如何利用这个持续反馈循环，并且为什么听众能继续享受Pandora平台，尽管它是基于这种技术开始的。
这开始于15年前，这非常了不起。是的，没错。所以正如我提到的。
音乐基因组项目真正使第一轮基于内容的推荐系统策略成为可能。
但在用户开始使用产品并实际聆听之后。
提供隐式和显式反馈，这确实是数字黄金的下一个来源。
我会说。你知道，听众反馈数据真正推动了下一代推荐策略。
因此，在推荐系统中还有其他几种广泛的策略类别。
我们讨论了基于内容的策略。基于用户的策略包括，例如，你知道的。
和你相似的人也喜欢其他事物。因此你可以。
你可以根据人们的行为进行解释和学习，发现内容与偏好之间隐藏的相似性。
还有一些策略称为协同过滤策略，在这些策略中，你同时观察哪些听众是相似的。
哪些内容是相似的，并且你几乎是同时做到这一切。所以这个飞轮。
一旦开始运行，效果极为强大。你提到的赞成。
赞成和反对是关于听众在特定电台上喜欢或不喜欢曲目的非常明确的信号。
而这个框架对我们来说非常强大。在个体层面。
它让人们可以个性化自己的电台，使其更符合个人口味。但总体来看。
还有更强大的东西在发生。因此，赞成形成了一个标记的训练集，你知道的。
关于哪些曲目在哪些电台上成功。因此一般来说。
这就是机器学习真正发挥作用的地方。这是一个。
类似于一个监督学习问题，其中你实际上拥有标记数据。
你知道哪些曲目在每个不同电台上总的来说是成功的。
除了这些一般性之外，你知道，自始至今，我们在内容基础策略上也有所改进。
我们在元数据上有了改进，包括在摄取层以及利用机器学习学习和识别不同元数据源之间的相似性。
所以你可能知道，早些时候你有自己的Napster账号，下载过10个不同版本的同一轨道。
所有这些歌曲的艺术家名称和时长略有不同。
我们需要使用机器学习来识别这些实际上是同一个轨道。
更进一步，这个音乐项目已经持续了20年。
因此在这个项目中，我们大约有200万首曲目经过人工分析。
但我们有数千万的曲目供听众每天播放。
那么我们如何将人类所拥有的最佳和这些基因的最佳结合起来，并将其规模化呢？
大得多的曲目目录。所以我们有一个常说的短语：人类提供质量。
为规模服务的机器。所以我们开发了一个叫做机器监听系统的系统。
模型直接监听不同歌曲的音频。
背景目录中的歌曲，当它们新来的时候。
而且考虑到我们从音乐基因组项目获得的标签训练数据。
我们可以预测许多关于新音乐的属性，而内部没有人听过这些。
所以当你将所有这些不同的技术结合在一起时。
我们可以为算法电台提供动力，起始于超过3000万种不同的来源。
你能否逐步带我们了解你的团队如何为三个不同的利益相关者使用机器学习，因为我们的听众或观众会对此感兴趣。
一类是市场营销人员和广告商。这是一个利益相关者。
另一个利益相关者是歌曲创作者和你们服务的播客制作者。
还有我这样的人，听众。
如果你能给我们举个例子就好了。
或许在这些不同的利益相关者之间，以及你们如何利用机器学习来实现这一点。是的。
当然。所以广告和市场营销通常被我们归类在一起，因为它们都是以商业为重点的关注点。
但其中有不同的用例。所以当我们考虑市场营销时。
我们所做的一个伟大事情是思考如何在订阅上进行增销。
我们称之为智能转换。我们如何看待你在应用中的行为呢？
什么时候是针对增销的合适人选，目标对象是谁？
我们应该同时包含任何类型的促销活动吗？
我们建立机器学习模型以最大化这些干预措施的有效性。
类似地，对于推送和电子邮件活动，合适的设计布局是什么？
适合的主题是什么？哪些话题合适？
如果你给某人发了一封电子邮件，他们说，快回来，听这个艺术家。
我们想找到对那个人最合适的艺术家。
所以我们需要在内容本身中使用推荐。最后，在广告方面。
我们花了很多时间研究的一件事是我们的广告效果如何。
我们每天都在市场上向企业销售广告。
我们需要证明它们确实提供了价值。
所以我们能否利用系统内部的工具，比如调查和验证，来建模和学习我们的广告在不同背景下的有效性？
是的，对于创作者来说，创作者和听众围绕推荐形成了一个良好的市场。
一方面，创作者真的想找到我的目标受众是谁？谁会喜欢我？
我有一个信息想要传达出去。所以我们帮助了很多创作者。
特别是那些尚未被发现或刚进入市场的创作者。
确定最有可能对他们的内容感兴趣的听众。
这是一种推荐。另一种推荐是，好的。
你是一个听众。我想找到最适合你的东西。实际上。
机器学习在面向听众的系统中无处不在。所以广播。
接下来播放的歌曲是基于机器学习的。
我们称之为你的主页正在尝试帮助你基于机器学习发现新事物。
搜索、语音、自然语言理解，深入了解播客和现场广播等内容。
所有这些都利用机器学习来增强听众体验。它无处不在。你在这里。
这使你不断成长。这很好，我认为理解这一点很重要。
另外，早些时候你在给出一些例子时。
你谈到了隐含和明确信号。所以我们将稍微深入探讨，因为我们讨论了数据的收集。
当你构建模型并进行训练时，你给出了明确和隐含信号的例子。
那么你能否定义这些，并举一个你在这些利益相关者中如何同时使用隐含和明确数据的例子？
你刚刚提供的例子？是的，是的，绝对如此。所以。
我认为明确信号是最容易定义的。当听众进入并说。
不一定非得是听众，但我会以听众的例子进行说明。
听众进入并说，是的，我真的非常喜欢这个。
这看起来像是对一个电台的点赞或点踩。
或者将其添加到你自己的个人收藏或收藏夹，以便你可以稍后再次找到它。
隐含信号则对听众的意图描述得不够具体。
那么你是否完成了一首曲目？你在同一个电台听了多长时间？
你是否点击了推荐并阅读了艺术家的描述和简历？
所有这些信息使我们了解你在这个应用中感兴趣做什么？
你的核心兴趣是什么，我们如何帮助你实现目标？所以。
我认为在一天结束时，当你收集数据时，不要扔掉任何东西。
你想保持所有内容。你想保持尽可能良好的结构。
你需要认真考虑，以确保人们可以在未来发现它。
当你坐下来试图构建模型并训练机器学习模型时。
你想知道你真正想做的是什么。将正确的数据与正确的模型结合以适应正确的业务用例是机器学习科学家、工程师或数据科学家的核心挑战。
这不仅仅是坐下来调整一些参数并训练模型。
这真的是在识别这些数据中有意义的东西。所以，例如。
我之前提到过点赞。我们如何在广播中使用它？我们如何将其用于机器学习？
那么，当你收听广播电台时，我们关心哪些指标呢？
一件事肯定是你听的时间，但那有点难以预测。
如果我知道你会长时间收听，那我在系统中甚至要怎么处理这些？
预测的一个更可操作的事情是，如果你现在对这首歌点赞，它上升或下降的概率是什么？
然后我作为记录系统的工作是为你提供大量歌曲在电台上。
我认为你会赞成。所以那些明显的信号像点赞成为我们可以识别特征的标签训练集。
我们可以进行错误分析，以识别哪些我们认为会被赞成但实际上却被反对的内容。
因此，整个端到端的管道中需要大量工作。
然后最后一步是，一旦你开发了模型。
一旦你认为你有一个可以工作的东西，你就得测试它。
你得看看它是否真的有效。所以我们对生产日志进行离线分析。
但我们也每天在应用程序中直接进行实验。
我们使用其他因果推断技术来学习如何最好地演进系统。哇。
感谢你将测试纳入隐含和显性信号的回答中。
这也引导我们进入下一个领域，因为你非常关注数据以及数据的重要性、问题和测试。
但让我们稍微谈谈模型，特别是关于公司如何选择准确模型和平衡的问题。
你知道，准确性与可解释性。具体来说，在你的角色中，流行病潘多拉是我们的。
他们如何评估这两个目标的价值，或者同时的价值。
他们是否以不同的方式看待它们，你知道，分开。如果你能稍微谈谈准确性。
可解释性，特别是考虑到你刚刚给了我们这么多关于如何处理数据的好信息。
所以，也许你可以告诉我们你如何处理这两个术语在模型中的应用。是的，是的，像。
像所有有趣的事物一样，这并不是一刀切的。所以这很大程度上取决于你想做的具体事情。
我会说，有几件重要的事情值得在早期考虑。这，你知道。
任务是什么。所以这是那种出错成本非常高的事情吗。
或者这是那种事情，你知道，没关系的。如果。
如果对预测的准确性有一些灵活性。
接下来是模型的消费者是谁。那个人对系统的信任程度如何。
他们愿意投入多少来与之建立关系。所以，例如。
在我们的为你推荐页面上，我们认为客户是为了发现新音乐而去那里。
而且你希望有新的播客、新的节目，以及所有类似的新话题。
所以当有人去那里时，你希望推动对有用和有趣事物的边界。
但你也要确保它是可解释的，因为人类。
当你遇到朋友时，他们说，哦，你必须试试这个东西。因为你喜欢这个。
你会喜欢这样的。所以，归根结底，拥有一个模型是可以的。
这将探索更多领域，承担一些风险，并能自我解释。
当你更深入系统时，有一位科学家每天都在试图改进模型。
他们可能已经对系统有较高的信任。他们知道它的来源。
他们尝试了很多不同的事情。他们在真正强大的东西上进行了深入投资。
坦率地说，能对他们进行解释的内容与对听众能解释的内容会有所不同。
他们对每种技术擅长或不擅长的领域具有特定知识。
所以在那种情况下，你可能更倾向于采用那些对公众较难解释的复杂模型，然后在推荐之后再找出并解释可能的原因。
但绝对没有一种通用的答案。
我们都会考虑这些事情。在许多背景下，我们都在思考这两件事。
我非常感谢你将信任与可解释性结合起来，以及可解释性的水平。
你不必解释数据科学家可能知道的事情。
但它确实需要解释到一定程度，以建立与服务或公司的信任。
不要减弱这一点，以至于你必须达到那种解释的水平。
非常感谢你的解释。我们稍微谈了一下市场中的测试。
A/B 测试。我不知道是否还有其他的，如果你想更深入地探讨一下。
如果你能解释 AI 如何提高 Pandora 测试的效率，那就能提供一些见解。
是的，我认为了解某事是否产生变化的金标准是。
使系统的改进或削弱使用因果推断技术。
A/B测试是一个明确的方式，可以说：“我进行了干预。”
我有一组随机样本的人，他们体验了我们产品的一个版本，还有一组随机样本的人，他们体验了我们产品的不同版本。
“而且正好有一个差异，你可以将任何持续变化归因于此。”
所以这是一个非常清晰的方式来理解你所做的更改实际上是导致指标变化的原因，而不仅仅是与指标变化相关。
A/B测试是确保事情确实按照你的期望运行的标准方法。
在推出A/B指标之前，你想要有信心你所做的事情实际上会是好的。
因此，我们进行了许多实验，我们称之为离线实验。
它们并不是在实际的产品中与真实的听众、营销人员、广告商或创作者一起运行的。
它们是针对我们的日志进行的。因此，你可以进行回测和分析，以找出在那种情况下表现如何。
因为你想保留A/B实验的有效性。
你仍然希望能够以足够大的样本来识别差异。
进一步的步骤是一个称为多臂赌博机的框架，在这个框架中，你可以同时进行多个实验。
因此，不仅仅是A/B，而是考虑A/B/C/D/E/F/A。还有这些不同的臂。
这在时间上是自适应的。所以你一开始尝试了解每个臂的一点情况。
随着进展，表现更好的那些，你真的想开始引导人们朝向那种体验。
因此，你在探索和利用之间进行平衡，以高效地了解处理之间的差异。
并尽快获得最佳处理效果。
在进行A/B测试和多臂赌博机时。
你是否在利用人工智能的力量来帮助确定你想进行的具体A/B测试参数？
我很好奇你是如何使用人工智能和机器学习来选择可能的多臂赌博机以及在A/B测试中的应用？
是的，有很多方法可以设计好的测试，无论是A/B还是多臂赌博机。
其中一些是基于产品直觉，你可能会说：“哦，你知道吗。”
我觉得我们在广播产品中引入了太多的重复内容。
让我调整这个旋钮，尝试几种不同的方案，看看效果如何。
其他方面则是非常依赖机器学习的，你已识别并首先离线运行以进行验证。
“我有一整套超参数需要调整。”
我可以对我拥有的数据进行这样的操作。
但你不想将成功几率较低的实验带入产品，因为A。
你不想冒险给人们带来非常糟糕的体验。但B。
你需要让足够的听众接触到任何给定的处理，以测量变化。
所以你对有影响的信心越大，就越不可能让人们接触到随机变化。
所以你真的能够准确缩小应该推向市场的测试，因为再一次。
你不想这样做。此外，你对信任和你所做事情的可解释性非常谨慎，因为你真的不想让听众知道你也在测试这些东西。
我是说，你想要信息等，但你不想破坏那种关系。
我认为那真的很棒。所以你早些时候提到的一个领域是搜索和语音。
那么，你的团队如何将消费者搜索和语音请求整合到推荐模型中，并在这些模型中使用更多的自然语言处理？
是的，搜索是一个我们可以捕捉到的非常早期的信号。
当现实世界发生某件事情时，就会发生意外。
有一部新电影的发布或类似的事情。
人们开始搜索可能在那天结婚的配乐或特定艺术家。
因此，人们会在整体收听尚未大幅可检测变化之前开始搜索。
所以你可以将其作为输入，一个趋势信号，并将其输入推荐算法。
“嗯，我认为人们现在更想要这个。”所以这是一个有用的搜索方式。在语音方面。
我认为我们语音科学与推荐之间的关系与你想的有点不同。
语音产品确实推动了额外的产品用例。例如。
我们已经看到人们在语音中会询问非常主题化的查询。他们会说。
“播放90年代的RMB，女声。”然后你会想，“哇，我该如何满足这个请求？”
你可以直接在搜索和语音中解决这个问题，尝试识别这些轨迹并将其反馈给某人。
或者你可以从根本上查看底层。
“我需要建立电台，让人们拥有那种灵活性。”
那么，我们在语音产品中看到的发现如何影响更广泛的科学路线图，坦率地说，这是我工作中最有趣的部分之一。
我可以理解他们为什么把这些结合在一起，因为在发现和创新方面它们都是相互关联的。
所以最后，展望未来，我真的很想看到的是，你认为Pandora和SiriusXM的结合优势对消费者来说在哪里？
是的，SiriusXM在两年多前收购了Pandora。从一开始。
它们是一个很好的补充。SiriusXM在北美的音频娱乐领域是一个成熟的领导者。
它嵌入在汽车中。它有一个非常高的利润卫星广播业务。
Pandora在美国的竞争激烈的数字流媒体环境中非常有名。
这是个性化的。它在你和算法之间建立一对一的关系，能够完全适应你是谁。
而广播是一对多的关系。你编程一个频道，整个美国的每个人都可以收听。
从一开始，我们就一直想如何通过将内容从一个领域引入另一个领域来交叉传播听众体验？
我们如何制作更好的订阅套餐？我们如何对已知用户进行更好的营销？
我们如何为所有不同产品构建广告平台？
从科学的角度来看，我们如何从这些不同的数据和跨领域的专业知识中学习？
所以一定要利用我们从Pandora获得的所有反馈数据，以及如何将类似的东西构建到广播体验中？
事实上，针对2019年开始推出的新车队。
我们实际上开始收集很多指标反馈，以便能够开始直接个性化汽车内的体验。
哇，这真令人兴奋。我刚买了一辆2018年的新车，所以我对此非常期待。
非常感谢你，斯科特。与您交谈非常愉快，了解到Pandora如何利用AI和ML以及您所谈到的隐式和显式数据，让我们享受更个性化的音乐选择。
非常感谢您今天的参与。谢谢你，玛丽。好的。[空白音频]。
