原文：
www.kdnuggets.com/2020/04/ai-machine-learning-system-survives-covid-19.html
评论
作者：Zank Bennett，Bennet 数据科学。
COVID-19 充斥着新闻。理应如此。这是一个非常重要的话题。它对人工智能模型的准确性产生了巨大的影响。
在我们深入探讨人工智能如何变化之前，我们首先要从 Bennett 数据科学的全体成员那里表达我们真诚的希望，祝你身体健康，尽力度过困难时期。
企业正在经历巨大的变化。很难找到一个没有被 COVID-19 严重影响的行业。在试图跟上急剧收缩或大规模立即扩展的过程中，公司发现他们尝试和测试的与客户互动的方法几乎变得毫无意义。这意味着市场个性化、生命周期价值计算、产品推荐和流失模型，最好的情况是准确，最坏的情况是误导。
人工智能利用过去的行动来预测未来的事件。而最近的过去与我们今天所经历的情况完全不同。因此，人工智能感到困惑。就像我们突然对 Alexa、Siri 或 Google Assistant 说一种新的语言一样。它们当然无法“理解”。它们将变得无用。全球购买行为现在使用不同的语言。而人工智能无法理解。
公司正在以他们所知道的唯一方式扩展，通过让工人（人）在前线做出如何支持迅速变化的客户需求的决策。他们在很大程度上是在没有他们习惯依赖的人工智能的情况下这样做，因为这些模型不再准确。
我们看到公司回到基于仪表盘的近期数据来做出业务决策，而不是使用可扩展的自动化人工智能。这是有充分理由的。在许多情况下，人工智能是无用的，因为它从未见过像 COVID-19 这样的情况。
这通常意味着团队被大量的数据处理、筛选和行动化所压倒。因为“发现”一个洞察是不够的。公司需要基于这些洞察信息采取行动。机器能够在公司范围内大规模地做到这一点，而人类却做不到。因此，事情会积压。
虽然这听起来很严峻，但公司仍有很多可以做的事情，以使他们的智能系统在这个不断变化的环境中继续为他们和他们的客户服务。但在我们讨论这些之前，了解它们面临的具体障碍是很重要的。
在过去几周，我进行过几次谈话，讨论了各种企业的表现，以及在当前世界状况下，人工智能如何为它们提供帮助。我所谈到的大多数高管和数据科学家都指出，花更多时间查看数据以理解最近的发展如何改变了他们的业务非常重要。
数据科学家奥列格·泽罗（Oleg Żero）从整体上看待这个问题：“即将到来的由冠状病毒引发的危机将和任何其他危机一样。它将淹没那些沉重而僵化的企业，并推动灵活的企业。”
从更高层次来看，对当前情况的反应各不相同。
就这一点而言，我们的一些客户情况还不错，他们从一开始就拥有分布式团队，但不同的行业舒适度差异很大，许多公司都在努力理解未来会带来什么。另一方面，电子商务和配送服务在短期内有望蓬勃发展。仅亚马逊就计划招聘 10 万名员工。
但对于每一个蓬勃发展的企业，还有许多处于困境中的企业。无论如何，一切都发生了变化，公司需要适应。StitchFix 的雷扎·索拉比（Reza Sohrabi）也指出：“我认为没有哪个企业没有受到当前疫情的影响。因此，我认为公司必须适应新的情况，并改变数据科学的运作方式。”
我们看到并听到的一个大挑战是，鉴于当前市场和客户行为的波动，人工智能生成的预测无法预测未来事件。预测模型依赖于历史数据来预测未来事件。当客户行为的历史数据与现在他们所做的完全不同的时候，我们就遇到问题了。预测就会变得毫无意义。
《财富》杂志的艾伦·穆雷（Alan Murray）对此解释得很好：“…… 现代的‘预测机器’往往基于过去行为的数据。这些机器并没有准备好应对行为的巨大变化——例如，当人们莫名其妙地开始囤积卫生纸时。”
许多不同的行业目前都受到变化的数据的影响，例如极长的超市排队时间、不稳定的购物行为，以及对公共卫生和金融中心等网站的访问激增，这些网站报告了看似是拒绝服务攻击的情况。
公司现在看到的信号，几周前可能还被视为异常或离群值。现在这些已成为新的常态。而大多数人工智能都无法应对这些情况。
然而，有些事情是可以做的。
当我们考虑如何在困难时期帮助公司时，我们回到了基本面：公司必须用他们会喜欢的产品来吸引客户。现在比以往任何时候都更重要的是理解客户真正想要什么，并在他们需要的时候提供给他们。同时，这也是审视组织如何处理数据和利用分析的好时机。
埃里克·金（Eric King）总结道：“现在正是从更宏观的角度审视公司如何在长期内竞争的最佳时机，而不是关注这一季度发生的干扰。” —— 埃里克·A·金，《建模机构》的总裁兼创始人
毕竟，有效分析的目标是不断推进客户生命周期价值及其所有驱动因素的维护。
这些生命周期价值的驱动因素包括：
-
在客户寻找时提供吸引人的内容和优惠。
-
通过识别通常导致流失的模式并使用有效的流失缓解策略来保持低流失率。
-
传递个性化的营销信息。
这些是需要正确掌握的重要基础知识。但现在是 2020 年初，全球客户的偏好几乎完全无序。
如果你有一个个性化至关重要的业务，有几个变化可以帮助你从数据科学中保留价值：
-
深入分析你的数据 对于数据驱动的公司来说，最重要的目标是深入数据仪表盘。查看那些由业务目标驱动的主要假设，它们是否仍然成立？是否仍有数据（或足够的数据）支持这些主要目标？例如，如果你销售产品，那么人们购买的产品是否发生了重大变化？库存如何？你的客户找到他们突然需要的新产品有多困难？你的个性化工具仍然有效吗？例如，你是否发送了可能毫无趣味或更糟的是，考虑到当前世界状况会让人尴尬的营销信息？或者你的网站推荐是否仍然显示突然变得不相关的产品？
-
提供反映客户偏好变化的产品 你使用六个月前的数据来预测客户偏好的模型可能已经不再准确。相反，应该使用过去两到四周的客户偏好数据来训练这些模型。尽管你可能没有很多销售数据，但这可能会更准确地反映当前客户的需求，因为六周前的世界完全不同。此外，可能还会有与价格敏感性相关的变化，所以在提供更昂贵的商品之前，要确保考虑到这些因素。你需要尝试使用不同量的训练数据，但这样做会有所回报，因为这将帮助你找到一个平衡点，在包含足够的新趋势的同时，省略旧的、不相关的数据。
-
确保你没有说错话 尝试新的信息策略。旧的信息已经过时。今天没有人以相同的方式进行购买或行为。这意味着你的信息需要变化，以反映客户的新担忧、希望和愿望。一个方法是编写几种新的营销文案选项并进行 A/B 测试，看看哪种最能引起共鸣。如果你之前已经确定了用户细分，它们可能依然存在，但即便这些也可能发生变化。不要相信任何事，用新的证据来验证一切。方法是通过询问客户或尝试不同的方法并量化结果来做到这一点。如果你有 A/B 系统，赶紧用上！之前有效的方法很可能已经改变了。
-
评估你的营销目标 如上所述，再次审视你的客户细分。它们是否相同，或者更可能的是，多个细分是否合并成一两个新的细分？了解这一点将帮助你在这些变化的时代中调整信息。我一直喜欢主动联系客户，询问他们的偏好是否有所变化。如果激励足够大（换句话说，如果他们认为会看到为他们量身定制的优惠），他们可能愿意花时间帮助你更好地服务他们。请参阅 StitchFix 和 TrunkClub 的入职流程，了解公司如何通过承诺提供高度个性化的用户体验来收集大量用户数据。
如果你做这四件事，你的公司将远远领先于那些可能无法迅速适应变化的竞争对手。
“公司在运行生产环境中的机器学习模型时，需要更加关注数据的新鲜度、分布变化和预测校准。由于 COVID-19 的影响，用户行为迅速变化，模型可能会更快地退化，并对意外的用户行为做出不良预测。” – Eugen Hotaj
“[考虑]一年中的时间的推荐算法，目前没有意义。例如，节日季节即将来临；通常来说，储备帐篷并推荐给年轻人是合理的。然而现在这样做就不合适了。必须减少赋予过去行为的权重，以便推荐主要依赖于过去几周的趋势。作为买家，我现在看到的是，在某些情况下，推荐系统部分关闭。” – Dániel Barta
“尽管模型可以预测具体情况，但在我看来，了解背后的原因是重要的。” – Joseph "Goose" Aranez
个人简介： Zank Bennett 是 Bennett Data Science 的首席执行官和创始人。
相关内容：
1. Google 网络安全证书 - 快速进入网络安全职业。
2. Google 数据分析专业证书 - 提升你的数据分析技能
3. Google IT 支持专业证书 - 支持你的组织的 IT