«`html
Улучшение персонализации B2B совместным использованием человека и машинного обучения
Машинное обучение (ML) стало ключевым элементом для компаний, работающих в сфере бизнеса-к-бизнесу (B2B) и стремящихся предлагать персонализированные услуги своим клиентам. Однако ML, хотя и способно обрабатывать большие объемы данных и выявлять закономерности, часто нуждается в более тонком понимании, которое обеспечивают человеческие инсайты, особенно в построении отношений и работе с неопределенностями в контексте B2B. Исследование исследует, как интеграция человеческого участия с ML может улучшить персонализированные информационные системы (PIS) для B2B-приложений. Разработав и применив исследовательскую структуру в энергетическом секторе, исследование демонстрирует, как объединение человеческой экспертизы с алгоритмами ML улучшает персонализацию, достигая показателей производительности выше среднего, таких как точность, полнота и F1-оценки.
Практические решения и ценность
Исследование подробно описывает, как человеческие инсайты могут практически дополнить возможности ML. Оно выделяет проблемы, с которыми сталкиваются B2B-фирмы при внедрении ML для персонализации из-за теоретических пробелов, проблем конфиденциальности и справедливости ИИ. Исследование представляет модель, описывающую этапы человеко-ML-дополнения, от понимания бизнес-потребностей до развертывания и оценки модели. Оно стремится сократить разрыв между академическими исследованиями и практической реализацией, предлагая теоретические и практические примеры, развивая стратегии B2B-персонализации через эффективное сотрудничество человека и ML.
Практические решения и ценность
Интеграция человеческой экспертизы с ML может создать совместный интеллект, используя сильные стороны друг друга для расширения границ бизнеса. Ключевые вклады человека включают разработку теоретических рамок для улучшения интерпретируемости модели, использование экспертных знаний для выбора функций и алгоритмов, а также сочетание интуитивного суждения с аналитической скоростью ML для более качественного сбора данных. Кроме того, человеческие инсайты могут помочь оценить отзывы клиентов, обеспечивая справедливые и этичные результаты ML путем смягчения предубеждений и улучшения точности модели. Эти сотрудничества человека и машинного обучения ценны в B2B-персонализации, оптимизируя рекомендации и решая проблемы с ограничениями данных.
Практические решения и ценность
Для оптимизации моделей человек-ИИ фирмы часто начинают с использования ИИ для начального анализа данных, а затем используют человеческую экспертизу для улучшения результатов, стремясь найти баланс между затратами и эффективностью. Такой подход особенно полезен в B2B-контексте для персонализированных маркетинговых стратегий. Предлагаемая модель интегрирует человеческие инсайты на протяжении процесса ML, начиная с теоретических основ (например, теория использования и удовлетворения), выбора подходящих техник ML с экспертным вводом и выбора соответствующих функций. Человеческое суждение также улучшает сбор данных и оценку модели, обеспечивая точность и справедливость рекомендаций. Отзывы от клиентов, особенно недовольных, оцениваются экспертами для улучшения производительности модели и снижения предубеждений.
Практические решения и ценность
Исследование исследует интегрированную человеко-ML-модельную PIS в энергетическом секторе, смешивая традиционные методологии добычи данных, такие как CRISP-DM и SEMMA, с человеческими инсайтами. Процесс включает четыре ключевых этапа: (1) Создание предмодели с использованием теории использования и удовлетворения для идентификации контента, экспертных знаний для выбора техники ML и размытого метода Делфи для выбора функций; (2) Сбор и подготовка данных через структурированные интервью; (3) Создание модели с использованием Python; и (4) Оценка модели с использованием показателей точности, полноты, F1 и экспертного суждения для улучшения модели. Такой подход направлен на улучшение эффективности модели путем интеграции человеческой экспертизы с методами, основанными на данных.
Практические решения и ценность
Исследование разработало интегрированную человеко-ML-модельную PIS для энергетического сектора, сосредотачиваясь на переходе B2B к устойчивой энергии. На этапе создания модели контент был разработан с использованием теории использования и удовлетворения, и был выбран метод коллаборативной рекомендации на основе дерева решений из-за его эффективности с ограниченными данными о функциях товаров. Начальный выбор функций осуществлялся с помощью размытого метода Делфи, дополненного техниками ML, для определения ключевых функций, таких как возраст и профессиональная дисциплина. Данные были получены от 1 155 посетителей B2B на промышленных мероприятиях. ML-модель, реализованная на Python, была протестирована через циклы обратной связи, оценивая производительность с помощью показателей точности, полноты и F1, превышающих приемлемый порог, подтверждая эффективность модели.
Практические решения и ценность
Исследование представляет модель, интегрирующую человеческую экспертизу в рамках добычи данных CRISP-DM для улучшения процессов ML для персонализации B2B. Ключевые этапы включают использование маркетинговых экспертов для теоретических основ и выбора функций, IT-экспертов для обработки данных и человеческого суждения для оценки модели. Исследование выделяет преимущества сочетания человеческих инсайтов с ML для улучшенной персонализации и решает проблемы с предубеждениями ML. Будущие исследования должны исследовать дополнительные точки интеграции человека и ML, а также теоретическую основу гибридных моделей.
«`
