Отдача очевидна достаточно редко, а ее анализ требует времени и денег. Однако с развитием прогностических машин мы все чаще возвращаемся к поиску логики и мотивации ценности отдачи.
Выражаясь языком экономистов, основные издержки на анализ отдачи измеряются временем. Рассмотрим конкретный способ определения отдачи: взвешивание и размышление. Чтобы понять, чего вы действительно хотите добиться или каковы издержки от разочарования клиента, требуется некоторое время подумать, все проанализировать и, возможно, попросить совета у эксперта. Можно также посвятить это время исследованиям вариантов отдачи.
Для выявления мошенничества в первую очередь необходимо взвесить варианты отдачи в виде удовлетворенного или неудовлетворенного клиента и издержки, связанные с подтверждением неправомерных транзакций. Дополнительно необходимо продумать варианты отдачи для клиентов с высоким уровнем чистой стоимости. Также важно рассмотреть варианты отдачи в случае, если эти клиенты находятся в отпуске. А что насчет обычных клиентов-отпускников? Будет ли отличаться отдача в таких ситуациях? И стоит ли разделять командировки и отпуск? Или поездку в Рим и посещение Большого Каньона?
Суждение об отдачах во всех случаях требует времени и усилий: чем больше исходов, тем больше суждений, следовательно, тем больше потребуется времени и усилий. Когнитивные издержки на суждение приводят к замедлению процесса принятия решений человеком. Вот почему необходимо сравнить плюсы от расчета отдачи с издержками в результате отсрочки принятия решения. Некоторые предпочитают не рассматривать отдачу отдаленных во времени или маловероятных сценариев. Возможно, организаторам сетей кредитных карт стоит разделять командировку и отпуск, но не поездку в Рим и посещение Большого Каньона.
В таких маловероятных ситуациях решение сети кредитных карт может исходить из предположений, объединить параметры или выбрать наиболее безопасное значение по умолчанию. Для более частых (путешествия вообще) или важных (касательно клиентов с высоким уровнем чистой стоимости) решений отводится больше времени на обдумывание и анализ отдачи. Но чем дольше экспериментировать, тем больше времени пройдет до окончательной отладки процесса принятия решений.
Вычисление отдачи сродни дегустации новых блюд: пробуешь и смотришь, что будет дальше. Или, выражаясь языком современного бизнеса, экспериментируешь. Люди могут действовать по-разному в одних и тех же обстоятельствах и выяснять, что получается. Они проверяют отдачу на практике, а не в теории. Разумеется, поскольку некоторые действия во время экспериментов позднее окажутся ошибочными, неизбежны издержки. Незнакомая пища не всегда приходится по вкусу, а если продолжать пробовать в надежде найти идеальное блюдо, то удовольствие от еды будешь получать не всякий раз. Суждение, теоретическое или экспериментальное, обходится дорого.
Знать, зачем делаешь что-либо
Прогноз – это шаг вперед к беспилотным автомобилям и причина популярности таких платформ, как Uber и Lyft: прогноз нужен для расчета маршрута до места назначения. Автономные и встроенные автомобильные навигаторы существуют уже несколько десятков лет.
Распространение подключаемых к интернету мобильных устройств изменило данные, получаемые поставщиками навигационного ПО. Например, израильский стартап Waze до того, как его купил Google, генерировал точные дорожные карты, отслеживая выбираемые водителями маршруты. Затем эта информация использовалась для оптимизации кратчайшего маршрута между двумя точками, с учетом данных от водителей и постоянного мониторинга обстановки на дорогах. Программа также могла прогнозировать изменения дорожной обстановки по мере продвижения водителя вперед и предлагать новый, более быстрый путь с их учетом.
Пользователи приложений вроде Waze не всегда следуют их рекомендациям. С прогнозом как таковым они согласны, но помимо быстроты у них могут быть и другие цели. Например, приложение не знает, что в автомобиле закончился бензин: в таком случае водитель уходит с предложенного маршрута и выбирает другой, к заправке.
Эти приложения, несомненно, будут улучшаться. Скажем, если в автомобиле Tesla закончилось электричество, навигатор это учитывает и показывает расположение станций подзарядки. Приложения могли бы спрашивать пользователя, нужно ли заехать на заправку, или в будущем получать эти данные непосредственно от автомобиля. Это так же просто, как установить настройку объезда платных дорог.
Другие аспекты предпочтений запрограммировать сложнее. В длительных поездках, например, желательно, чтобы в маршруте указывались приличные заведения, где можно отдохнуть и поесть. Или кратчайший путь проходит по проселочным дорогам, где выиграешь максимум пару минут, но замучаешься ехать, ведь кому-то не нравятся извилистые дороги. Приложения могли бы запоминать такие особенности поведения человека, но нельзя запрограммировать автоматические действия для всех обстоятельств, складывающихся в любой момент. Машины не могут узнать всего, что требуется для прогнозирования предпочтений человека.
Цель редко бывает однозначной. Люди обладают явными и скрытыми знаниями о нестандартных и субъективных мотивах своих действий. Машина прогнозирует вероятность событий, а человек решает, какое действие предпринять, исходя из собственного понимания цели. В большинстве ситуаций, как и с Waze, машина предоставляет человеку прогноз, подразумевающий определенный исход (скорость); затем человек решает, принимать ли его как руководство к действию. Если технические возможности прогностической машины позволяют, человек может запросить другой прогноз с заданным условием («Waze, найди маршрут через заправку»).
Заранее заданные суждения
Стартап Ada Support использует прогноз ИИ для отделения простых вопросов к технической поддержке от сложных. ИИ отвечает на простые вопросы, а со сложными переадресовывает к человеку. Большинство клиентов обращаются в техподдержку провайдера мобильной связи с одними и теми же вопросами. Напечатать ответ легко, сложность заключается в прогнозировании желания клиента и в суждении, какой ему потребуется ответ.
Вместо переадресации людей на страницу с ответами на часто задаваемые вопросы Ada идентифицирует их и отвечает сразу. Программа учитывает индивидуальные характеристики клиента (техническую грамотность, модель телефона, с которого совершается звонок или предыдущие звонки) для повышения качества анализа вопроса. В итоге меньше клиентов будут разочарованы, но главное – это оперативное взаимодействие, больше принятых звонков и экономия на зарплате сотрудникам колл-центра. Специалисты решают нестандартные и сложные вопросы, а с простыми разбирается машина.
С повышением качества машинных прогнозов все чаще будет возникать необходимость в предварительно заданных суждениях. Умея излагать ход своих мыслей другим людям, точно так же мы можем объяснить его и машинам – только в виде программного кода. Для получения точного прогноза возможно запрограммировать суждение. В Ada это уже используется для простых вопросов.
Чтобы предусмотреть образ действий в каждой ситуации, понадобилось бы огромное количество времени, к тому же все учесть невозможно: по этой причине в трудных вопросах Ada требуется участие человека, точнее, его суждение.
