Алгоритмы машинного обучения для бизнеса: регрессия, классификация, кластеры

Названия алгоритмов — случайный лес, градиентный бустинг, k-средних — пугают руководителей и делают разговор с подрядчиком односторонним. Но для постановки задачи достаточно понимать, к какому типу она относится. Тип задачи определяет семейство алгоритмов, нужные данные и способ проверки.

Регрессия — когда нужно число

Задача: предсказать количественный показатель. Сколько продадим, сколько дней займёт доставка, какую сумму потратит клиент за год, какая будет нагрузка на колл-центр.

• Линейная регрессия — простая и понятная, хороша как точка отсчёта
• Деревья решений и их ансамбли — улавливают сложные зависимости
• Градиентный бустинг — один из самых точных методов на табличных данных

Качество измеряют средней ошибкой: насколько в среднем прогноз отличается от факта. Для бизнеса полезно смотреть и на ошибку в разрезах: модель может хорошо прогнозировать крупные позиции и плохо — редкие товары, где каждая ошибка заметна.

Классификация — когда нужна категория

Задача: отнести объект к одному из классов. Уйдёт ли клиент, оплатит ли счёт вовремя, какой отдел должен обработать обращение, является ли операция подозрительной.

• Логистическая регрессия — даёт вероятность и легко объясняется
• Деревья решений — наглядные правила «если — то»
• Ансамбли деревьев — высокая точность
• Нейросети — для текстов и изображений

Качество измеряют долей правильных ответов, но чаще — полнотой и точностью: сколько реальных случаев модель нашла и сколько её сигналов оказались верными.

Кластеризация — когда нужны группы

Задача: найти естественные группы без заранее известных ответов. Сегменты клиентов по поведению, группы товаров по характеру спроса, типы магазинов.

• Метод k-средних — простой, требует заранее задать число групп
• Иерархическая кластеризация — показывает, как группы объединяются
• Методы на основе плотности — находят группы произвольной формы и выбросы

Временные ряды — когда важен порядок во времени

Прогноз продаж по дням, загрузки по часам, поступлений денег по неделям. Специальные методы учитывают тренд, сезонность и праздники. Часто хорошо работает и обычная регрессия с признаками даты.

Рекомендации

Что предложить клиенту следующим. Подходы: «похожие клиенты покупали», «к этому товару обычно берут», рекомендации по описанию товаров. Используются в интернет-магазинах, сервисах доставки, контентных платформах. Для небольшого ассортимента часто хватает простых правил на основе совместных покупок, а сложные модели оправданы при большом каталоге и активной клиентской базе.

Поиск аномалий

Необычные операции, сбои оборудования, ошибки в данных. Модели учатся на нормальном поведении и сигналят об отклонениях. Полезно и для контроля качества учёта: аномально большой документ или странная цена часто оказываются ошибкой ввода, а не реальной операцией.

Как выбирать

Совет

Начинайте с вопроса, а не с алгоритма. Сформулируйте, какое решение будет приниматься по результату модели, как часто и кем. Это сразу определит тип задачи, нужную точность и форму, в которой результат должен попадать к сотрудникам.

Просите подрядчика всегда показывать результат простого метода рядом со сложным. Если сложная модель лишь немного лучше, а объяснить и поддерживать её намного труднее, простая может оказаться правильным выбором.