Data science

วิธีการเรียนรู้ของเครื่องที่เรียบง่ายและโปร่งใสพิสูจน์ให้เห็นว่าสามารถพิชิตตลาดเยอรมันได้

Dr. Sébastien Foucaud รองประธานทีม Data Science ของ XING เชื่อว่าเวลาของ blackbox AI อยู่ข้างหลังเรา ผู้นำตลาดในภูมิภาค DACH มีวิสัยทัศน์สำหรับแมชชีนเลิร์นนิง ซึ่งควรอธิบายให้หัวหน้าและผู้ใช้เข้าใจได้ มุ่งเน้นไปที่ประเทศที่พูดภาษาเยอรมันตั้งแต่ 2012 XING ได้กลายเป็นผู้นำตลาดในภูมิภาค DACH ด้วยจำนวน ล้าน ผู้ใช้ หากคุณทำงานในเยอรมนี ออสเตรีย หรือสวิตเซอร์แลนด์ XING เป็นสิ่งจำเป็น ในตลาดที่อิ่มตัว ไม่เพียงแต่ LinkedIn เท่านั้นที่มีพื้นที่ให้เติบโต แต่ยังมีการมีอยู่ของ XING อีกด้วย ในช่วงครึ่งแรกของ 24 XING เพิ่มผลกำไร 22 เปอร์เซ็นต์และได้รับผู้ใช้ใหม่หนึ่งล้านราย แล้วบริษัทสามารถพิชิตตลาดที่ใช้ภาษาเยอรมันได้อย่างไร? เหตุผลสำคัญประการหนึ่งก็คือการที่ Xing จะต้องสร้างโปรไฟล์ให้เป็นแพลตฟอร์มโซเชียลที่น่าเชื่อถือและน่าเชื่อถือนั้นเป็นสิ่งสำคัญ “ในเยอรมนี เราเห็นว่าผู้ใช้ไม่เต็มใจที่จะออกจาก Xing สำหรับ LinkedIn เพราะพวกเขาสามารถไว้วางใจ XING ได้มากขึ้น” Dr. Sébastien Foucaud รองประธานฝ่าย Data Science ของ XING กล่าว เนื่องจากกฎระเบียบด้านความเป็นส่วนตัวมีความโดดเด่นมากขึ้น และผู้ใช้เรียกร้องสิทธิ์ ความโปร่งใสจึงกลายเป็นทรัพย์สินที่แท้จริงของ XING GDPR และ CCPA ของแคลิฟอร์เนีย (กฎหมายคุ้มครองความเป็นส่วนตัวของผู้บริโภคในแคลิฟอร์เนีย) เป็นเพียงจุดเริ่มต้น: “ไม่ใช่แค่ยุโรปที่บ้าคลั่งเท่านั้น แต่ยังแพร่กระจายไปทั่วโลก” เขากล่าว รู้ว่าคุณเป็นอย่างไรหลังจากสร้างทีม Data Science สำหรับบริษัทต่างๆ เช่น Scout 24 และ Naspers แล้ว Foucaud กำลังทำงานเพื่อยกระดับทีม Data Science ของ XING ไปอีกระดับ เขาใช้กลยุทธ์การพัฒนาแมชชีนเลิร์นนิงจากวิสัยทัศน์ที่ควรจะเรียบง่ายและโปร่งใส Foucaud พบว่าผู้ใช้ยินดีที่จะแบ่งปันข้อมูลเพิ่มเติมกับ XING หากจะให้ประสบการณ์การใช้งานที่ดีขึ้น แต่เฉพาะในกรณีที่บริษัทมีความโปร่งใสต่อผู้ใช้ว่าเหตุใดจึงต้องการข้อมูลของพวกเขาและใช้เพื่ออะไร Foucaud เชื่อว่าเวลาของ blackbox AI อยู่ข้างหลังเรา “ความเป็นส่วนตัวควบคู่ไปกับความสามารถในการอธิบายแบบจำลอง” ฟูโกด์กล่าว “ถ้าโมเดลของคุณเข้าใจได้ คุณสามารถอธิบายให้ผู้ใช้ฟังได้” นั่นคือเหตุผลที่เขามีมนต์ของเขา 'ยิ่งง่าย ยิ่งดี': “ฉันสามารถอธิบายงานของฉันกับเจ้านายของฉันได้ เพราะฉันเข้าใจว่าข้อมูลส่วนใดของเราเป็นตัวขับเคลื่อนการตัดสินใจของเรา” ตาม Foucaud สิ่งสำคัญคือต้องเข้าใจก่อนว่าข้อมูลใดที่คุณต้องการ อย่าเพิ่งโยนข้อมูลจำนวนมากเข้าสู่ระบบ รู้ว่าคุณต้องการอะไร ทีมของเขาทำการทดสอบ A/B หลายร้อยแบบในโมเดลต่างๆ ผ่าน Machine Learning เพื่อค้นหาว่าผู้ใช้ต้องการข้อมูลใดบ้างเพื่อเพิ่มประสิทธิภาพงานและคำแนะนำด้านเครือข่าย จากนั้น การสื่อสารที่ดีที่สุดกับผู้ใช้คือกุญแจสำคัญ ที่ XING ทีมธุรกิจต่างๆ โดยเฉพาะองค์ประกอบ UX/UI ของพวกเขา ได้ทำงานร่วมกันอย่างใกล้ชิดกับทีม Data Science เพื่อแจ้งผู้ใช้อย่างชัดเจนว่าทำไมจึงได้รับคำแนะนำเฉพาะ “เมื่อผู้ใช้เข้าใจว่าโปรไฟล์ที่สมบูรณ์นั้นเพิ่มประสิทธิภาพระบบการแนะนำของพวกเขาอย่างไร พวกเขาต้องแน่ใจว่าได้ส่งข้อมูลที่ถูกต้อง” นั่นเป็นสิ่งสำคัญ เนื่องจากคำแนะนำที่ไม่ดีมักเกิดจากข้อมูลผิดพลาดหรือขาดหายไป ในกรณีเช่นนี้ ผู้ใช้ยังคงมีงานหรือเมืองเก่าอยู่ในโปรไฟล์ หรือไม่มีความรู้เพียงพอเกี่ยวกับทักษะที่จำเป็นในการแสดงรายการในโปรไฟล์ ระบบแนะนำงานที่ดีที่สุดในตลาด การนำทีม Data Science ของแพลตฟอร์มโซเชียลเน็ตเวิร์กขนาดใหญ่อย่าง XING สู่ความยิ่งใหญ่มาพร้อมกับการต่อสู้มากมาย “การต่อสู้สองสามครั้งแรกนั้นยิ่งใหญ่ คุณจะได้รับมากมายในทันที” ฟูโกด์กล่าว “ถ้าอย่างนั้นก็เกี่ยวกับระยะยาว มันเป็นกระบวนการที่ช้ากว่า” ชัยชนะครั้งใหญ่ของพวกเขาคือระบบแนะนำงาน ซึ่งเป็นผลงานของ Dr. Fabian Abel ผู้อำนวยการ Data Science ที่ XING ซึ่งจะเป็นผู้พูดในการประชุม Data Natives 2019 “ดีที่สุดในตลาด” ฟูโกด์กล่าว ระบบของพวกเขาประกอบด้วยกลยุทธ์ต่างๆ ในการแนะนำงาน โดยพิจารณาจากคุณสมบัติต่างๆ เช่น งานที่คล้ายกัน โปรไฟล์ผู้ใช้ที่คล้ายคลึงกัน การวิเคราะห์ข้อความและเครือข่าย ระบบดังกล่าวมีความสำคัญสำหรับบริษัทที่มีรายได้ครึ่งหนึ่งจากการช่วยเหลือบริษัทในกระบวนการสรรหา ในขณะที่รายได้อีกครึ่งหนึ่งของ XING มาจากบริการที่มีคุณค่าที่พวกเขาเสนอให้กับสมาชิก จากพฤติกรรมของพวกเขาบนแพลตฟอร์ม ตัวอย่างเช่น XING สามารถเห็นแนวโน้มที่ผู้ใช้ยินดีเปลี่ยนงาน แพลตฟอร์มดังกล่าวจะมอบโอกาสในการแข่งขันให้กับผู้ใช้เหล่านั้น สิ่งสำคัญโดยรวมสำหรับการเติบโตต่อไปของ Data Science ที่ XING Foucaud เชื่อว่าคือการเผยแพร่ความใส่ใจในข้อมูลไปยังทีมต่างๆ “ผมทำงานมาหลายบริษัทแล้ว มันต้องใช้ความพยายามเสมอ” เขากล่าว “ทีม Data Science อาจเป็นกลุ่มที่เกินบรรยาย และพวกเขาทำงานในแบบที่พวกเขาทำ ดังนั้นจึงอาจเป็นเรื่องยากที่จะทำงานร่วมกับทีมอื่น เช่น ในองค์กรผลิตภัณฑ์ เป็นต้น” XING จึงเพิ่มความเชี่ยวชาญด้านข้อมูลภายในหน่วยธุรกิจ ตรวจสอบให้แน่ใจว่าได้รวม Data Science ไว้ในระยะเริ่มต้นของการพัฒนาผลิตภัณฑ์ และกำลังจัดตั้งทีมข้ามสายงาน ภารกิจสำคัญ เพื่อนำ XING ไปสู่ความยิ่งใหญ่: “แผนกในบริษัทจะสะท้อนให้เห็นในประสบการณ์ของผู้ใช้ คุณสามารถบอกได้ว่าอินเทอร์เฟซของแพลตฟอร์มแตกต่างกันในมุมต่างๆ เมื่อใด” เขากล่าว นั่นคือสิ่งที่ Foucaud เข้ามา “เคล็ดลับของฉันที่จะทำให้คนเหล่านี้ทำงานร่วมกัน? ฉันแค่พูดมาก!” เขาล้อเล่น

  • บ้าน
  • Business
  • Data science
  • Marketing
  • Leave a Reply

    Your email address will not be published. Required fields are marked *

    Back to top button