영항력 우선

사례를 들여다보기 전에 우선 몇 가지 방법론부터 시작하겠습니다.

다른 머신러닝 문제와 마찬가지로 응용 머신러닝 프로세스를 따르고 있지만 질문에 답할 수 있는 시장이 존재하는 도메인과 질문을 선택했습니다.

1. 도메인 내에서의 질문으로 시작하십시오 (문제를 잘 정의하십시오). 도메인에 미치는 영향에 따라 질문을 선택합니다. 여기서 영향은 수익일 수 있습니다. 완벽한 예측을 할 수 있는 이상화된 모델로 사고 실험을 하십시오.
2. 질문을 해결하는 데 필요한 데이터를 수집합니다(데이터 선택).
3. 모델링(데이터 준비)에 적합하도록 데이터를 정리하고 준비합니다.
4. 문제에 대한 스팟 검사 알고리즘. 가능한 가장 간단한 모델부터 시작하여 기준선으로 사용해야 합니다.
5. 성능이 가장 좋은 모델을 조정하고 임계값 지정 및 앙상블과 같은 방법을 사용하여 선택한 모델을 최대한 활용하십시오(결과 개선).
6. 결과를 표시하거나 시스템을 작동시키고 근접 감시를 설정합니다(결과 표시).

이상적으로, 질문을 더 정확하게 할수록 수익이 커집니다 (또는 할 수 있는 베팅이 커집니다).

당신의 시작

자신의 비즈니스 또는 웹 스타트업이 있다면 기존에 이미 수집하고 있는 데이터를 더 열심히 들여다보아야 합니다. KissMetrics, Google Analytics 및 기타 여러 서비스에서 데이터를 수집하는 것은 일반적인 일입니다. 이 데이터를 사용하여 수익에 어떻게 영향을 줄 수 있습니까?

제 경험에 비추어 볼 때, 이것은 머신러닝 작업보다 데이터 분석가의 작업이 더 많지만 회귀 모델을 만들어 내고 단순한 quintile 모델보다 더 많은 리프트를 제공하는지 확인할 수 있습니다.

우리는 이전 게시물에서 이것을 조금 다루었습니다. 그럼에도 불구하고 살펴볼 수 있는 영역은 다음과 같습니다.

• 고객 전환: 전환하거나 변환하지 않는 고객의 특징을 모델링합니다.
• 상향 판매 및 교차 판매: 상향 판매 또는 교차 판매 제안으로 전환하는 고객의 기능을 모델링합니다.
• 인수 전략: 인수 전략에 따라 고객의 가치를 모델링합니다.
• 보존 전략: 고객 유지 전략의 ROI를 모델링합니다.
• 고객 이탈: 이탈하거나 변동하지 않는 고객의 기능을 모델링합니다.

결론에 미치는 영향부터 시작하여 결정을 내리기 위해 질문해야 하는 질문으로 거꾸로 작업하십시오. 질문에 대답하고 주어진 신규 고객에 대한 예측을 할 수 있게 되면 예측에 영향을 주거나 활용하는 데 사용할 수 있는 개입 전략을 고안하고 테스트하는 데 시간을 투자하십시오.

개발

당신은 소프트웨어를 설계, 생성 및 릴리스하는 방법을 알고 있는 개발자 또는 프로그래머일 수 있습니다. 머신러닝 방법으로 대답할 수 있는 귀중한 질문에 대해 온라인으로 생각해 보십시오.

가치 있는 예측이나 권장 사항이 있습니까?

마음에 떠오르는 몇 가지 예에는 공개적으로 사용 가능한 다양한 소셜 미디어 데이터가 포함됩니다.

• 킥 스타터: 성공하거나 실패한 킥 스타터 캠페인의 특징을 모델링합니다.
• 소셜 미디어 프로필: LinkedIn, Google+ 또는 Facebook과 같은 사이트에서 성공적인 소셜 미디어 프로필(방문 또는 페이지 순위)의 특징을 모델링합니다.
• 소셜 뉴스 : 해커 뉴스 또는 Reddit과 같은 소셜 뉴스 사이트에 대한 성공적인 게시물의 특징을 모델링하십시오.
• 판매 페이지: 전자 상거래 또는 정보 제품과 같은 성공적인 제품 판매 페이지의 특징을 모델링합니다.

소셜 미디어 데이터에 대한 통찰력으로 돈을 버는 것은 이미 많은 사람들이 시도하고 있습니다. 이 아이디어를 진지하게 받아들이려면 문제를 모델링하는 데 사용하는 특징에 대해 창의력을 발휘해야 합니다. Feature engineering은 실제 모델보다 더 많은 기여를 하게 됩니다.

이 접근 방식은 곤란한 데이터 세트의 수집 및 처리가 필요할 가능성이 큽니다. 이들은 특징의 깔끔한 행렬이 아닌 데이터 세트입니다. 모델링 프로세스는 먼저 바람직한 결과를 특성화하고 예측 능력을 평가한 다음 고객에게 예측을 제공하는 것입니다.

금융 및 도박

머신러닝으로 돈을 벌기위한 확실한 옵션은 금융과 도박입니다. 하지만 저는 이 분야들을 제안하는 것을 꺼립니다. 저는 그것들이 위험한 사이렌이 될 가능성이 매우 높다고 생각합니다. 

장점은 결정이 매우 명확하고 (어떤 말이 이길 것인지 또는 어떤 주식을 사고 팔 것인가) 의사 결정 뒤에 자신의 자본을 배치 할 수 있다는 것입니다. 나는 당신이 이해하기 쉬운 모델링 문제를 제안하고 싶고, 일부 금융 상품은 매우 복잡할 수 있습니다.

저는 초단타매매와 포트폴리오 최적화에 발을 담가 본 적이 있습니다. 그것은 무서운 것이기도 하고, 스릴 만점일 수도 있습니다. 잠시 동안 종이 거래를 권장하며 데이터 원본에 사용할 수있는 훌륭한 API가 있습니다. 머신러닝과 초단타매매로 50만 달러를 버는 법과 금융산업에서의 머신러닝 활용을 읽어보시기 바랍니다. 또는 Quantopian을 보고 싶을 수도 있습니다.

저는 도박 문제를 시도하지는 않았지만 문헌에 많이 등장 할 것으로 예상되는 등급 시스템과 같은 몇 가지 방법을 사용했습니다. 말과 개 경주, 스포츠 베팅 (2인용 게임) 및 포커와 같은 카드 게임을 살펴 보시기 바랍니다.

스스로 경주하십시오. 문제에 집중하고, 데이터를 수집하고, 일부 기준 결과를 신속하게 정의합니다. 당신의 목표는 자신의 최상의 결과를 개선하고 도움이 될 수 있는 모든 것을 활용하는 것입니다. 당신의 목표는 적어도 오랫동안 도메인 전문가를 능가하는 것이 아닙니다.

대회

머신러닝 대회에 참가하여 돈을 벌 수 있습니다. 나는 상금이 대회 참여의 주된 동기가 아니라고 조언합니다. 컨설팅 고객을 직접 찾아 훨씬 더 많은 돈을 벌 수 있습니다. 그럼에도 불구하고 우승자는 상금을 받을 수 있습니다.

머신러닝 경연 대회를 찾을 수 있는 장소는 다음과 같습니다.

• Kaggle
• Challenge.gov
• Innocentive
• Tunedit

대회는 기술을 배우고, 테스트하고, 향상시킬 수있는 놀라운 기회가 될 수 있습니다. 일반적으로 이러한 사이트에는 많은 정보 공유가 있으며 어떤 알고리즘과 도구가 인기 있는지 배울 수 있습니다.

요약

우리는 머신러닝으로 돈을 벌기 위해 생각할 수 있는 네 가지 영역, 즉 자신의 비즈니스, 소셜 데이터, 금융산업 / 도박 및 대회에 대해 다루었습니다. 제가 찾은 가장 좋은 방법은 쉽게 액세스 할 수 있는 데이터 (예 : 컨설팅)로 대답할 수 있는 문제가 있는 사람들을 찾는 것입니다. 당신은 머신러닝으로 돈을 벌기 위한 아이디어가 있습니까?