Представьте, — говорит он, — что вы и ваши коллеги планируете через социальные сети отправиться на обед около 12:30. большинство четвергов. Обычно это итальянское заведение в центре города. Часто пишите в Твиттере о пробках в пути.А теперь представьте, что в 10 часов утра вам написали в Твиттере купон из китайского заведения рядом с итальянским перекрестком — и указание маршрута вокруг пробки, которая начнется примерно через 90 минут.
Сделайте один сычуаньский горячий горшок.Юн может это сделать. Он и его коллега по системным наукам из Бингемтонского университета Сара Лам работали с выпускником Бингемтона Натаном Гнанасамбандамом, старшим научным сотрудником Исследовательского центра Пало-Альто (PARC), подразделения Xerox Research.
Они использовали 500 миллионов твитов, чтобы разработать алгоритмы, которые не только рисуют картину повседневной динамики человека, но и могут предсказывать поведение человека на несколько часов вперед. Команда, в которую также входили аспиранты Кейт Томпсон и Бичен Чжэн, недавно опубликовала свои выводы в Industrial Engineer.Подумайте, что ваш типичный пост в социальных сетях говорит о вас: когда вы писали, где вы были.
Ваши сетевые отношения могут быть изучены — и с помощью контекстных алгоритмов, подобных тем, которые разработали PARC и Binghamton University, — что вы планируете. Они используют так называемую искусственную нейронную сеть.
Насколько они уверены? Лучше 90 процентов для обычного пользователя социальных сетей за трехчасовой горизонт. «Если вы посмотрите на картинку, она очень статична. Но люди повсюду», — говорит Юн.
Некоторые люди очень осторожны в том, какие данные они выдают, но алгоритмы могут неплохо работать с анонимными данными.
Пригодные для использования прогнозы можно делать более чем в 60% случаев, если агрегированы правильные данные. И эти данные поступают не только из социальных сетей: подумайте об источниках, таких как транзакции по кредитным картам, отслеживаемые телефонные звонки, электронная почта, данные GPS.Возможно, это жутко, но у этого типа анализа есть свои преимущества. Xerox, которая финансировала и участвовала в текущих исследованиях группы, может применять эти инструменты к трафику. (Он помогает управлять системой EZ-Pass в системе Thruway штата Нью-Йорк и службами парковки в нескольких городах по всей стране.) Представьте себе, как проложить маршрут во время чрезвычайной ситуации, который не только убережет вас от опасности, но и приведет вас к личному месту, где вы находитесь. безопасно, что снижает нагрузку на аварийные убежища.
Или представьте себе маршруты, предотвращающие появление пробок, а не просто обходные пути.Теперь примените этот инструмент исследования к телефонным и контактным центрам, которые также есть у Xerox. Эти методы могут объединять данные из колл-центров, онлайн-чатов и справочных служб электронной почты. «Мы придаем ему структуру — не все каналы имеют структуру», — говорит Гнанасамбандам, который также является приглашенным профессором кафедры системологии и промышленной инженерии Бингемтона.«Что, если вы позвоните в компанию …» — говорит Юн, и Лам завершает: «..
И они знают, почему вы звоните, до того, как позвоните?»Сотрудники службы поддержки могут пройти перекрестное обучение по темам, чтобы сократить время простоя, или вызовы могут быть быстрее перенаправлены к лучшему специалисту. Данные о проблемах могут быть проанализированы в режиме, близком к реальному времени, что, возможно, позволит внести исправления до того, как клиент поймет, что существует проблема. «Это недалеко от того, что происходит», — говорит Гнанасамбандам.Теперь направьте этот подход на здравоохранение, которое обеспечивает около 2 миллиардов долларов годового дохода Xerox, и исследователи могут создавать инструменты, которые помогут пациентам, врачам, больницам, страховщикам и фармацевтическим компаниям лучше понять сложности общественного здравоохранения, найти рецепты или мошенничество с Medicaid. .«Есть много разных направлений, куда можно пойти», — говорит Лам.
Включая следующую китайскую еду Юна.