Bagaimana analitik dan AI memungkinkan pemasar memprediksi masa depan?

Jangan pernah membuat prediksi, terutama tentang masa depan.

Kami tidak benar-benar memiliki rekam jejak yang bagus dalam meramalkan masa depan, jadi ini sepertinya nasihat yang bijak.

Dari presiden IBM Thomas Watson yang menyatakan pada awal 1940-an bahwa akan ada pasar dunia untuk "sekitar 5 komputer" (diakui, mungkin hanya ada ruang di planet ini untuk 5 mesin IBM awal), hingga hullabaloo Y2K, orang tidak bisa menahan diri untuk mengarungi prediksi yang muluk-muluk, seringkali sangat tidak akurat.

Imbalan untuk mengetahui masa depan di muka terlalu besar untuk menolak mencobanya, tetapi kami sangat bergantung pada intuisi manusia untuk membentuk proyeksi kami. Dengan demikian, hadiah terlalu sering tetap tidak diklaim.

Namun, ini adalah industri yang berkembang pesat, dan kemajuan dalam kecerdasan buatan (AI) dapat segera membuat kita mendasarkan proyeksi masa depan kita pada model statistik yang andal daripada intuisi kita yang sudah dikenal tetapi cacat.

Dalam seri tiga bagian ini, kita akan mengeksplorasi peran potensial dari in buatan

kecerdasan dalam mengembangkan analitik prediktif yang akurat dan dapat diakses yang mengarah pada peningkatan kinerja bisnis.

Artikel ini akan dimulai dengan analisis tentang posisi industri analitik prediktif saat ini, bersama dengan beberapa kiat untuk membantu bisnis memanfaatkan teknologi dan data yang tersedia.

Apa yang kami maksud dengan 'analisis prediktif'?

Analitik prediktif adalah bentuk penambangan data yang menggunakan pembelajaran mesin dan pemodelan statistik untuk memprediksi keadaan masa depan, berdasarkan data historis.

Ada contoh analitik prediktif yang sedang beraksi di sekitar kita. Jika bank Anda memberi tahu Anda tentang aktivitas yang berpotensi mencurigakan pada kartu kredit Anda, kemungkinan besar model statistik telah digunakan untuk memprediksi perilaku masa depan Anda berdasarkan transaksi masa lalu Anda. Penyimpangan serius dari pola ini ditandai sebagai mencurigakan.

Sebagai proxy sederhana untuk memahami tingkat minat di bidang ini, kita dapat melihat dari Google Trends bahwa volume pencarian untuk topik 'predictive analytics' telah meningkat secara signifikan selama 5 tahun terakhir:

Kita bisa melihat garis ini dan memprediksi bahwa itu akan terus tumbuh. Tapi itu benar-benar hanya berdasarkan tren historis baru-baru ini, atau fakta bahwa kami telah mendengar banyak desas-desus tentang topik ini di industri. Perlu lebih banyak penyelidikan bagi kami untuk menegaskan dengan pasti ke mana garis itu akan pergi selanjutnya.

Masuk akal bahwa begitu banyak bisnis yang tertarik dengan topik ini juga. Diperkirakan bahwa lebih dari $76 miliar akan dihabiskan setiap tahun untuk teknologi 'Big Data' pada tahun 2020. Cara terbaik untuk mendapatkan laba atas investasi ini adalah dengan menggunakan semua data itu untuk mengantisipasi tren permintaan di masa depan.

Ini adalah tugas yang sulit untuk dikuasai orang, seperti yang telah kita lihat. Kami membutuhkan sedikit bantuan jika kami ingin mulai membuat prediksi yang benar.

Akibatnya, dalam 'Analytic Ascendancy Model' Gartner, analitik prediktif dipandang sebagai lompatan evolusioner dari analitik deskriptif dan analitik diagnostik.

Yang mengatakan, keinginan untuk analitik prediktif yang akurat bukanlah hal baru, dan juga bukan upaya untuk menggunakan analitik untuk memodelkan perilaku konsumen di masa depan. Banyak profesional analitik terlibat dengan bidang ini setiap hari untuk menghitung angka seperti nilai seumur hidup (LTV) dari pelanggan tipikal mereka, misalnya. Ketersediaan kumpulan data yang luas dan beragam telah membantu meningkatkan akurasi perhitungan ini secara signifikan.

Apa yang relatif baru adalah penerapan kecerdasan buatan untuk menutup celah dalam keahlian kami dan memperluas apa yang mungkin dilakukan dengan analitik prediktif.

Kombinasi ini telah menghasilkan model statistik yang lebih canggih yang menemukan pola dalam perilaku konsumen masa lalu dan menggunakannya untuk memetakan kemungkinan tindakan di masa depan.

Tetapi mengapa kecerdasan buatan, khususnya, sangat efektif dalam mencapai apa yang kita anggap mustahil dengan usaha kita sendiri?

Makhluk kebiasaan: Bagaimana analitik prediktif diterapkan di dunia nyata?

Analitik prediktif sangat terbantu oleh seberapa mudah diprediksi orang.

Seunik dan berkemauan bebas seperti yang ingin kita yakini, AI dapat memprediksi secara akurat apa yang akan terus kita lakukan berdasarkan tindakan masa lalu kita dan tindakan orang serupa.

Sebuah studi oleh para ilmuwan di Media Lab dari Massachusetts Institute of Technology pada tahun 2007 menemukan bahwa "90 persen baik dari apa yang kebanyakan orang lakukan setiap hari mengikuti rutinitas yang begitu lengkap sehingga perilaku mereka dapat diprediksi hanya dengan beberapa persamaan matematika".

Banyak kampanye pemasaran telah menggunakan asumsi ini, tetapi sekarang kita dapat menerapkan prinsip ini dengan akurasi dan akuntabilitas yang lebih besar.

Di mana AI menjadi miliknya di bidang ini adalah kemampuannya untuk mengidentifikasi pola yang lebih luas yang tidak akan dilihat manusia. Kami memilih area untuk diselidiki berdasarkan apa yang kami yakini sebagai asumsi yang aman, tetapi AI dapat mengidentifikasi variabel lain yang, ketika diubah, berdampak satu sama lain.

Pendekatan ini (sangat dibentuk oleh penggunaan analisis regresi) merupakan cerminan yang tepat dari dunia konsumen yang terus berubah.

Misalnya, berdasarkan lokasi, usia, pembelian sebelumnya, dan jenis kelamin saya, seberapa besar kemungkinan saya untuk membeli susu jika saya baru saja menambahkan roti ke keranjang saya? Supermarket online dapat menggunakan informasi semacam ini untuk secara otomatis merekomendasikan produk kepada saya, berdasarkan prediksi kecenderungan saya untuk membeli barang-barang ini.

Selain itu, penyedia layanan keuangan dapat menggunakan ribuan titik data yang dibuat oleh interaksi online saya dan orang-orang serupa untuk memutuskan kartu kredit mana yang akan ditawarkan kepada saya, dan kapan. Pengecer mode dapat menggunakan profil digital saya untuk memutuskan sepatu mana yang akan direkomendasikan sebagai pembelian saya berikutnya, berdasarkan jeans yang baru saja saya beli.

Ini membantu bisnis untuk meningkatkan tingkat konversi mereka, tetapi implikasinya jauh lebih luas dari itu. Analitik prediktif memungkinkan perusahaan untuk menetapkan strategi penetapan harga berdasarkan ekspektasi konsumen dan tolok ukur pesaing. Ini memungkinkan pengecer untuk mengantisipasi permintaan, dan karena itu memastikan mereka memiliki tingkat stok yang tepat untuk setiap produk.

Analitik prediktif bahkan dapat menyarankan ide untuk lini produk baru dengan melihat perubahan dalam preferensi pelanggan. Ini menandai transformasi analitik dari alat retrospektif untuk spesialis data, menjadi fungsi prediktif penting yang membentuk strategi bisnis, meningkatkan hubungan pelanggan, dan menciptakan efisiensi operasional.

Faktanya, laporan Forrester baru-baru ini mencatat bahwa, “Pemasar Prediktif 2,9x lebih mungkin melaporkan pertumbuhan pendapatan pada tingkat yang lebih tinggi daripada rata-rata industri.”

Bukti revolusi ini sudah ada di sekitar kita. Setiap kali kami mengetik permintaan pencarian ke Google, Facebook atau Amazon, misalnya, kami memasukkan data ke dalam mesin. Mesin berkembang pesat pada data, tumbuh semakin cerdas karena menerima sinyal umpan balik ini.

Fenomena ini membawa serta sejumlah manfaat bagi pemasar. Google telah menggunakan teknologi ini selama beberapa waktu, melalui produk Smart Goals di Analytics, dan fitur Session Quality Score, yang diluncurkan akhir tahun lalu. Ini adalah contoh tindakan analitik prediktif, yang didukung oleh teknologi pembelajaran mesin.

Ada argumen bahwa prediksi adalah landasan kecerdasan, jadi ini adalah prestasi yang cukup bagus untuk AI.

Ini hanya awal, namun. Sebagian besar pekerjaan saat ini dalam analitik prediktif berpusat pada pembuatan saran atau rekomendasi, tetapi ada ruang untuk proyeksi berbasis AI untuk membentuk titik tumpu strategi pemasaran.

Perkembangan terakhir memberikan banyak alasan untuk optimisme (atau keraguan, beberapa orang mungkin mengatakan) dalam hal ini. Tim DeepMind Google baru saja menciptakan AI yang mampu merencanakan masa depan dan mempertimbangkan hasil yang berbeda sebelum bertindak.

Ini relevan dalam lingkup analitik prediktif, karena imajinasi adalah aspek mendasar dalam membuat proyeksi. Kemampuan ini hanya akan memperkuat peran AI sebagai komponen penting dari kampanye analitik prediktif yang sukses.

Bagaimana bisnis dapat mengintegrasikan analitik prediktif?

Untuk memanfaatkan potensi kecerdasan buatan dan analitik prediktif, ada empat elemen yang perlu diterapkan oleh organisasi.

1. Pertanyaan yang tepat

Proyek analitik prediktif terbaik dimulai dengan hipotesis yang kuat untuk diuji. Meskipun kita harus menyediakan algoritme pembelajaran mesin dengan ruang untuk membuat asosiasi objektif mereka sendiri antara titik data, kita perlu memulai dengan tantangan bisnis yang ingin kita atasi. Ini membantu untuk memberikan beberapa bentuk usaha.

2. Data yang benar

Kemajuan dalam ilmu data selama dekade terakhir berarti bahwa kita dapat memperoleh wawasan dari volume besar data tidak terstruktur dengan akurasi yang lebih besar, tetapi kita masih membutuhkan kumpulan data yang lengkap untuk sampai pada kesimpulan yang meyakinkan.

Oleh karena itu, tahap selanjutnya setelah menentukan pertanyaan yang ingin Anda jawab dengan analitik prediktif adalah mencari tahu data apa yang tersedia untuk Anda dan apakah itu akan cukup untuk menjawab pertanyaan Anda dengan meyakinkan.

3. Teknologi yang tepat

Seperti yang tersirat dengan proyeksi nilai $76 miliar pada tahun 2020, teknologi big data adalah industri yang sedang booming. Data dibuat dengan kecepatan sedemikian rupa sehingga kami membutuhkan kemampuan teknologi yang terus meningkat hanya untuk menangkap, menyimpan, dan memahaminya.

Banyak paket perangkat lunak analitik terkemuka telah meluncurkan alat analitik prediktif, tetapi metodologinya berbeda-beda. Untuk memutuskan solusi mana yang terbaik untuk bisnis Anda, lebih penting dari sebelumnya untuk memiliki tim yang memiliki pengalaman masing-masing dan dapat mengidentifikasi opsi yang paling sesuai.

4. Orang yang tepat

Ini membawa kita kembali ke langkah pertama, pada dasarnya. Tanpa orang yang tepat, sangat sulit untuk mengajukan pertanyaan yang tepat. Juga sulit untuk mengetahui data apa yang mungkin diperlukan untuk menjawabnya, atau untuk mendapatkan yang terbaik dari teknologi terbaru. Untuk semua pembicaraan tentang AI menggantikan orang, itu hanya benar-benar mempertajam fokus untuk mendapatkan orang yang tepat untuk memanfaatkan peluang baru yang diciptakannya.

Penerapan teknologi ini sudah tersebar luas, tetapi kami masih hanya menggores permukaannya saja. Pada artikel berikutnya dalam seri ini, kita akan melihat lima bisnis yang menggunakan analitik prediktif untuk mendorong peningkatan kinerja bisnis saat ini.

Baca terus Bagian 2 dari seri ini: 5 bisnis yang menggunakan AI untuk memprediksi masa depan dan keuntungan