W jaki sposób analityka i sztuczna inteligencja mogą pozwolić marketerom przewidywać przyszłość?

Nigdy nie przewidywaj, zwłaszcza przyszłości.

Nie mamy wielkich osiągnięć w przewidywaniu przyszłości, więc wydaje się to mądrą radą.

Od prezesa IBM Thomasa Watsona deklarującego na początku lat czterdziestych, że będzie światowy rynek na „około 5 komputerów” (przyznaje się, że na planecie mogło być tylko miejsce na 5 wczesnych maszyn IBM), aż po hullabaloo Y2K, ludzie nie mogą się oprzeć, by brnąć z imponującymi, często szalenie niedokładnymi przepowiedniami.

Nagrody za poznanie przyszłości z góry są zbyt wielkie, by się temu oprzeć, ale raczej w dużym stopniu polegamy na ludzkiej intuicji, aby tworzyć nasze prognozy. W związku z tym nagrody zbyt często pozostają nieodebrane.

Jest to jednak szybko rozwijająca się branża, a postępy w sztucznej inteligencji (AI) mogą wkrótce sprawić, że będziemy opierać nasze przyszłe prognozy na wiarygodnych modelach statystycznych, a nie na naszej znanej, ale wadliwej intuicji.

W ramach tej trzyczęściowej serii zbadamy potencjalną rolę sztucznych in

inteligencji w opracowywaniu dokładnych, dostępnych analiz predykcyjnych, które prowadzą do poprawy wyników biznesowych.

Ten artykuł rozpocznie się od analizy obecnego stanu branży analiz predykcyjnych, wraz z kilkoma wskazówkami, które pomogą firmom w pełni wykorzystać dostępną technologię i dane.

Co rozumiemy przez „analitykę predykcyjną”?

Analityka predykcyjna to forma eksploracji danych, która wykorzystuje uczenie maszynowe i modelowanie statystyczne do przewidywania przyszłych stanów rzeczy na podstawie danych historycznych.

Wszędzie wokół nas istnieją już przykłady analiz predykcyjnych. Jeśli Twój bank powiadomi Cię o potencjalnie podejrzanej aktywności na Twojej karcie kredytowej, jest bardzo prawdopodobne, że zastosowano model statystyczny do przewidywania Twojego przyszłego zachowania na podstawie Twoich przeszłych transakcji. Poważne odstępstwa od tego schematu są oznaczane jako podejrzane.

Jako proste narzędzie zastępcze do zrozumienia poziomu zainteresowania tą dziedziną, możemy zobaczyć w Trendach Google, że liczba wyszukiwań dla tematu „Analiza predykcyjna” znacznie wzrosła w ciągu ostatnich 5 lat:

Możemy przyjrzeć się tej linii i przewidzieć, że będzie rosła. Ale tak naprawdę opiera się to tylko na ostatnim trendzie historycznym lub na fakcie, że słyszeliśmy dużo szumu na ten temat w branży. Zajęłoby nam o wiele więcej dochodzenia, abyśmy mogli stwierdzić z prawdziwą pewnością, dokąd potoczy się kolejna linia.

To ma sens, że tak wiele firm jest również zaintrygowanych tym tematem. Przewiduje się, że do 2020 r. na technologię „Big Data” będzie wydawane ponad 76 miliardów dolarów rocznie. Najlepszym sposobem na uzyskanie zwrotu z tej inwestycji byłoby wykorzystanie wszystkich tych danych do przewidywania przyszłych trendów popytu.

Jak widzieliśmy, jest to trudne zadanie dla ludzi do opanowania. Potrzebujemy trochę pomocy, jeśli mamy zacząć dokonywać poprawnych prognoz.

W rezultacie, w analitycznym modelu przewagi Gartnera, analityka predykcyjna jest postrzegana jako ewolucyjny skok w stosunku zarówno do analityki opisowej, jak i analityki diagnostycznej.

To powiedziawszy, pragnienie dokładnych analiz predykcyjnych nie jest nowe, podobnie jak próby wykorzystania analiz do modelowania przyszłych zachowań konsumentów. Wielu analityków codziennie zajmuje się tą dziedziną, aby na przykład obliczyć liczby, takie jak wartość życia (LTV) ich typowego klienta. Dostępność ogromnych i zróżnicowanych zbiorów danych pomogła znacznie poprawić dokładność tych obliczeń.

Stosunkowo nowe jest zastosowanie sztucznej inteligencji do wypełniania luk w naszym zestawie umiejętności i rozszerzania możliwości dzięki analityce predykcyjnej.

Ta kombinacja doprowadziła do powstania bardziej wyrafinowanych modeli statystycznych, które wykrywają wzorce w poprzednich zachowaniach konsumentów i wykorzystują je do mapowania prawdopodobnych przyszłych działań.

Ale dlaczego w szczególności sztuczna inteligencja jest tak skuteczna w osiąganiu tego, co na własną rękę uznaliśmy za niemożliwe?

Istoty nawyku: jak w realnym świecie stosuje się analitykę predykcyjną?

Analizie predykcyjnej bardzo pomaga przewidywalność ludzi.

Choć chcielibyśmy wierzyć, że jesteśmy wyjątkowi i dobrowolni, sztuczna inteligencja może dość dokładnie przewidzieć, co będziemy nadal robić na podstawie naszych przeszłych działań i działań podobnych osób.

Badanie przeprowadzone przez naukowców z Media Lab z Massachusetts Institute of Technology w 2007 r. wykazało, że „dobre 90 procent tego, co większość ludzi robi każdego dnia, jest zgodnych z procedurami tak kompletnymi, że ich zachowanie można przewidzieć za pomocą zaledwie kilku równań matematycznych”.

Wiele kampanii marketingowych opierało się na tym założeniu, ale teraz możemy stosować tę zasadę z większą dokładnością i odpowiedzialnością.

Sztuczna inteligencja sprawdza się w tej dziedzinie w jej zdolności do identyfikowania szerszych wzorców, których ludzie po prostu nie widzieliby. Wybieramy obszary do badania na podstawie tego, co uważamy za bezpieczne założenia, ale sztuczna inteligencja może zidentyfikować inne zmienne, które po zmianie mają na siebie wpływ.

To podejście (w dużym stopniu ukształtowane przez zastosowanie analizy regresji) jest odpowiednim odzwierciedleniem stale zmieniającego się świata, w którym żyją konsumenci.

Na przykład, na podstawie mojej lokalizacji, wieku, wcześniejszych zakupów i płci, jakie jest prawdopodobieństwo, że kupię mleko, jeśli właśnie dodałem chleb do koszyka? Supermarket internetowy może wykorzystać tego rodzaju informacje do automatycznego polecania mi produktów na podstawie przewidywanej przeze mnie skłonności do ich kupowania.

Co więcej, dostawca usług finansowych może wykorzystać tysiące punktów danych utworzonych w wyniku moich interakcji online i podobnych osób, aby zdecydować, którą kartę kredytową zaoferować mi i kiedy. Sprzedawca mody może użyć mojego profilu cyfrowego, aby zdecydować, które buty polecić jako następny zakup, na podstawie właśnie kupionych dżinsów.

Pomaga to firmom poprawić współczynnik konwersji, ale konsekwencje są znacznie szersze. Analityka predykcyjna pozwala firmom ustalać strategie cenowe w oparciu o oczekiwania konsumentów i benchmarki konkurencji. Pozwala detalistom przewidywać popyt, a tym samym zapewniać, że mają odpowiedni poziom zapasów dla każdego produktu.

Analityka predykcyjna może nawet sugerować pomysły na nowe linie produktów, dostrzegając zmiany w preferencjach klientów. Oznacza to transformację analityki z retrospektywnego narzędzia dla specjalistów ds. danych w niezbędną funkcję predykcyjną, która kształtuje strategię biznesową, poprawia relacje z klientami i zwiększa wydajność operacyjną.

W rzeczywistości niedawny raport firmy Forrester zauważył, że „predykcyjni marketerzy 2,9 raza częściej zgłaszają wzrost przychodów w tempie wyższym niż średnia w branży”.

Dowody tej rewolucji są już wszędzie wokół nas. Za każdym razem, gdy wpisujemy zapytanie do Google, Facebooka lub Amazona, na przykład, wprowadzamy dane do maszyny. Maszyna rozwija się na danych, stając się coraz bardziej inteligentna w miarę odbierania tych sygnałów zwrotnych.

Zjawisko to niesie ze sobą szereg korzyści dla marketerów. Google już od jakiegoś czasu korzysta z tej technologii w ramach produktu Cele inteligentne w Analytics oraz funkcji Wyniku Jakości Sesji, która została uruchomiona pod koniec ubiegłego roku. Są to przykłady analizy predykcyjnej w akcji, opartej na technologii uczenia maszynowego.

Istnieje argument, że przewidywanie jest podstawą inteligencji, więc jest to nie lada wyczyn dla sztucznej inteligencji.

To jednak dopiero początek. Większość obecnych prac w zakresie analityki predykcyjnej koncentruje się na przedstawianiu sugestii lub rekomendacji, ale istnieje możliwość, aby prognozy oparte na sztucznej inteligencji stanowiły punkt odniesienia dla strategii marketingowych.

Ostatnie wydarzenia dostarczają wielu powodów do optymizmu (lub niepokoju, niektórzy mogliby powiedzieć) w tym zakresie. Zespół DeepMind firmy Google właśnie stworzył sztuczną inteligencję, która jest zdolna do planowania przyszłości i rozważania różnych wyników przed podjęciem działań.

Jest to istotne w zakresie analityki predykcyjnej, ponieważ wyobraźnia jest podstawowym aspektem tworzenia projekcji. Ta umiejętność tylko umocni rolę sztucznej inteligencji jako niezbędnego elementu udanej kampanii analiz predykcyjnych.

Jak firmy mogą zintegrować analitykę predykcyjną?

Aby wykorzystać potencjał sztucznej inteligencji i analityki predykcyjnej, istnieją cztery elementy, które organizacje muszą wdrożyć.

1. Właściwe pytania

Najlepsze projekty analiz predykcyjnych zaczynają się od solidnej hipotezy do przetestowania. Chociaż powinniśmy zapewnić algorytmom uczenia maszynowego możliwość tworzenia własnych obiektywnych powiązań między punktami danych, musimy podjąć wyzwanie biznesowe, które chcemy przezwyciężyć. Pomaga to nadać przedsięwzięciu pewien kształt.

2. Właściwe dane

Postępy w nauce o danych w ciągu ostatniej dekady oznaczają, że możemy uzyskać spostrzeżenia z dużych ilości nieustrukturyzowanych danych z większą dokładnością, ale nadal potrzebujemy kompletnych zestawów danych, aby dojść do przekonujących wniosków.

Dlatego kolejnym etapem po zdefiniowaniu pytań, na które chcesz odpowiedzieć za pomocą analityki predykcyjnej, jest ustalenie, jakie dane są dla Ciebie dostępne i czy wystarczy przekonująco odpowiedzieć na Twoje pytania.

3. Właściwa technologia

Jak sugeruje przewidywana wartość 76 miliardów dolarów do 2020 roku, technologia dużych zbiorów danych to dynamicznie rozwijająca się branża. Dane są tworzone w takim tempie, że potrzebujemy coraz lepszych możliwości technologicznych tylko po to, aby je przechwytywać, przechowywać i nadawać im sens.

Wiele wiodących pakietów oprogramowania analitycznego już uruchomiło narzędzia do analizy predykcyjnej, ale różnią się one metodologią. Aby zdecydować, które rozwiązanie jest najlepsze dla Twojej firmy, ważniejsze niż kiedykolwiek jest posiadanie zespołu, który ma doświadczenie w każdym z nich i może zidentyfikować najbardziej odpowiednią opcję.

4. Właściwi ludzie

To zasadniczo sprowadza nas z powrotem do kroku pierwszego. Bez odpowiednich ludzi bardzo trudno jest zadawać właściwe pytania. Trudno jest również wiedzieć, jakie dane mogą być wymagane, aby na nie odpowiedzieć lub jak najlepiej wykorzystać najnowszą technologię. Wszystkie rozmowy o zastępowaniu ludzi przez sztuczną inteligencję tylko tak naprawdę zaostrzyły koncentrację na tym, aby właściwe osoby mogły jak najlepiej wykorzystać nowe możliwości, jakie stwarza.

Zastosowania tej technologii są już szeroko rozpowszechnione, ale wciąż tylko drapiemy powierzchnię. W następnym artykule z tej serii przyjrzymy się pięciu firmom, które korzystają z analiz predykcyjnych w celu zwiększenia dzisiejszych wyników biznesowych.

Przeczytaj część 2 serii: 5 firm wykorzystujących sztuczną inteligencję do przewidywania przyszłości i zysków