5 家企业使用人工智能来预测未来和利润

在本系列基于 AI 的预测分析的第一部分中，我们探讨了这项技术的功能，以及它创建更有效业务战略的潜力。

预测分析可以定义为一种数据挖掘形式，它使用统计建模来分析历史模式，然后使用这些模型来预测未来的结果。 人工智能的部署使分析技术能够发现人类根本无法看到的变量之间的关系。

在本文中，我们希望通过五个预测分析用例将该理论变为现实。

这个领域有一些有新闻价值的故事，特别是几年前引起如此多关注的“目标知道你何时怀孕”的头条新闻。

从那以后，事情有了很大的发展。 广泛可用和可访问的分析平台的发展为各种规模的公司提供了对复杂统计模型的访问。 除了有点令人毛骨悚然的怀孕预测的夸张之外，大数据更常被大小企业用来改善他们的日常功能。

通过定义他们想要解决的问题、获取正确的数据、雇用具有理解数据的技能的人员，并为他们提供适当的技术，任何企业都可以在当今的预测分析领域开始盈利。

有太多的竞争者无法在一篇文章的范围内考虑每个示例，因此我们尝试提供跨广泛案例研究的有效基于 AI 的分析的代表性样本。

1. 供应链优化：沃尔玛

我们从一个重量级的例子开始，但它为所有零售商提供了灵感。

虽然许多其他“传统”零售商都在苦苦挣扎，但沃尔玛已经连续 11 个季度公布了增长数据。 值得注意的是，这是由在线销售额同比增长 63% 推动的。

沃尔玛因其适应数字时代的意愿而广受赞誉，并押注其将线上和线下世界联系起来以与亚马逊竞争的能力。

人工智能和预测分析是这一驱动力的核心。 沃尔玛从其销售点系统即时获取数据，并将其纳入其预测中，以评估哪些产品可能会售罄，哪些产品表现不佳。

结合在线行为模式，这提供了大量数据点（其中超过 40 PB），以帮助沃尔玛为产品需求的上升或下降做好准备。

照片由 chuttersnap 在 Unsplash 上拍摄

数据通过沃尔玛的“数据咖啡馆”在云端进行管理，该咖啡馆由位于硅谷的沃尔玛实验室团队维护。 这是一项复杂的大规模操作，与这种规模的企业从可靠数据进行准确预测所需的变量数量保持一致。

尽管如此，小型企业也可以寻求它带来的好处。

例如，沃尔玛对人工智能和预测分析的使用对于库存管理非常宝贵，因为管理人员可以适当地进行库存，而无需冒着在需求超过供应时必须进行昂贵的最后一刻调整以填补缺口的风险。

这些预测还允许沃尔玛个性化其在线形象，根据特定客户的购买可能性向他们展示产品。

这种方法带来的纪律性和严谨性意味着沃尔玛可以坚持严格的交货日期，因为其供应链的每一步都通过使用预测分析进行了优化。 任何企业都可以通过 Google 和 Adob​​e 等可访问技术改进所有这些领域。

引人注目的是，如果客户从实体店取货，沃尔玛还以降价或排队特权的形式向客户提供奖励。 尽管基于人工智能的分析可以为企业带来所有好处，但在运输成本上与亚马逊竞争仍然是一项艰巨的任务。

2. 预测价格趋势： Hopper

旅游业的竞争是出了名的，需求波动的高峰和低谷以及许多低利润的航线。 这可能会让旅行者一头雾水，无法确定最佳预订时间。 有时最好提前预订，有时最好等到离出发日期更近。

这使它成为人工智能驱动的预测分析能力的成熟领域，这一事实见证了旅行应用程序 Hopper 自 2015 年以来的流行程度。

Hopper 通过预测未来的定价模式并提醒旅行者购买前往首选目的地的航班的最便宜时间，从而保持领先一步。

它通过每天观察数十亿个价格并根据每条路线的历史数据预测趋势将如何发展来做到这一点。 然后，用户可以设置通知，提醒他们在这些降价到来时进行预订。

尽管并非唯一一家提供此服务的此类公司，但 Hopper 报告其预测准确率为 95%，并声称每次航班平均可为客户节省 50 美元以上。

下面的屏幕截图显示了此过程的运作方式。 在一只戴着眼镜的可爱兔子的陪伴下，我选择了纽约飞往檀香山的航线，度过了当之无愧的假期。

根据我选择的日期，令人惊讶的专横兔子告诉我现在预订，因为这条路线的门票只会随着时间的推移而变得更加昂贵。

Hopper 提供了一个很好的企业示例，该企业将机器学习和预测分析作为其业务战略的核心原则。 没有预测分析，就没有 Hopper。

然而，它所使用的统计模型产生了如此巨大的影响，对所有企业都有借鉴意义。 Hopper 的成功本质上来自其作为客观消费者建议平台的可靠性。 因此，许多其他公司可以通过使用统计数据来提供符合客户最大利益的预测，而不仅仅是他们自己的底线，从而承担这一角色。

3. 小型企业增长：Point Defiance Zoo & Aquarium

SAP 在 2016 年底的一项调查发现，超过 70% 的小型企业领导者认为，他们仍处于从数据中获取洞察力的“早期阶段”。

华盛顿州塔科马的一家动物园通过与国家气象局合作确定导致游客人数如此不可预测地上升和下降的因素，从而扭转了这一趋势。 这给管理层带来了问题，他们总是会为公园配备人员来满足大量观众的需求，但由于出勤率低，最终往往会超支薪水。

直观地，我们可以假设温暖干燥的日子出勤率较高，但寒冷或潮湿的日子出勤率较低。 然而，通过将国家气象局的数据整合到 IBM 的人工智能驱动的 Watson 平台中，动物园能够准确地确定哪些条件导致更多人参观。

然后，利用历史出勤数据和预测的天气统计数据，利用这些知识对未来的访客模式进行建模。

该项目取得了巨大成功，现在是动物园业务规划的核心部分。 Point Defiance 可以以超过 95% 的准确率预测游客人数，从而允许管理人员为公园配备适当的人员。 这对游客体验公园的方式没有负面影响（甚至可能相反），并创造了一些重要的业务效率。

当然，这种方法的应用范围远不止是出席人数。 Port Defiance 可以监控游客如何与动物园互动，帮助提供更好的客户体验。 还计划使用人工智能驱动的预测分析来监控健康数据并诊断公园动物的问题，以提供先发制人的治疗。

4. 员工保留：IBM

预测分析的根本吸引力在于可以根据组织目标提供更好的结果。 这些通常明显基于利润，但预测分析也可以帮助识别员工保留问题并提出解决方案。

通过上传结构化数据文件（如下面的屏幕截图所示），Watson 可以发现导致员工流失的常见因素。 然后根据他们预计很快离开公司的可能性，为每位员工生成“质量评分”。

这真正发挥作用的地方在于它能够响应用户的自然语言请求。 与谷歌的新分析功能类似，它将根据用户的问题获取数据，Watson 可以响应特定的查询并根据用户的偏好构建数据可视化。

这是平台从探索性和诊断性分析快速进入预测分析领域的一个很好的例子。 任何企业主或经理都可以利用这些工具来准确确定导致员工离职的确切原因，但他们也可以看到这些因素背后的原因，并采取预防措施来平息任何潜在的离职。 考虑到招聘新员工与留住现有高绩效员工的成本，这直接导致运营成本降低。

5. 观众扩展：Under Armour

受众扩展是营销的另一个领域，它从人工智能和预测分析的使用中受益匪浅。 通过了解现有高价值客户的数量特征，可以识别相似的个人，并通过可能引起共鸣的个性化消息来定位他们。

知道把广告预算花在哪里很重要，但知道不要把它花在什么地方也很重要。 预测分析允许像 Under Armour 这样的公司磨练能够提供最大回报的领域，并重新投资原本会被错误花费的预算。

Under Armour 使用人工智能来执行情感分析和社交聆听等任务，以了解客户对品牌的看法以及市场差距所在。 这促使该公司专注于成为一个数字健身品牌，这一举措使其在饱和的市场中开辟了一个新的利基市场。

Under Armour 不仅生产健身产品，还生产应用程序和可穿戴设备，以将离线世界和数字世界联系在一起。 使用产品的人越多，Under Armour 可以收集的数据就越多，以改进其产品。 每年有超过 2 亿注册用户和超过 100 亿次数字交互，数据不乏。

继续阅读本系列的最后一部分：人工智能和预测分析：未来会怎样？