分析和人工智能如何让营销人员预测未来？

永远不要做预测，尤其是对未来的预测。

我们在预测未来方面并没有很好的记录，所以这似乎是明智的建议。

从 IBM 总裁 Thomas Watson 在 1940 年代初期宣布将有一个“大约 5 台计算机”的世界市场（诚然，地球上可能只有 5 台早期的 IBM 机器），直到 Y2K 喧嚣，人们无法抗拒用宏大的、通常非常不准确的预测涉足其中。

提前知道未来的回报太大了，无法拒绝尝试，但我们相当依赖人类的直觉来形成我们的预测。 因此，奖励经常无人认领。

然而，这是一个快速发展的行业，人工智能 (AI) 的进步很快就会让我们将未来的预测建立在可靠的统计模型上，而不是我们熟悉但有缺陷的直觉上。

在这个由三部分组成的系列中，我们将探讨人工在

智能开发准确、可访问的预测分析，从而提高业务绩效。

本文将首先分析预测分析行业的现状，以及一些帮助企业充分利用可用技术和数据的技巧。

我们所说的“预测分析”是什么意思？

预测分析是一种数据挖掘形式，它采用机器学习和统计建模，根据历史数据预测未来的事态。

我们周围已经有预测分析的例子。 如果您的银行通知您信用卡上存在潜在的可疑活动，则很可能已使用统计模型根据您过去的交易来预测您的未来行为。 严重偏离此模式将被标记为可疑。

作为了解该领域兴趣程度的一个简单指标，我们可以从 Google 趋势中看到，“预测分析”主题的搜索量在过去 5 年中显着上升：

我们可以看看这条线并预测它会继续增长。 但这实际上只是基于最近的历史趋势，或者我们在行业中听到了很多关于这个话题的嗡嗡声。 我们需要进行更多的调查才能真正确定这条线的下一步走向。

如此多的企业也对这个话题很感兴趣，这是有道理的。 据预测，到 2020 年，每年将在“大数据”技术上花费超过 760 亿美元。获得这项投资回报的最佳方式是使用所有这些数据来预测未来的需求趋势。

正如我们所见，这对人们来说是一项艰巨的任务。 如果我们要开始做出正确的预测，我们需要一些帮助。

因此，在 Gartner 的“分析上升模型”中，预测分析被视为描述性分析和诊断分析的进化飞跃。

也就是说，对准确预测分析的渴望并不新鲜，使用分析来模拟未来消费者行为的尝试也不是新鲜事。 例如，许多分析专业人员每天都参与该领域来计算诸如其典型客户的生命周期价值 (LTV) 之类的数字。 大量多样的数据集的可用性大大提高了这些计算的准确性。

相对较新的是应用人工智能来填补我们技能组合中的空白并扩展预测分析的可能性。

这种组合导致了更复杂的统计模型，可以发现过去消费者行为中的模式，并使用这些模式来规划未来可能的行为。

但为什么人工智能在实现我们发现几乎不可能的事情方面如此有效？

习惯的生物：预测分析如何应用于现实世界？

人们的可预测性对预测分析有很大帮助。

尽管我们愿意相信我们是独一无二的和自由意志的，但人工智能可以根据我们过去的行为和类似人的行为，非常准确地预测我们将继续做什么。

麻省理工学院媒体实验室的科学家在 2007 年进行的一项研究发现，“大多数人一天中 90% 的事情都遵循着如此完整的惯例，以至于他们的行为可以用几个数学方程来预测。”

许多营销活动都基于这个假设，但我们现在可以更准确、更可靠地应用这一原则。

人工智能在这一领域发挥作用的地方在于它能够识别人类根本看不到的更广泛的模式。 我们根据我们认为安全的假设选择调查区域，但人工智能可以识别其他变量，这些变量在更改时会相互影响。

这种方法（通过使用回归分析在很大程度上塑造了这种方法）恰如其分地反映了消费者所生活的不断变化的世界。

例如，根据我的位置、年龄、过去的购买记录和性别，如果我刚刚在篮子里添加了面包，我购买牛奶的可能性有多大？ 在线超市可以使用此类信息根据我预测的购买这些商品的倾向自动向我推荐产品。

此外，金融服务提供商可以使用我的在线互动创建的数千个数据点以及类似人员的数据点来决定向我提供哪种信用卡以及何时提供。 时装零售商可以使用我的数字档案，根据我刚刚购买的牛仔裤来决定推荐哪双鞋作为我下次购买的商品。

这有助于企业提高转化率，但其影响远不止于此。 预测分析允许公司根据消费者期望和竞争对手基准制定定价策略。 它允许零售商预测需求，从而确保他们为每种产品拥有合适的库存水平。

预测分析甚至可以通过发现客户偏好的变化来建议新产品线的想法。 这标志着分析从数据专家的回顾性工具转变为塑造业务战略、改善客户关系和提高运营效率的基本预测功能。

事实上，Forrester 最近的一份报告指出，“预测性营销人员以高于行业平均水平的速度报告收入增长的可能性要高 2.9 倍。”

这场革命的证据已经在我们身边。 例如，每次我们在 Google、Facebook 或 Amazon 中输入搜索查询时，我们都会将数据输入机器。 机器依靠数据茁壮成长，在接收到这些反馈信号时变得越来越智能。

这种现象为营销人员带来了许多好处。 谷歌已经使用这项技术有一段时间了，通过其分析中的智能目标产品，以及去年年底推出的会话质量得分功能。 这些是由机器学习技术提供支持的预测分析实例。

有一种观点认为预测是智能的基石，所以这对人工智能来说是一项壮举。

然而，这仅仅是开始。 目前预测分析的大部分工作都集中在提出建议或推荐上，但基于人工智能的预测仍有空间形成营销策略的支点。

最近的事态发展为这方面的乐观（或恐惧，有人可能会说）提供了很多理由。 谷歌的 DeepMind 团队刚刚创建了一个人工智能，它能够规划未来并在采取行动之前考虑不同的结果。

这在预测分析的范围内是相关的，因为想象力是创建预测的一个基本方面。 这种能力只会巩固人工智能作为成功预测分析活动的重要组成部分的作用。

企业如何整合预测分析？

为了利用人工智能和预测分析的潜力，组织需要落实四个要素。

1. 正确的问题

最好的预测分析项目从一个合理的假设开始进行测试。 尽管我们应该为机器学习算法提供在数据点之间建立自己的客观关联的空间，但我们需要着手解决我们希望克服的业务挑战。 这有助于为努力提供某种形式。

2. 正确的数据

过去十年数据科学的进步意味着我们可以更准确地从大量非结构化数据中获得见解，但我们仍然需要完整的数据集才能得出令人信服的结论。

因此，在定义了您希望使用预测分析回答的问题之后的下一阶段是弄清楚您可以使用哪些数据以及这些数据是否足以令人信服地回答您的问题。

3. 正确的技术

正如到 2020 年预计价值 760 亿美元所暗示的那样，大数据技术是一个蓬勃发展的行业。 数据的创建速度如此之快，以至于我们需要不断改进技术能力来捕获、存储和理解它。

许多领先的分析软件包已经推出了预测分析工具，但它们的方法确实有所不同。 要确定哪种解决方案最适合您的业务，拥有一个对每种解决方案都有经验并可以确定最合适选项的团队比以往任何时候都更加重要。

4. 合适的人

从本质上讲，这使我们回到了第一步。 如果没有合适的人，就很难提出合适的问题。 也很难知道可能需要哪些数据来回答这些问题，或者要充分利用最新技术。 对于人工智能取代人类的所有讨论，它只是真正强调了让合适的人充分利用它创造的新机会的重点。

这项技术的应用已经很广泛，但我们仍然只是触及皮毛。 在本系列的下一篇文章中，我们将介绍五家正在使用预测分析来推动改进业务绩效的企业。

继续阅读本系列的第 2 部分：5 家企业使用 AI 来预测未来和利润