分析和人工智能如何讓營銷人員預測未來？

永遠不要做預測，尤其是對未來的預測。

我們在預測未來方面並沒有很好的記錄，所以這似乎是明智的建議。

從 IBM 總裁 Thomas Watson 在 1940 年代初期宣布將有一個“大約 5 台計算機”的世界市場（誠然，地球上可能只有 5 台早期的 IBM 機器），直到 Y2K 喧囂，人們無法抗拒用宏大的、通常非常不准確的預測涉足其中。

提前知道未來的回報太大了，無法拒絕嘗試，但我們相當依賴人類的直覺來形成我們的預測。 因此，獎勵經常無人認領。

然而，這是一個快速發展的行業，人工智能 (AI) 的進步很快就會讓我們將未來的預測建立在可靠的統計模型上，而不是我們熟悉但有缺陷的直覺上。

在這個由三部分組成的系列中，我們將探討人工在

智能開發準確、可訪問的預測分析，從而提高業務績效。

本文將首先分析預測分析行業的現狀，以及一些幫助企業充分利用可用技術和數據的技巧。

我們所說的“預測分析”是什麼意思？

預測分析是一種數據挖掘形式，它採用機器學習和統計建模，根據歷史數據預測未來的事態。

我們周圍已經有預測分析的例子。 如果您的銀行通知您信用卡上存在潛在的可疑活動，則很可能已使用統計模型根據您過去的交易來預測您的未來行為。 嚴重偏離此模式將被標記為可疑。

作為了解該領域興趣程度的一個簡單指標，我們可以從 Google Trends 中看到，“預測分析”主題的搜索量在過去 5 年中顯著上升：

我們可以看看這條線並預測它會繼續增長。 但這實際上只是基於最近的歷史趨勢，或者我們在行業中聽到了很多關於這個話題的嗡嗡聲。 我們需要進行更多的調查才能真正確定這條線的下一步走向。

如此多的企業也對這個話題很感興趣，這是有道理的。 據預測，到 2020 年，每年將在“大數據”技術上花費超過 760 億美元。獲得這項投資回報的最佳方式是使用所有這些數據來預測未來的需求趨勢。

正如我們所見，這對人們來說是一項艱鉅的任務。 如果我們要開始做出正確的預測，我們需要一些幫助。

因此，在 Gartner 的“分析上升模型”中，預測分析被視為描述性分析和診斷分析的進化飛躍。

也就是說，對準確預測分析的渴望並不新鮮，使用分析來模擬未來消費者行為的嘗試也不是新鮮事。 例如，許多分析專業人員每天都參與該領域來計算諸如其典型客戶的生命週期價值 (LTV) 之類的數字。 大量多樣的數據集的可用性大大提高了這些計算的準確性。

相對較新的是應用人工智能來填補我們技能組合中的空白並擴展預測分析的可能性。

這種組合導致了更複雜的統計模型，可以發現過去消費者行為中的模式，並使用這些模式來規劃未來可能的行為。

但為什麼人工智能在實現我們發現幾乎不可能的事情方面如此有效？

習慣的生物：預測分析如何應用於現實世界？

人們的可預測性對預測分析有很大幫助。

儘管我們願意相信我們是獨一無二的和自由意志的，但人工智能可以根據我們過去的行為和類似人的行為，非常準確地預測我們將繼續做什麼。

麻省理工學院媒體實驗室的科學家在 2007 年進行的一項研究發現，“大多數人一天中 90% 的事情都遵循著如此完整的慣例，以至於他們的行為可以用幾個數學方程來預測。”

許多營銷活動都基於這個假設，但我們現在可以更準確、更可靠地應用這一原則。

人工智能在這一領域發揮作用的地方在於它能夠識別人類根本看不到的更廣泛的模式。 我們根據我們認為安全的假設選擇調查區域，但人工智能可以識別其他變量，這些變量在更改時會相互影響。

這種方法（通過使用回歸分析在很大程度上塑造了這種方法）恰如其分地反映了消費者所生活的不斷變化的世界。

例如，根據我的位置、年齡、過去的購買記錄和性別，如果我剛剛在籃子裡添加了麵包，我購買牛奶的可能性有多大？ 在線超市可以使用此類信息根據我預測的購買這些商品的傾向自動向我推薦產品。

此外，金融服務提供商可以使用我的在線互動創建的數千個數據點以及類似人員的數據點來決定向我提供哪種信用卡以及何時提供。 時裝零售商可以使用我的數字檔案，根據我剛剛購買的牛仔褲來決定推薦哪雙鞋作為我下次購買的商品。

這有助於企業提高轉化率，但其影響遠不止於此。 預測分析允許公司根據消費者期望和競爭對手基準制定定價策略。 它允許零售商預測需求，從而確保他們為每種產品擁有合適的庫存水平。

預測分析甚至可以通過發現客戶偏好的變化來建議新產品線的想法。 這標誌著分析從數據專家的回顧性工具轉變為塑造業務戰略、改善客戶關係和提高運營效率的基本預測功能。

事實上，Forrester 最近的一份報告指出，“預測性營銷人員以高於行業平均水平的速度報告收入增長的可能性要高 2.9 倍。”

這場革命的證據已經在我們身邊。 例如，每次我們在 Google、Facebook 或 Amazon 中輸入搜索查詢時，我們都會將數據輸入機器。 機器依靠數據茁壯成長，在接收到這些反饋信號時變得越來越智能。

這種現象為營銷人員帶來了許多好處。 谷歌已經使用這項技術有一段時間了，通過其分析中的智能目標產品，以及去年年底推出的會話質量得分功能。 這些是由機器學習技術提供支持的預測分析實例。

有一種觀點認為預測是智能的基石，所以這對人工智能來說是一項壯舉。

然而，這僅僅是開始。 目前預測分析的大部分工作都集中在提出建議或推薦上，但基於人工智能的預測仍有空間形成營銷策略的支點。

最近的事態發展為這方面的樂觀（或恐懼，有人可能會說）提供了很多理由。 谷歌的 DeepMind 團隊剛剛創建了一個人工智能，它能夠規劃未來並在採取行動之前考慮不同的結果。

這在預測分析的範圍內是相關的，因為想像力是創建預測的一個基本方面。 這種能力只會鞏固人工智能作為成功預測分析活動的重要組成部分的作用。

企業如何整合預測分析？

為了利用人工智能和預測分析的潛力，組織需要落實四個要素。

1. 正確的問題

最好的預測分析項目從一個合理的假設開始進行測試。 儘管我們應該為機器學習算法提供在數據點之間建立自己的客觀關聯的空間，但我們需要著手解決我們希望克服的業務挑戰。 這有助於為努力提供某種形式。

2. 正確的數據

過去十年數據科學的進步意味著我們可以更準確地從大量非結構化數據中獲得見解，但我們仍然需要完整的數據集才能得出令人信服的結論。

因此，在定義了您希望使用預測分析回答的問題之後的下一階段是弄清楚您可以使用哪些數據以及這些數據是否足以令人信服地回答您的問題。

3. 正確的技術

正如到 2020 年預計價值 760 億美元所暗示的那樣，大數據技術是一個蓬勃發展的行業。 數據的創建速度如此之快，以至於我們需要不斷改進技術能力來捕獲、存儲和理解它。

許多領先的分析軟件包已經推出了預測分析工具，但它們的方法確實有所不同。 要確定哪種解決方案最適合您的業務，擁有一個對每種解決方案都有經驗並可以確定最合適選項的團隊比以往任何時候都更加重要。

4. 合適的人

從本質上講，這使我們回到了第一步。 如果沒有合適的人，就很難提出合適的問題。 也很難知道可能需要哪些數據來回答這些問題，或者要充分利用最新技術。 對於人工智能取代人類的所有討論，它只是真正強調了讓合適的人充分利用它創造的新機會的重點。

這項技術的應用已經很廣泛，但我們仍然只是觸及皮毛。 在本系列的下一篇文章中，我們將介紹五家正在使用預測分析來推動改進業務績效的企業。

繼續閱讀本系列的第 2 部分：5 家企業使用 AI 來預測未來和利潤