5 bisnis yang menggunakan AI untuk memprediksi masa depan dan keuntungan

Dalam angsuran pertama dari seri analisis prediktif berbasis AI ini, kami menjelajahi fungsionalitas teknologi ini, bersama dengan potensinya untuk menciptakan strategi bisnis yang lebih efektif.

Analisis prediktif dapat didefinisikan sebagai bentuk penambangan data yang menggunakan pemodelan statistik untuk menganalisis pola historis, dan kemudian menggunakan model ini untuk memproyeksikan hasil di masa depan. Penyebaran kecerdasan buatan memungkinkan teknologi analitik untuk menemukan hubungan antara variabel yang tidak dapat dilihat oleh manusia.

Dalam artikel ini, kami ingin menghidupkan teori tersebut dengan lima kasus penggunaan analitik prediktif.

Ada beberapa berita yang layak diberitakan di bidang ini, terutama berita utama “Target Tahu Saat Anda Hamil” yang menarik begitu banyak perhatian beberapa tahun lalu.

Hal-hal telah berkembang cukup banyak sejak saat itu. Evolusi platform analitik yang tersedia secara luas dan dapat diakses telah menyediakan akses ke model statistik canggih untuk perusahaan dari semua ukuran. Di luar hiperbola prediksi kehamilan yang sedikit menyeramkan, data besar lebih sering digunakan oleh bisnis kecil dan besar untuk meningkatkan fungsi sehari-hari mereka.

Dengan mendefinisikan masalah yang ingin mereka pecahkan, mendapatkan data yang tepat, mempekerjakan orang dengan keterampilan untuk memahami data, dan memberdayakan mereka dengan teknologi yang sesuai, bisnis apa pun dapat memulai bidang analisis prediktif yang menguntungkan hari ini.

Ada terlalu banyak pesaing untuk mempertimbangkan setiap contoh dalam cakupan satu artikel, jadi kami mencoba memberikan sampel representatif dari analitik berbasis AI yang efektif di seluruh spektrum studi kasus yang luas.

1. Optimalisasi rantai pasokan: Walmart

Kami mulai dengan contoh kelas berat, tetapi yang memberikan inspirasi bagi semua pengecer.

Sementara begitu banyak pengecer 'warisan' lainnya sedang berjuang, Walmart telah membukukan angka pertumbuhan selama 11 kuartal terakhir berturut-turut. Khususnya, ini telah didorong oleh peningkatan penjualan online sebesar 63% dari tahun ke tahun.

Walmart telah menerima banyak pujian atas kesediaannya untuk beradaptasi di era digital dan bertaruh pada kemampuannya untuk menghubungkan dunia online dan offline untuk bersaing dengan Amazon.

Kecerdasan buatan dan analitik prediktif adalah inti dari dorongan ini. Walmart mengambil data secara instan dari sistem point-of-sale-nya dan memasukkannya ke dalam perkiraannya untuk menilai produk mana yang cenderung terjual habis dan mana yang berkinerja buruk.

Dikombinasikan dengan pola perilaku online, ini menyediakan sejumlah besar titik data (lebih dari 40 petabyte di antaranya) untuk membantu Walmart mempersiapkan kenaikan atau penurunan permintaan produk.

Foto oleh chuttersnap di Unsplash

Data dikelola di cloud melalui “Data Cafe” Walmart, yang dikelola oleh tim Walmart Labs di Silicon Valley. Ini adalah operasi skala besar yang canggih sesuai dengan jumlah variabel yang diperlukan untuk bisnis sebesar ini untuk membuat proyeksi akurat dari data yang andal.

Meskipun demikian, manfaat yang dibawanya juga dapat dicari oleh bisnis kecil.

Misalnya, penggunaan AI dan analitik prediktif Walmart sangat berharga untuk manajemen inventaris, karena manajer dapat menyimpan dengan tepat tanpa menanggung risiko harus melakukan penyesuaian menit terakhir yang mahal untuk menutup kesenjangan saat permintaan melebihi pasokan.

Prakiraan ini juga memungkinkan Walmart mempersonalisasi kehadiran online-nya, menampilkan produk kepada pelanggan tertentu berdasarkan prediksi kemungkinan mereka melakukan pembelian.

Disiplin dan ketelitian yang dibawa oleh pendekatan ini berarti bahwa Walmart dapat tetap berpegang pada tanggal pengiriman yang ketat, karena setiap langkah rantai pasokannya telah dioptimalkan melalui penggunaan analitik prediktif. Semua area ini dapat ditingkatkan oleh bisnis apa pun melalui teknologi yang dapat diakses seperti Google dan Adobe.

Menariknya, Walmart juga menawarkan insentif kepada pelanggan dalam bentuk pengurangan harga atau hak istimewa untuk mengantre jika mereka mengambil pembelian dari toko fisik. Bahkan dengan semua manfaat yang dapat dibawa oleh analitik berbasis AI ke bisnis, bersaing dengan Amazon dalam biaya pengiriman tetap menjadi tugas yang berat.

2. Peramalan tren harga: Hopper

Industri perjalanan terkenal sangat kompetitif, dengan permintaan yang tidak stabil dan banyak rute dengan margin rendah. Hal ini dapat membuat wisatawan bingung, tidak yakin tentang waktu terbaik untuk memesan. Terkadang lebih baik memesan terlebih dahulu, di lain waktu lebih baik menunggu hingga mendekati tanggal keberangkatan.

Ini menjadikannya bidang yang matang untuk kekuatan analitik prediktif yang digerakkan oleh AI, sebuah fakta yang telah membuat aplikasi perjalanan Hopper tumbuh secara dramatis dalam popularitas sejak 2015.

Hopper tetap selangkah lebih maju dengan memprediksi pola harga di masa mendatang dan memperingatkan wisatawan tentang waktu termurah untuk membeli penerbangan ke tujuan pilihan mereka.

Ini dilakukan dengan mengamati miliaran harga setiap hari dan, berdasarkan data historis untuk setiap rute, mengantisipasi bagaimana tren akan berkembang. Pengguna kemudian dapat mengatur notifikasi untuk mengingatkan mereka untuk memesan saat harga turun.

Meskipun bukan satu-satunya perusahaan yang menyediakan layanan ini, Hopper melaporkan tingkat akurasi 95% dengan prediksi dan klaimnya untuk menyelamatkan pelanggan rata-rata lebih dari $50 per penerbangan.

Tangkapan layar di bawah ini menunjukkan bagaimana proses ini berfungsi. Ditemani oleh kelinci berkacamata yang suka diemong, saya memilih rute penerbangan New York ke Honolulu untuk liburan yang layak didapatkan itu.

Berdasarkan tanggal yang saya pilih, kelinci yang sangat suka memerintah memberitahu saya untuk memesan sekarang, karena tiket untuk rute ini hanya akan menjadi lebih mahal dari waktu ke waktu.

Hopper memberikan contoh bisnis yang bagus yang menggunakan pembelajaran mesin dan analitik prediktif sebagai prinsip utama dari strategi bisnis mereka. Tanpa analitik prediktif, tidak akan ada Hopper.

Namun, model statistik yang digunakannya untuk efek yang luar biasa memberikan pelajaran untuk semua bisnis. Keberhasilan Hopper berasal dari keandalannya sebagai platform saran konsumen yang objektif, pada dasarnya. Dengan demikian, banyak perusahaan lain dapat mengambil peran ini dengan menggunakan statistik untuk memberikan perkiraan yang sesuai dengan kepentingan terbaik pelanggan, bukan hanya keuntungan mereka sendiri.

3. Pertumbuhan usaha kecil: Kebun Binatang & Akuarium Point Defiance

Sebuah survei oleh SAP pada akhir 2016 menemukan bahwa lebih dari 70% pemimpin bisnis kecil merasa bahwa mereka masih dalam “tahap awal” untuk mendapatkan wawasan dari data mereka.

Satu kebun binatang di Tacoma, Washington melawan tren itu dengan bermitra dengan National Weather Service untuk mengidentifikasi faktor-faktor yang menyebabkan angka kehadiran naik dan turun begitu tak terduga. Ini menciptakan masalah bagi manajemen, yang akan selalu menjadi staf taman untuk melayani audiens yang besar, tetapi sering berakhir dengan pengeluaran gaji yang berlebihan karena kehadiran yang kurang memuaskan.

Secara intuitif, kita dapat mengasumsikan bahwa kehadiran lebih tinggi pada hari-hari yang hangat dan kering, tetapi lebih rendah ketika cuaca dingin atau basah. Namun, dengan memasukkan data National Weather Service ke dalam platform Watson yang digerakkan oleh AI IBM, kebun binatang tersebut dapat menentukan dengan tepat kondisi mana yang menyebabkan lebih banyak orang melakukan kunjungan.

Pengetahuan ini kemudian digunakan untuk memodelkan pola pengunjung masa depan, menggunakan angka kehadiran historis dan statistik cuaca yang diproyeksikan.

Proyek ini sukses besar dan sekarang menjadi bagian sentral dari perencanaan bisnis kebun binatang. Point Defiance dapat memprediksi angka kehadiran dengan akurasi lebih dari 95%, memungkinkan manajer untuk mengatur staf taman dengan tepat. Ini tidak berdampak negatif pada bagaimana pengunjung menikmati taman (bahkan mungkin sebaliknya), dan menciptakan beberapa efisiensi bisnis yang penting.

Penerapan metodologi ini tentu saja jauh lebih luas dari sekadar angka kehadiran. Port Defiance dapat memantau bagaimana pengunjung berinteraksi dengan kebun binatang, membantu memberikan pengalaman pelanggan yang lebih baik. Ada juga rencana untuk menggunakan analitik prediktif yang digerakkan oleh AI untuk memantau data kesehatan dan mendiagnosis masalah dengan hewan taman untuk memberikan perawatan pre-emptive.

4. Retensi staf: IBM

Daya tarik mendasar dari analitik prediktif adalah potensi untuk memberikan hasil yang lebih baik terhadap tujuan organisasi. Ini sering kali secara terang-terangan berbasis keuntungan, tetapi analitik prediktif juga dapat membantu mengidentifikasi masalah retensi staf dan menyarankan solusi.

Dengan mengunggah file data terstruktur (seperti pada tangkapan layar di bawah), Watson dapat menemukan faktor-faktor umum yang berkontribusi pada pengurangan staf. Ini kemudian dimasukkan ke dalam generasi 'skor kualitas' untuk setiap karyawan, berdasarkan proyeksi kemungkinan mereka meninggalkan perusahaan segera.

Di mana ini benar-benar muncul dalam kemampuannya untuk menanggapi permintaan bahasa alami dari pengguna. Dengan cara yang mirip dengan fitur Analytics baru Google, yang akan mengambil data sebagai tanggapan atas pertanyaan pengguna, Watson dapat menanggapi kueri tertentu dan membuat visualisasi data berdasarkan preferensi pengguna.

Ini adalah contoh bagus dari platform yang bergerak cepat dari analisis eksplorasi dan diagnostik, ke ranah analisis prediktif. Pemilik atau manajer bisnis mana pun dapat menggunakan alat ini untuk mengidentifikasi dengan tepat apa yang sebenarnya menyebabkan staf pergi, tetapi mereka juga dapat melihat apa yang ada di balik faktor-faktor tersebut dan menerapkan langkah-langkah pencegahan untuk menenangkan setiap kemungkinan keberangkatan. Mengingat biaya perekrutan staf baru versus mempertahankan karyawan berkinerja tinggi saat ini, hal ini secara langsung mengarah pada penurunan biaya operasional.

5. Ekstensi audiens: Under Armour

Ekstensi audiens adalah area pemasaran lain yang mendapat manfaat signifikan dari penggunaan AI dan analitik prediktif. Dengan memahami karakteristik kuantitatif dari pelanggan bernilai tinggi yang ada, adalah mungkin untuk mengidentifikasi individu yang serupa dan menargetkan mereka dengan pesan yang dipersonalisasi yang kemungkinan besar akan beresonansi.

Mengetahui di mana membelanjakan anggaran iklan Anda sangat penting, tetapi juga mengetahui di mana tidak membelanjakannya. Analitik prediktif memungkinkan perusahaan seperti Under Armour untuk mengasah area yang akan memberikan pengembalian terbesar, dan menginvestasikan kembali anggaran yang seharusnya dihabiskan secara tidak akurat.

Kecerdasan buatan digunakan oleh Under Armour untuk melakukan tugas-tugas seperti analisis sentimen dan mendengarkan sosial untuk memahami apa yang pelanggan pikirkan tentang merek, dan di mana celah di pasar. Ini telah mengarahkan perusahaan untuk fokus menjadi merek kebugaran digital, sebuah inisiatif yang telah melihatnya mengukir ceruk baru di pasar yang jenuh.

Under Armour menghasilkan produk kebugaran fisik, tetapi juga aplikasi dan perangkat yang dapat dikenakan untuk menyatukan dunia offline dan digital. Semakin banyak orang menggunakan produk, semakin banyak data yang dapat dikumpulkan Under Armour untuk meningkatkan penawarannya. Dan dengan lebih dari 200 juta pengguna terdaftar dan lebih dari 10 miliar interaksi digital per tahun, tidak ada kekurangan data.

Bacalah angsuran terakhir dalam seri ini: AI dan analitik prediktif: Apa yang akan terjadi di masa depan?