AI e analisi predittiva: cosa riserva il futuro?

I progressi nell'intelligenza artificiale e nell'analisi predittiva avranno ramificazioni oltre le capacità tecnologiche dell'azienda. Le organizzazioni dovranno affrontare nuove sfide in termini di competenze, implementazione e altro ancora. In che modo i marketer possono prepararsi al cambiamento?

In questa serie abbiamo visto come il progresso evolutivo del settore dell'analisi porti naturalmente all'integrazione dell'intelligenza artificiale (AI) per creare modelli predittivi accurati.

Nel primo articolo, abbiamo esplorato il potenziale dell'intelligenza artificiale e dell'analisi predittiva come strumenti di marketing , guidati da miglioramenti tecnologici che sono passati dall'automazione basata su regole a qualcosa di più vicino alla sensibilità. Ne vediamo esempi ovunque, da app come Waze di Google, alla protezione dalle frodi finanziarie e ai consigli personalizzati su Amazon.

Il secondo articolo della serie si basava su casi d'uso concreti per questa tecnologia , mostrando un'ampia varietà di aziende che hanno utilizzato l'apprendimento automatico e l'intelligenza artificiale per prevedere i comportamenti dei consumatori e creare risultati aziendali migliori. Queste opportunità sono ora aperte a tutte le aziende, ma coglierle è un compito più complesso del semplice acquisto di nuovo software.

Il terzo e ultimo articolo della nostra serie si concentrerà sul futuro dell'analisi predittiva e sulle sfide che il settore deve affrontare.

Sfide di implementazione

Sebbene possa sembrare inevitabile che uno strumento di business così potente venga adottato in massa, la realtà è più sfumata di così. I dirigenti vogliono decisioni più intelligenti e più rapide, ma c'è qualcosa di simile a un atto di trapezio nel bilanciamento di dati, persone e tecnologia quando si tratta di trasformare un'azienda in un modello di analisi predittiva basato sull'intelligenza artificiale.

L'implementazione di questa tecnologia richiede un cambiamento ideologico per le aziende, non solo l'investimento di capitale, e la formazione del personale da zero nell'analisi dei dati è fondamentale.

Ciò avviene in un momento in cui la fiducia dei dirigenti nelle competenze digitali della propria organizzazione sembra diminuire. Il più recente sondaggio Digital IQ di PwC mostra un calo della fiducia dei dirigenti nelle capacità del proprio team:

Il livello di competenza non sta diminuendo; il settore cambia semplicemente così rapidamente che il personale non tiene il passo.

Pertanto, se l'analisi predittiva basata sull'intelligenza artificiale deve assumere una posizione centrale nella cassetta degli attrezzi del CIO/CMO, sarà necessario superare alcuni ostacoli sostanziali.

All'interno di questa parte finale della nostra serie sull'analisi predittiva, delineeremo alcune delle sfide che questo settore dovrà affrontare in futuro, prima di discutere le soluzioni che le aziende possono iniziare a implementare oggi.

Qualità dei dati

In una recente indagine sui dirigenti senior di Protoviti, i dati si sono classificati come il più grande inibitore dell'adozione diffusa dell'analisi predittiva all'interno delle aziende. La qualità era uno dei principali modificatori utilizzati per aggiungere specificità a un termine nebuloso come "dati".

Anche la "qualità" richiede qualche ulteriore definizione prima di poter decidere come affrontare una sfida così gigantesca.

I dati di alta qualità saranno coerenti nel loro formato (anche su scala significativa), rifletteranno lo scenario del mondo reale che descrive e consentiranno una ricerca affidabile e riproducibile.

Possiamo prendere come esempio un set di dati sulle partenze dei treni da Waterloo dal 2010 al 2014 che contiene lacune tra i tempi e utilizza convenzioni di denominazione incoerenti. Gli esseri umani lottano con lacune nei set di dati come questo, ma possiamo adattarci e forse anche procurarci i dati da altrove. L'intelligenza artificiale semplicemente non può funzionare con dati incompleti come questo, poiché può funzionare solo con ciò che viene immesso nel sistema.

Le migliori tecnologie di intelligenza artificiale al mondo possono utilizzare solo i dati che forniamo, quindi è fondamentale che le aziende siano consapevoli di queste potenziali insidie ​​e sappiano come evitarle. Più dati in genere significano risultati migliori dall'analisi predittiva basata sull'intelligenza artificiale, ma devono essere i dati giusti per rispondere al problema aziendale che intendi risolvere.

Avere la squadra giusta è un ottimo modo per iniziare questo percorso.

Reclutamento e formazione per le giuste competenze

La tecnologia di analisi predittiva sta diventando sempre più sofisticata, ma il livello di conoscenza all'interno del settore non sta necessariamente avanzando allo stesso ritmo.

Un rapporto Capgemini ha rilevato che il 77% delle aziende considera la mancanza delle giuste competenze come il più grande ostacolo al successo della trasformazione digitale:

Un report ClickZ è andato più in profondità per identificare le aree di competenze che erano più desiderabili, rispetto al loro attuale livello di sofisticatezza all'interno delle organizzazioni.

Non è stata una sorpresa vedere l'analisi classificata come l'abilità più importante, dato il suo potenziale di utilizzo in ogni funzione di marketing. Forse è stato un po' più sorprendente vedere l'analisi come l'area con il più grande divario di competenze.

Fonte: ClickZ

L'analisi comprende una varietà di tecniche e tipi di indagine dei dati. La maggior parte del lavoro analitico intrapreso oggi rientra nella categoria descrittiva (cosa è successo?) o esplorativa (perché è successo?).

Sebbene il livello di abilità necessario per far funzionare la tecnologia alla base dei futuri sistemi di analisi predittiva probabilmente diminuirà nel tempo, le aziende devono comunque assicurarsi che il proprio personale abbia una conoscenza dettagliata dell'analisi dei dati prima di investire in alcuni nuovi ed entusiasmanti sistemi di intelligenza artificiale.

Fortunatamente, ci sono abbondanti risorse e qualifiche per aiutare con questa formazione, a patto che le aziende siano disposte a investire. Sia la teoria che la pratica dovrebbero essere considerate componenti fondamentali di questa formazione.

In Analytics: How to Win with Intelligence , gli autori ipotizzano che nelle aziende più grandi dovrebbe essere formato un centro di eccellenza per l'analisi, con il capo dipartimento che riferisce al CTO:

Lo scopo di questo approccio è fornire all'analisi una base chiaramente definita da cui i suoi esperti possono insegnare ad altri all'interno dell'organizzazione.

Tuttavia, possiamo guardare a questo da un'altra prospettiva. Non tutti i membri di un team di marketing devono conoscere il funzionamento interno di una piattaforma di analisi per trarne vantaggio. Ciò diventa sempre più vero man mano che queste piattaforme diventano dipendenti dall'apprendimento automatico per creare modelli predittivi.

Indipendentemente da ciò: un'ampia base di conoscenze è ancora essenziale . Senza la capacità di porre le domande giuste o di sapere di cosa è capace la tecnologia (e di cosa non è capace), i risultati non saranno adatti allo scopo.

C'è quindi una scuola di pensiero in crescita secondo cui i background delle arti liberali saranno un complemento sempre più importante per gli statistici e gli ingegneri. La capacità di porre le domande giuste come cornice per un'ipotesi e quindi di indagare sui risultati sarà essenziale, così come le competenze trasversali necessarie per presentarle agli stakeholder senior.

In sostanza, al giorno d'oggi ci vuole un villaggio per ottenere analisi. Ma garantire che la qualità dei tuoi dati sia adeguata allo scopo e che tu abbia un equilibrio di competenze nel tuo team di analisi è un ottimo inizio.

Gestione dati

Non c'è carenza di dati nell'era moderna e le quantità aumenteranno solo man mano che i dispositivi Internet of Things (IoT) continueranno a farsi strada nelle case di tutto il mondo.

Ogni azienda ha a portata di mano una fonte potenzialmente redditizia di dati proprietari e di terze parti. Le soluzioni basate su cloud, che possono archiviare dati in remoto in grandi quantità, rispondono in qualche modo alla domanda su dove dovrebbero essere conservati i dati.

Tuttavia, anche se un'azienda utilizza un data warehouse come Hadoop, le informazioni devono comunque essere trasferite a una piattaforma di analisi e trasformate in approfondimenti tramite modelli statistici.

La domanda su come garantire esattamente che le piattaforme di analisi e i sistemi di intelligenza artificiale stiano al passo rimane un enigma per molte aziende.

Ci sono anche altre sfide con la gestione dei dati, dal data mining allo storage e, infine, alla trasformazione delle informazioni in informazioni utili.

Un documento del 2013 di scienziati della George Washington University e dell'American University, intitolato Big Data: Issues and Challenges Moving Forward, ha riassunto questi potenziali problemi:

Con l'imminente lancio del regolamento GDPR dell'UE , queste domande sono più importanti che mai. È responsabilità dell'azienda garantire che tutti i dati siano conformi alle leggi locali e smaltire in modo sicuro i dati non conformi.

Se una cosa è certa, non possiamo lasciare che sia l'IA a fare queste chiamate. I modelli predittivi di intelligenza artificiale valuteranno qualunque dato storico venga loro presentato e, se un'azienda dovesse notare in seguito che dati errati sono stati inseriti nella propria piattaforma di analisi di intelligenza artificiale, qualsiasi conclusione raggiunta dovrà essere dichiarata non valida.

Ripercorrere i passaggi di calcoli così complessi ed eseguire il debug di eventuali variabili indesiderate si rivelerebbe un compito impossibile. Di conseguenza, qualsiasi azienda che intenda inserire i big data in un modello predittivo basato sull'intelligenza artificiale dovrebbe essere cauta con le proprie fonti di dati.

Immagine: Wikimedia

Responsabilità

Questa categoria funge da termine generico per una serie di sfide minori, ma comunque importanti.

L'intelligenza artificiale e l'analisi predittiva hanno ruoli chiaramente definiti e importanti in settori come quello sanitario. L'80% dei dirigenti ospedalieri considera questo campo "importante" ed è facile capire perché. Qualsiasi strumento in grado di individuare modelli storici relativi alle malattie e prevederne il comportamento futuro si dimostrerà prezioso in questo campo.

Il caso non è così chiaro se applicato al marketing. Indubbiamente, potremmo tutti beneficiare di previsioni accurate basate sul passato. Questo vale per tutta la società, in effetti.

Tuttavia, c'è un argomento che la modellazione predittiva ha alcune limitazioni in un settore che prospera su nuove idee. La tentazione con sofisticati sistemi di intelligenza artificiale e modelli predittivi è quella di cedere il controllo e attenersi a ciò che sappiamo continuerà a produrre crescita.

Inoltre, l'analisi predittiva può diventare una profezia che si autoavvera. Vediamo che si prevede che un determinato messaggio, prodotto o segmento di pubblico verrà convertito a un tasso più elevato, quindi spostiamo il budget per capitalizzare su questo. Se la previsione si avvera, è perché la previsione era accurata o perché abbiamo agito per renderla accurata?

Infine, dovremmo considerare il ruolo della creatività umana in questo processo. Come abbiamo discusso nel nostro articolo sulla creazione di contenuti basata sull'intelligenza artificiale, la capacità umana di innovare e ideare nuove soluzioni creative è una capacità che l'intelligenza artificiale non può ancora padroneggiare. Pertanto, dobbiamo utilizzare la tecnologia per consentire ai nostri team di sfruttare al meglio la loro capacità di elaborare strategie a lungo termine.

Come per qualsiasi tecnologia AI, uno dei fattori più cruciali per il successo è il ruolo che le persone svolgeranno per ottenere il massimo dagli strumenti a loro disposizione. Guardando specificamente all'analisi predittiva, ciò significa garantire il giusto equilibrio tra dati di qualità, la migliore tecnologia e persone con la capacità di conoscere i limiti della tecnologia.

Con questo si conclude la nostra serie in tre parti sull'intelligenza artificiale e l'analisi predittiva. Se ti sei perso le due puntate precedenti, segui i link sottostanti per un riassunto:

• In che modo l'intelligenza artificiale può consentire ai professionisti del marketing di prevedere il futuro?
• 5 aziende che utilizzano l'intelligenza artificiale per prevedere il futuro e il profitto