AIと予測分析：将来はどうなるのか？

AIと予測分析の進歩は、ビジネスの技術的能力を超えた影響をもたらします。 組織は、スキルや実装などの面で新たな課題に直面します。 マーケターはどのように変化に備えることができますか？

このシリーズでは、分析業界の進化の進歩が、正確な予測モデルを作成するための人工知能（AI）の統合にどのように自然につながるかを見てきました。

最初の記事では、ルールベースの自動化から感覚に近いものに移行した技術的改善によって推進された、マーケティングツールとしてのAIと予測分析の可能性を探りました。 GoogleのWazeのようなアプリから、金融詐欺防止やAmazonでのパーソナライズされた推奨事項まで、あらゆる場所でこの例が見られます。

シリーズの2番目の記事は、このテクノロジーの具体的な使用例に基づいており、機械学習とAIを使用して消費者の行動を予測し、より良いビジネス成果を生み出したさまざまなビジネスを紹介しています。 これらの機会は現在すべての企業に開かれていますが、それらをつかむことは、単にいくつかの新しいソフトウェアを購入するよりも複雑な作業です。

シリーズの3番目で最後の記事では、予測分析の将来と業界が直面する課題に焦点を当てます。

実装の課題

このような強力なビジネスツールが一斉に採用されることは避けられないように思われるかもしれませんが、現実はそれよりも微妙です。 経営幹部はよりスマートで迅速な意思決定を望んでいますが、ビジネスをAI主導の予測分析モデルに変換することになると、データ、人、テクノロジーのバランスをとるという、高度な空中ブランコ行為があります。

このテクノロジーを実装するには、設備投資だけでなく、企業のイデオロギーの転換が必要であり、データ分析のゼロからのスタッフのトレーニングが不可欠です。

これは、組織のデジタル専門知識に対する経営幹部の信頼が低下しているように見える時期に発生します。 PwCによる最新のデジタルIQ調査では、チームの能力に対する経営幹部の信頼が低下していることが示されています。

専門知識のレベルは低下していません。 業界は非常に急速に変化するため、スタッフは追いついていないのです。

したがって、AI主導の予測分析がCIO / CMOのツールボックスの中心的な位置を占めることになっている場合、いくつかの実質的なハードルを克服する必要があります。

予測分析に関するシリーズのこの最後のパートでは、企業が今日実装を開始できるソリューションについて説明する前に、この業界が将来直面するいくつかの課題について概説します。

データ品質

Protovitiによる上級管理職の最近の調査では、データは企業内での予測分析の広範な採用の最大の阻害要因としてランク付けされました。 品質は、「データ」のように曖昧な用語に特異性を追加するために使用される最も重要な修飾子の1つでした。

「品質」でさえ、そのような巨大な課題にどのように取り組むかを決定する前に、さらにいくつかの定義が必要です。

高品質のデータは、その形式が一貫しており（かなりの規模であっても）、それが説明する実際のシナリオを反映しており、信頼性と再現性のある研究を可能にします。

例として、2010年から2014年までのウォータールーからの列車の出発のデータセットを取り上げます。これには、時間枠間のギャップが含まれ、一貫性のない命名規則が使用されています。 人間はこのようなデータセットのギャップに苦しんでいますが、私たちは他の場所からデータを適応させ、おそらく調達することさえできます。 人工知能は、システムに供給されたものでしか機能しないため、このような不完全なデータでは機能しません。

世界最高のAIテクノロジーは、私たちが提供するデータしか利用できないため、企業がこれらの潜在的な落とし穴を認識し、それらを回避する方法を知っていることが重要です。 通常、データが多いほど、AI主導の予測分析の結果が向上しますが、解決しようとしているビジネス上の問題に答えるには、適切なデータである必要があります。

適切なチームを配置することは、その道を歩み始めるための優れた方法です。

適切なスキルの採用とトレーニング

予測分析技術は高度化していますが、業界内の知識のレベルは必ずしも同じペースで進んでいるわけではありません。

キャップジェミニのレポートによると、77％の企業が、適切なスキルの欠如をデジタルトランスフォーメーションを成功させるための最大のハードルと見なしています。

ClickZレポートは、組織内の現在の高度なレベルと比較して、最も望ましいスキル領域を特定するためにさらに深く掘り下げられました。

すべてのマーケティング機能で使用できる可能性があることを考えると、分析が最も重要なスキルとしてランク付けされているのは当然のことです。 分析をスキルギャップが最も大きい領域と見なすのは、おそらくもう少し驚きでした。

出典：ClickZ

分析には、さまざまな手法と種類のデータ調査が含まれます。 今日行われているほとんどの分析作業は、記述的（何が起こったのか）または探索的（なぜ起こったのか）のいずれかの旗印に該当します。

将来の予測分析システムの背後にあるテクノロジーを運用するために必要なスキルレベルは時間の経過とともに低下する可能性がありますが、企業は、新しい刺激的な人工知能システムに投資する前に、スタッフがデータ分析の詳細な知識を持っていることを確認する必要があります。

幸いなことに、企業が投資する意思がある限り、このトレーニングを支援するための豊富なリソースと資格があります。 理論と実践の両方を、このトレーニングの基本的な要素と見なす必要があります。

分析：インテリジェンスで勝つ方法では、著者は、分析センターオブエクセレンスを大企業で形成し、部門長がCTOに報告する必要があると述べています。

このアプローチの目的は、分析に明確に定義された基盤を提供し、そこから専門家が組織内の他の人に教えることができるようにすることです。

ただし、これは別の観点から見ることができます。 マーケティングチームの全員が、分析プラットフォームの恩恵を受けるために、分析プラットフォームの内部動作を知る必要があるわけではありません。 これらのプラットフォームが予測モデルを作成するために機械学習に依存するようになるにつれて、これはますます真実になります。

とにかく：幅広い知識ベースは依然として不可欠です。 適切な質問をしたり、テクノロジーが何ができるのか（そして何ができないのか）を知る能力がなければ、出力は目的に適合しません。

したがって、リベラルアーツの背景が統計家やエンジニアにとってますます重要な補完になるという考えが高まっています。 仮説の枠組みとして適切な質問を提起し、調査結果を調査する能力が不可欠であり、上級の利害関係者にそれらを提示するために必要なよりソフトなスキルも不可欠です。

本質的に、今日、分析を取得するには村が必要です。 ただし、データの品質が目的に適合していること、および分析チームにスキルセットのバランスが取れていることを確認することは、すばらしいスタートです。

データ管理

現代ではデータが不足することはなく、モノのインターネット（IoT）デバイスが世界中の家庭に普及し続けるにつれて、データ量は増加するでしょう。

すべての企業は、独占的およびサードパーティのデータの潜在的に有利なソースをすぐに利用できます。 データをリモートで大量に保存できるクラウドベースのソリューションは、データをどこに保存するかという質問に答えるのに役立ちます。

ただし、企業がHadoopのようなデータウェアハウスを使用している場合でも、情報を分析プラットフォームに転送し、統計モデルを介して洞察に変換する必要があります。

分析プラットフォームとAIシステムをどのように正確に維持するかという問題は、多くの企業にとって依然として謎です。

データ管理には、データマイニングからストレージ、そして最終的には情報を有用な洞察に変換するまで、他にも課題があります。

ジョージワシントン大学とアメリカン大学の科学者による2013年の論文、「ビッグデータ：今後の問題と課題」では、これらの潜在的な問題を要約しています。

EUのGDPR規制が間もなく開始されるため、これらの質問はこれまで以上に重要になります。 すべてのデータが現地の法律に準拠していることを確認し、準拠していないデータを安全に廃棄することは、企業の責任です。

確かなことが1つあるとすれば、これらの呼び出しをAIに任せることはできません。 AI予測モデルは、提示された履歴データを評価します。企業が後で誤ったデータがAI分析プラットフォームに入力されたことに気付いた場合、到達した結論は無効と判断する必要があります。

このような複雑な計算のステップをたどり、不要な変数をデバッグすることは、不可能な作業であることがわかります。 その結果、ビッグデータをAIベースの予測モデルにフィードすることを計画している企業は、データソースに注意する必要があります。

画像：ウィキメディア

説明責任

このカテゴリは、さまざまなマイナーな、しかし依然として重要な課題の総称として機能します。

AIと予測分析は、ヘルスケアなどの業界で明確に定義された重要な役割を担っています。 病院のリーダーの80％がこの分野を「重要」と考えており、その理由は簡単にわかります。 病気に関連する歴史的パターンを発見し、それらの将来の行動を予測することができるツールは、この分野で非常に貴重であることがわかります。

マーケティングに適用した場合、このケースはそれほど明確ではありません。 間違いなく、過去に基づいた正確な予測から私たち全員が恩恵を受けることができます。 実際、それは社会全体に当てはまります。

ただし、予測モデリングには、新しいアイデアで繁栄する業界にはいくつかの制限があるという議論があります。 洗練されたAIシステムと予測モデルの誘惑は、制御を譲り、成長をもたらし続けることがわかっていることに固執することです。

さらに、予測分析は自己達成的予言になる可能性があります。 特定のメッセージ、製品、またはオーディエンスセグメントのコンバージョン率が高くなると予測されているため、これを活用するために予算をシフトします。 予測が成立した場合、それは予測が正確だったからですか、それとも私たちがそれを正確にするために行動したからですか？

最後に、このプロセスにおける人間の創造性の役割を検討する必要があります。 AI主導のコンテンツ作成に関する記事で説明したように、新しい創造的なソリューションを革新および考案する人間の能力は、AIがまだ完全に習得できないものです。 そのため、長期的に戦略を立てる能力を最大限に活用するために、テクノロジーを使用してチームを解放する必要があります。

他のAIテクノロジーと同様に、成功のための最も重要な要素の1つは、自由に使えるツールを最大限に活用するために人々が果たす役割です。 特に予測分析を見ると、これは、品質データ、最高のテクノロジー、およびテクノロジーの限界を知る能力を持つ人々の間の適切なバランスを確保することを意味します。

これで、AIと予測分析に関する3部構成のシリーズは終わりです。 前の2回の記事を見逃した場合は、以下のリンクをたどって要約してください。

• AIはどのようにしてマーケターが未来を予測できるようにするのでしょうか？
• AIを使用して未来と利益を予測する5つの企業