마케팅 담당자가 분석과 AI를 통해 미래를 예측할 수 있는 방법은 무엇입니까?

특히 미래에 대해 예측하지 마십시오.

우리는 미래를 예측한 좋은 실적을 가지고 있지 않기 때문에 이것은 현명한 조언인 것 같습니다.

IBM 사장 Thomas Watson은 1940년대 초에 "약 5대의 컴퓨터"를 위한 세계 시장이 있을 것이라고 선언한 것(초기 IBM 컴퓨터 중 5대를 위한 공간이 지구상에 있었을 수도 있음)부터 Y2K hullabaloo에 이르기까지, 사람들은 장대하고 종종 매우 부정확한 예측으로 넘어가는 것을 거부할 수 없습니다.

미래를 미리 아는 것에 대한 보상은 너무 커서 포기하지 않으려고 하지만 우리는 예측을 형성하기 위해 인간의 직관에 오히려 크게 의존합니다. 따라서 보상이 청구되지 않는 경우가 너무 많습니다.

그러나 이것은 빠르게 진화하는 산업이며 인공 지능(AI)의 발전은 곧 우리가 익숙하지만 결함이 있는 직관보다는 신뢰할 수 있는 통계 모델에 기반한 미래 예측을 보게 될 것입니다.

이 3부작 시리즈에서 우리는 인공의 잠재적인 역할을 탐구할 것입니다.

비즈니스 성과를 향상시키는 정확하고 접근 가능한 예측 분석을 개발하는 데 필요한 지능.

이 기사는 오늘날 예측 분석 산업이 어떤 위치에 있는지에 대한 분석과 함께 기업이 사용 가능한 기술과 데이터를 최대한 활용하는 데 도움이 되는 몇 가지 팁으로 시작합니다.

'예측 분석'이란 무엇을 의미합니까?

예측 분석은 기계 학습 및 통계 모델링을 사용하여 과거 데이터를 기반으로 미래 상황을 예측하는 데이터 마이닝의 한 형태입니다.

이미 우리 주변에서 실행 중인 예측 분석의 예가 있습니다. 은행에서 신용 카드에서 잠재적으로 의심스러운 활동을 통지하면 과거 거래를 기반으로 미래 행동을 예측하는 데 통계 모델이 사용되었을 가능성이 높습니다. 이 패턴의 심각한 편차는 의심스러운 것으로 플래그가 지정됩니다.

해당 분야의 관심 수준을 이해하기 위한 간단한 대용으로 Google 트렌드에서 '예측 분석' 주제에 대한 검색량이 지난 5년 동안 크게 증가했음을 알 수 있습니다.

우리는 이 선을 보고 계속 성장할 것이라고 예측할 수 있습니다. 그러나 그것은 실제로 최근의 역사적 추세 또는 업계에서 이 주제에 대해 많은 소문을 들었다는 사실에 근거한 것입니다. 다음 라인이 어디로 갈 것인지 확실히 확신하려면 훨씬 더 많은 조사가 필요할 것입니다.

많은 기업들이 이 주제에 흥미를 느끼는 것도 당연합니다. 2020년까지 '빅 데이터' 기술에 연간 760억 달러 이상이 지출될 것으로 예상됩니다. 이 투자에 대한 수익을 얻는 가장 좋은 방법은 해당 데이터를 모두 사용하여 미래 수요 추세를 예측하는 것입니다.

우리가 보았듯이 이것은 사람들이 마스터하기 어려운 작업입니다. 올바른 예측을 시작하려면 약간의 도움이 필요합니다.

결과적으로 Gartner의 'Analytic Ascendancy Model'에서 예측 분석은 기술 분석과 진단 분석 모두에서 진화적 도약으로 간주됩니다.

하지만 정확한 예측 분석에 대한 열망은 새로운 것이 아니며 분석을 사용하여 미래의 소비자 행동을 모델링하려는 시도도 아닙니다. 예를 들어 많은 분석 전문가가 이 분야에 참여하여 일반 고객의 평생 가치(LTV)와 같은 수치를 계산합니다. 방대하고 다양한 데이터 세트의 가용성은 이러한 계산의 정확성을 상당히 개선하는 데 도움이 되었습니다.

비교적 새로운 것은 인공 지능을 적용하여 기술 집합의 격차를 메우고 예측 분석으로 가능한 것을 확장하는 것입니다.

이러한 조합으로 과거 소비자 행동의 패턴을 찾아내고 이를 사용하여 가능한 미래 행동을 매핑하는 보다 정교한 통계 모델이 탄생했습니다.

그러나 특히 인공 지능이 거의 불가능에 가깝다고 스스로 발견한 것을 달성하는 데 그토록 효과적인 이유는 무엇입니까?

습관의 생물: 예측 분석은 현실 세계에 어떻게 적용됩니까?

예측 분석은 사람들이 얼마나 예측 가능한가에 따라 크게 도움이 됩니다.

우리가 고유하고 자유 의지가 있다고 믿고 싶은 만큼 AI는 우리의 과거 행동과 유사한 사람들의 행동을 기반으로 우리가 계속 할 일을 아주 정확하게 예측할 수 있습니다.

2007년 매사추세츠 공과대학 미디어 연구소의 과학자들이 수행한 연구에 따르면 "대부분의 사람들이 하루에 하는 일의 90%는 몇 가지 수학 방정식으로 그들의 행동을 예측할 수 있을 정도로 완전한 일상을 따릅니다."

많은 마케팅 캠페인이 이 가정에 따라 운영되었지만 이제 더 정확하고 책임감 있게 이 원칙을 적용할 수 있습니다.

이 분야에서 AI가 고유한 분야는 인간이 단순히 볼 수 없는 더 넓은 패턴을 식별하는 능력에 있습니다. 우리는 안전한 가정이라고 믿는 것을 기반으로 조사 영역을 선택하지만 AI는 변경될 때 서로 영향을 미치는 다른 변수를 식별할 수 있습니다.

이 접근 방식(회귀 분석을 사용하여 크게 형성됨)은 끊임없이 변화하는 소비자가 살고 있는 세계를 적절하게 반영합니다.

예를 들어, 내 위치, 나이, 과거 구매 및 성별에 따라 방금 빵을 장바구니에 담았다면 우유를 구매할 가능성이 얼마나 됩니까? 온라인 슈퍼마켓은 이러한 종류의 정보를 사용하여 이러한 품목을 구매할 것으로 예상되는 나의 성향을 기반으로 자동으로 제품을 추천할 수 있습니다.

더욱이 금융 서비스 제공업체는 나와 비슷한 사람들의 온라인 상호 작용으로 생성된 수천 개의 데이터 포인트를 사용하여 언제 어떤 신용 카드를 제공할지 결정할 수 있습니다. 패션 소매업체는 내 디지털 프로필을 사용하여 내가 방금 구매한 청바지를 기반으로 다음 구매로 추천할 신발을 결정할 수 있습니다.

이는 기업이 전환율을 개선하는 데 도움이 되지만 그 의미는 그보다 훨씬 광범위합니다. 기업은 예측 분석을 통해 소비자 기대와 경쟁업체 벤치마크를 기반으로 가격 전략을 설정할 수 있습니다. 이를 통해 소매업체는 수요를 예측할 수 있으므로 각 제품에 대해 적절한 수준의 재고를 확보할 수 있습니다.

예측 분석은 고객 선호도의 변화를 감지하여 새로운 제품 라인에 대한 아이디어를 제안할 수도 있습니다. 이는 데이터 전문가를 위한 회고적 도구에서 비즈니스 전략을 형성하고 고객 관계를 개선하며 운영 효율성을 창출하는 필수 예측 기능으로 분석이 변환되었음을 나타냅니다.

실제로, 최근 Forrester 보고서에 따르면 "예측 마케터는 업계 평균보다 높은 비율로 매출 성장을 보고할 가능성이 2.9배 더 높습니다."

이 혁명의 증거는 이미 우리 주변에 있습니다. 예를 들어 Google, Facebook 또는 Amazon에 검색어를 입력할 때마다 우리는 데이터를 기계에 입력합니다. 기계는 데이터를 기반으로 성장하며 이러한 피드백 신호를 수신함에 따라 점점 더 지능적으로 성장합니다.

이러한 현상은 마케터에게 많은 이점을 가져다 줍니다. Google은 애널리틱스의 Smart Goals 제품과 작년 말에 출시된 세션 품질 평가점수 기능을 통해 이미 이 기술을 사용하고 있습니다. 다음은 기계 학습 기술을 기반으로 하는 예측 분석의 실제 사례입니다.

예측이 지능의 기반이라는 주장이 있는데, 이것은 AI에게 있어 상당한 위업입니다.

그러나 이것은 시작에 불과합니다. 예측 분석의 현재 작업 중 대부분은 제안 또는 권장 사항을 만드는 데 중점을 두고 있지만 AI 기반 예측이 마케팅 전략의 중심을 형성할 수 있는 범위가 있습니다.

최근의 발전은 이 점에서 낙관론(또는 두려움, 어떤 이들은 말할 수 있음)에 대한 많은 원인을 제공합니다. Google의 DeepMind 팀은 미래를 계획하고 행동하기 전에 다양한 결과를 고려할 수 있는 AI를 만들었습니다.

이것은 예측 분석의 범위 내에서 관련이 있습니다. 상상력은 예측을 생성하는 기본적인 측면이기 때문입니다. 이 능력은 성공적인 예측 분석 캠페인의 필수 구성요소로서 AI의 역할을 확고히 할 것입니다.

기업은 예측 분석을 어떻게 통합할 수 있습니까?

인공 지능 및 예측 분석의 잠재력을 활용하기 위해 조직이 배치해야 하는 네 가지 요소가 있습니다.

1. 올바른 질문

최고의 예측 분석 프로젝트는 테스트할 건전한 가설로 시작합니다. 머신 러닝 알고리즘에 데이터 포인트 간에 객관적인 연결을 만들 수 있는 여지를 제공해야 하지만 극복해야 할 비즈니스 과제를 해결해야 합니다. 이것은 노력에 어떤 형태를 제공하는 데 도움이 됩니다.

2. 올바른 데이터

지난 10년 동안 데이터 과학의 발전은 우리가 많은 양의 비정형 데이터에서 더 높은 정확도로 통찰력을 얻을 수 있음을 의미하지만 설득력 있는 결론에 도달하려면 완전한 데이터 세트가 여전히 필요합니다.

따라서 예측 분석으로 답하고 싶은 질문을 정의한 후 다음 단계는 사용할 수 있는 데이터가 무엇인지, 질문에 설득력 있게 답하기에 충분한지 여부를 파악하는 것입니다.

3. 올바른 기술

2020년까지 760억 달러의 예상 가치에서 알 수 있듯이 빅 데이터 기술은 호황을 누리는 산업입니다. 데이터는 캡처, 저장 및 이해하기 위해 끊임없이 개선되는 기술 능력이 필요한 속도로 생성됩니다.

많은 주요 분석 소프트웨어 패키지가 이미 예측 분석 도구를 출시했지만 방법론이 다릅니다. 귀하의 비즈니스에 가장 적합한 솔루션을 결정하려면 각각에 대한 경험이 있고 가장 적합한 옵션을 식별할 수 있는 팀을 구성하는 것이 그 어느 때보다 중요합니다.

4. 올바른 사람들

이것은 본질적으로 1단계로 돌아가게 합니다. 적절한 사람들이 없으면 적절한 질문을 하기가 매우 어렵습니다. 또한 이러한 질문에 답하거나 최신 기술을 최대한 활용하기 위해 어떤 데이터가 필요한지 파악하기 어렵습니다. AI가 사람을 대체한다는 모든 이야기가 있지만, AI가 창출하는 새로운 기회를 최대한 활용할 수 있는 사람을 확보하는 데 초점을 맞추는 데만 초점이 맞춰져 있습니다.

이 기술의 응용 프로그램은 이미 널리 퍼져 있지만 우리는 여전히 표면을 긁고 있습니다. 이 시리즈의 다음 기사에서는 오늘날 비즈니스 성과를 개선하기 위해 예측 분석을 사용하는 5개 기업을 살펴보겠습니다.

시리즈의 2부 읽기: AI를 사용하여 미래와 이익을 예측하는 5개 기업