5 firm wykorzystujących sztuczną inteligencję do przewidywania przyszłości i zysków

W pierwszej części tej serii poświęconej analityce predykcyjnej opartej na sztucznej inteligencji zbadaliśmy funkcjonalność tej technologii oraz jej potencjał do tworzenia bardziej efektywnych strategii biznesowych.

Analizę predykcyjną można zdefiniować jako formę eksploracji danych, która wykorzystuje modelowanie statystyczne do analizy wzorców historycznych, a następnie wykorzystuje te modele do prognozowania przyszłych wyników. Wdrożenie sztucznej inteligencji pozwala technologiom analitycznym wykryć relacje między zmiennymi, których ludzie po prostu nie są w stanie zobaczyć.

W tym artykule chcemy ożywić tę teorię za pomocą pięciu przypadków użycia analizy predykcyjnej.

W tej dziedzinie pojawiło się kilka wartych opublikowania historii, w szczególności nagłówki „Cel wie, kiedy jesteś w ciąży”, które kilka lat temu przyciągnęły tak wiele uwagi.

Od tego czasu sytuacja znacznie się rozwinęła. Ewolucja szeroko dostępnych i dostępnych platform analitycznych zapewniła dostęp do wyrafinowanych modeli statystycznych firmom każdej wielkości. Poza hiperbolą nieco przerażających prognoz dotyczących ciąży, duże firmy są częściej wykorzystywane przez małe i duże firmy do poprawy ich codziennych funkcji.

Definiując problemy, które chcą rozwiązać, pozyskując odpowiednie dane, zatrudniając ludzi z umiejętnościami rozumienia danych i wyposażając ich w odpowiednią technologię, każda firma może rozpocząć dziś dochodową dziedzinę analityki predykcyjnej.

Jest zbyt wielu konkurentów, aby rozważyć każdy przykład w ramach jednego artykułu, dlatego zamiast tego staraliśmy się zapewnić reprezentatywną próbkę skutecznych analiz opartych na sztucznej inteligencji w szerokim spektrum studiów przypadku.

1. Optymalizacja łańcucha dostaw: Walmart

Zaczynamy od przykładu wagi ciężkiej, który stanowi inspirację dla wszystkich sprzedawców.

Podczas gdy tak wielu innych „starszych” sprzedawców detalicznych zmaga się z problemami, Walmart opublikował dane o wzroście za ostatnie 11 kolejnych kwartałów. W szczególności jest to spowodowane wzrostem sprzedaży online o 63% rok do roku.

Walmart spotkał się z dużym uznaniem za chęć adaptacji w erze cyfrowej i stawia na zdolność łączenia światów online i offline, aby konkurować z Amazonem.

Sztuczna inteligencja i analizy predykcyjne są sercem tego dysku. Walmart natychmiast pobiera dane ze swoich systemów punktów sprzedaży i uwzględnia je w swoich prognozach, aby ocenić, które produkty mogą się wyprzedać, a które osiągnęły gorsze wyniki.

W połączeniu z wzorcami zachowań online zapewnia to ogromną ilość punktów danych (ponad 40 petabajtów), aby pomóc Walmart przygotować się na wzrost lub spadek popytu na produkty.

Zdjęcie autorstwa chuttersnap na Unsplash

Zarządzanie danymi w chmurze odbywa się za pośrednictwem „Data Cafe” Walmart, prowadzonej przez zespół Walmart Labs w Dolinie Krzemowej. Jest to zaawansowana operacja na dużą skalę, zgodna z liczbą zmiennych potrzebnych firmie tej wielkości do tworzenia dokładnych prognoz na podstawie wiarygodnych danych.

Jednak korzyści, jakie przynosi, mogą szukać także mniejsze firmy.

Na przykład wykorzystanie przez Walmart sztucznej inteligencji i analiz predykcyjnych jest nieocenione w zarządzaniu zapasami, ponieważ menedżerowie mogą odpowiednio zaopatrywać się w zapasy bez ryzyka konieczności dokonywania w ostatniej chwili kosztownych korekt w celu wypełnienia luk, gdy popyt przewyższa podaż.

Prognozy te pozwalają również Walmartowi spersonalizować swoją obecność w Internecie, prezentując produkty określonym klientom na podstawie ich przewidywanego prawdopodobieństwa dokonania zakupu.

Dyscyplina i rygor, jakie zapewnia to podejście, oznaczają, że Walmart może trzymać się ścisłych terminów dostaw, ponieważ każdy etap łańcucha dostaw został zoptymalizowany dzięki wykorzystaniu analiz predykcyjnych. Wszystkie te obszary mogą zostać ulepszone przez każdą firmę dzięki dostępnej technologii, takiej jak Google i Adobe.

Co znamienne, Walmart oferuje również zachęty dla klientów w postaci obniżek cen lub przywilejów polegających na przejściu do kolejki, jeśli odbierają zakupy w fizycznym sklepie. Nawet przy wszystkich korzyściach, jakie analityka oparta na sztucznej inteligencji może przynieść firmie, konkurowanie z Amazon w zakresie kosztów wysyłki pozostaje trudnym zadaniem.

2. Prognozowanie trendów cenowych: Hopper

Branża turystyczna jest notorycznie konkurencyjna, z niestabilnymi szczytami i dołkami popytu oraz wieloma niskomarżowymi trasami. To może pozostawić podróżnych w ciemności, niepewnych, kiedy najlepiej dokonać rezerwacji. Czasem lepiej rezerwować z wyprzedzeniem, innym razem lepiej poczekać do zbliżenia się do daty wyjazdu.

To sprawia, że ​​jest to dziedzina dojrzała do potęgi analizy predykcyjnej opartej na sztucznej inteligencji, co spowodowało, że popularność aplikacji podróżniczej Hopper gwałtownie wzrosła od 2015 roku.

Hopper jest o krok do przodu, przewidując przyszłe wzorce cenowe i informując podróżnych o najtańszych terminach zakupu lotów do preferowanych miejsc docelowych.

Robi to, codziennie obserwując miliardy cen i na podstawie danych historycznych dla każdej trasy, przewidując, jak trend będzie się rozwijał. Użytkownicy mogą następnie skonfigurować powiadomienia przypominające im o dokonaniu rezerwacji, gdy nastąpią te spadki cen.

Chociaż nie jest jedyną taką firmą, która świadczy tę usługę, Hopper zgłasza 95% dokładność swoich prognoz i twierdzi, że pozwala zaoszczędzić klientom średnio ponad 50 USD na lot.

Poniższy zrzut ekranu pokazuje, jak działa ten proces. W towarzystwie uroczego króliczka w okularach wybieram trasę lotu z Nowego Jorku do Honolulu na te zasłużone wakacje.

Na podstawie wybranych przeze mnie dat zaskakująco apodyktyczny króliczek każe mi zarezerwować teraz, ponieważ bilety na tę trasę będą z czasem tylko droższe.

Hopper stanowi doskonały przykład firmy, która traktuje uczenie maszynowe i analizy predykcyjne jako główne założenia swojej strategii biznesowej. Bez analiz predykcyjnych nie byłoby Hoppera.

Jednak modele statystyczne, z których korzysta z tak wspaniałym efektem, dają lekcje dla wszystkich przedsiębiorstw. Sukces Hoppera wynika przede wszystkim z jego niezawodności jako obiektywnej platformy porad konsumenckich. W związku z tym wiele innych firm mogłoby przyjąć tę rolę, wykorzystując statystyki do dostarczania prognoz, które są w najlepszym interesie klienta, a nie tylko dla ich własnych wyników.

3. Rozwój małych firm: Zoo i akwarium Point Defiance

Ankieta przeprowadzona przez SAP pod koniec 2016 r. wykazała, że ​​ponad 70% liderów małych firm uważało, że wciąż znajdują się na „wczesnej fazie” wyciągania wniosków ze swoich danych.

Jedno zoo w Tacoma w stanie Waszyngton przeciwstawiło się temu trendowi, współpracując z National Weather Service w celu zidentyfikowania czynników, które spowodowały tak nieprzewidywalny wzrost i spadek frekwencji. Stwarzało to problemy dla kierownictwa, które zawsze obsadziło park, aby obsłużyć dużą publiczność, ale często kończyło się nadmiernymi wydatkami na pensje z powodu zbyt małej frekwencji.

Intuicyjnie możemy założyć, że frekwencja jest wyższa w ciepłe, suche dni, ale niższa, gdy jest zimno lub mokro. Jednak dzięki włączeniu danych National Weather Service do platformy Watson firmy IBM, opartej na sztucznej inteligencji, zoo było w stanie dokładnie określić, które warunki spowodowały, że więcej osób złożyło wizytę.

Wiedza ta została następnie wykorzystana do modelowania wzorców przyszłych odwiedzających, wykorzystując historyczne liczby frekwencji i prognozowane statystyki pogodowe.

Projekt odniósł ogromny sukces i jest obecnie centralną częścią planowania biznesowego zoo. Point Defiance może przewidywać liczbę frekwencji z dokładnością większą niż 95%, umożliwiając menedżerom odpowiednie obsadzenie parku. Nie ma to negatywnego wpływu na to, jak odwiedzający odbierają park (być może nawet odwrotnie), i tworzy pewne istotne usprawnienia biznesowe.

Oczywiście zastosowania tej metodologii wykraczają daleko poza samą frekwencję. Port Defiance może monitorować, w jaki sposób odwiedzający wchodzą w interakcję z zoo, pomagając zapewnić lepszą obsługę klienta. Istnieją również plany wykorzystania analiz predykcyjnych opartych na sztucznej inteligencji do monitorowania danych dotyczących zdrowia i diagnozowania problemów ze zwierzętami parku w celu zapewnienia leczenia zapobiegawczego.

4. Utrzymanie personelu: IBM

Podstawową atrakcją analityki predykcyjnej jest możliwość osiągania lepszych wyników w stosunku do celów organizacyjnych. Często są one jawnie oparte na zyskach, ale analizy predykcyjne mogą również pomóc w zidentyfikowaniu problemów związanych z utrzymaniem personelu i zaproponowaniu rozwiązań.

Przesyłając uporządkowany plik danych (jak na poniższym zrzucie ekranu), Watson może wykryć wspólne czynniki przyczyniające się do utraty personelu. To z kolei przekłada się na generowanie „wyniku jakości” dla każdego pracownika, opartego na przewidywanym prawdopodobieństwie szybkiego odejścia z firmy.

To, co naprawdę wchodzi w grę, to zdolność reagowania na prośby użytkowników w języku naturalnym. Podobnie jak nowa funkcja Google Analytics, która pobiera dane w odpowiedzi na pytania użytkowników, Watson może odpowiadać na określone zapytania i tworzyć wizualizacje danych w oparciu o preferencje użytkownika.

To świetny przykład platformy, która szybko przechodzi od analizy eksploracyjnej i diagnostycznej do sfery analityki predykcyjnej. Każdy właściciel firmy lub menedżer może skorzystać z tych narzędzi, aby precyzyjnie określić, co dokładnie powoduje odejście pracowników, ale może również zobaczyć, co kryje się za tymi czynnikami i wdrożyć środki zapobiegawcze, aby złagodzić wszelkie potencjalne odejścia. Biorąc pod uwagę koszt rekrutacji nowych pracowników w porównaniu z utrzymaniem obecnych, wysokowydajnych, prowadzi to bezpośrednio do obniżenia kosztów operacyjnych.

5. Rozszerzenie widowni: Under Armour

Poszerzanie grona odbiorców to kolejny obszar marketingu, który znacząco czerpie korzyści z wykorzystania sztucznej inteligencji i analityki predykcyjnej. Dzięki zrozumieniu cech ilościowych istniejących klientów o wysokiej wartości, możliwe jest zidentyfikowanie podobnych osób i skierowanie do nich spersonalizowanych komunikatów, które prawdopodobnie będą rezonować.

Wiedza o tym, na co wydać budżet reklamowy, jest niezbędna, podobnie jak wiedza, na co go nie wydawać. Analityka predykcyjna pozwala firmom takim jak Under Armour doskonalić się w obszarach, które przyniosą największe zyski i ponownie zainwestować budżet, który w innym przypadku zostałby niewłaściwie wydany.

Sztuczna inteligencja jest wykorzystywana przez Under Armour do wykonywania zadań, takich jak analiza sentymentu i social listening, aby zrozumieć, co klienci myślą o marce i gdzie znajdują się luki na rynku. Skłoniło to firmę do skoncentrowania się na staniu się cyfrową marką fitness, inicjatywie, dzięki której wyrzeźbiła nową niszę na nasyconym rynku.

Under Armour produkuje produkty do ćwiczeń fizycznych, ale także aplikacje i urządzenia do noszenia, które łączą świat offline i cyfrowy. Im więcej osób korzysta z produktów, tym więcej danych może zebrać Under Armour, aby ulepszyć swoją ofertę. A przy ponad 200 milionach zarejestrowanych użytkowników i ponad 10 miliardach interakcji cyfrowych rocznie nie brakuje danych.

Przeczytaj ostatnią część tej serii: Sztuczna inteligencja i analityka predykcyjna: co przyniesie przyszłość?