Sztuczna inteligencja i analityka predykcyjna: co przyniesie przyszłość?

Postępy w sztucznej inteligencji i analityce predykcyjnej będą miały konsekwencje wykraczające poza możliwości technologiczne biznesu. Organizacje staną przed nowymi wyzwaniami w zakresie umiejętności, wdrażania i nie tylko. Jak marketerzy mogą przygotować się na zmianę?

W tej serii zobaczyliśmy, jak ewolucyjny postęp branży analitycznej w naturalny sposób prowadzi do integracji sztucznej inteligencji (AI) w celu tworzenia dokładnych modeli predykcyjnych.

W pierwszym artykule zbadaliśmy potencjał sztucznej inteligencji i analiz predykcyjnych jako narzędzi marketingowych , napędzany ulepszeniami technologicznymi, które przeszły z automatyzacji opartej na regułach do czegoś bliższego odczuwaniu. Przykłady tego widzimy wszędzie, od aplikacji takich jak Google Waze po ochronę przed oszustwami finansowymi i spersonalizowane rekomendacje na Amazon.

Drugi artykuł z serii został oparty na konkretnych przypadkach użycia tej technologii , prezentując szeroką gamę firm, które wykorzystały uczenie maszynowe i sztuczną inteligencję do przewidywania zachowań konsumentów i osiągania lepszych wyników biznesowych. Możliwości te są teraz otwarte dla wszystkich firm, ale ich wykorzystanie jest zadaniem bardziej złożonym niż samo zakup nowego oprogramowania.

Trzeci i ostatni artykuł z naszej serii skupi się na przyszłości analityki predykcyjnej i wyzwaniach stojących przed branżą.

Wyzwania wdrożeniowe

Chociaż może się wydawać nieuniknione, że tak potężne narzędzie biznesowe zostanie przyjęte masowo, rzeczywistość jest bardziej zniuansowana. Menedżerowie chcą mądrzejszych i szybszych decyzji, ale jest coś z działania trapezowego w równoważeniu danych, ludzi i technologii, jeśli chodzi o przekształcenie firmy w oparty na sztucznej inteligencji model analizy predykcyjnej.

Wdrożenie tej technologii wymaga zmiany ideologicznej dla firm, a nie tylko inwestycji kapitałowych, a niezbędne jest szkolenie personelu od podstaw w zakresie analizy danych.

Dzieje się tak w czasie, gdy wydaje się, że zaufanie kadry kierowniczej do cyfrowej wiedzy ich organizacji spada. Najnowsze badanie Digital IQ przeprowadzone przez PwC pokazuje spadek zaufania kadry zarządzającej do umiejętności ich zespołu:

Poziom wiedzy nie spada; branża po prostu zmienia się tak szybko, że personel nie nadąża.

Dlatego też, jeśli analiza predykcyjna oparta na sztucznej inteligencji ma zająć centralną pozycję w zestawie narzędzi CIO/CMO, trzeba będzie pokonać kilka istotnych przeszkód.

W tej ostatniej części naszej serii poświęconej analityce predykcyjnej, przed omówieniem rozwiązań, które firmy mogą zacząć wdrażać już dziś, przedstawimy niektóre wyzwania stojące przed tą branżą w przyszłości.

Jakość danych

W niedawnym badaniu przeprowadzonym przez Protoviti wśród kadry kierowniczej , dane zostały uznane za największy czynnik hamujący rozpowszechnienie analiz predykcyjnych w firmach. Jakość była jednym z głównych modyfikatorów stosowanych w celu nadania specyficzności terminowi tak mglistemu jak „dane”.

Nawet „jakość” wymaga dalszej definicji, zanim zdecydujemy, jak poradzić sobie z tak gigantycznym wyzwaniem.

Dane wysokiej jakości będą spójne pod względem formatu (nawet w znacznej skali), odzwierciedlające opisywany przez nie scenariusz w świecie rzeczywistym i umożliwią rzetelne, odtwarzalne badania.

Jako przykład możemy wziąć zestaw danych o odjazdach pociągów z Waterloo w latach 2010-2014, który zawiera luki w ramach czasowych i wykorzystuje niespójne konwencje nazewnictwa. Ludzie zmagają się z lukami w takich zestawach danych, ale możemy się dostosować, a być może nawet pozyskać dane z innych źródeł. Sztuczna inteligencja po prostu nie może pracować z takimi niekompletnymi danymi, ponieważ może działać tylko z tym, co jest wprowadzane do systemu.

Najlepsze technologie sztucznej inteligencji na świecie mogą wykorzystywać tylko dane, które dostarczamy, dlatego tak ważne jest, aby firmy były świadome tych potencjalnych pułapek i wiedziały, jak ich uniknąć. Więcej danych zazwyczaj oznacza lepsze wyniki analiz predykcyjnych opartych na sztucznej inteligencji, ale muszą to być odpowiednie dane, aby odpowiedzieć na problem biznesowy, który zamierzasz rozwiązać.

Posiadanie odpowiedniego zespołu to świetny sposób na rozpoczęcie tej ścieżki.

Rekrutacja i szkolenie dla odpowiednich umiejętności

Technologia analizy predykcyjnej staje się coraz bardziej zaawansowana, ale poziom wiedzy w branży niekoniecznie rośnie w tym samym tempie.

Raport Capgemini wykazał, że 77% firm postrzega brak odpowiednich umiejętności jako największą przeszkodę w udanej transformacji cyfrowej:

Raport ClickZ pogłębił się, aby zidentyfikować obszary umiejętności, które były najbardziej pożądane, w porównaniu z ich obecnym poziomem zaawansowania w organizacjach.

Nie było zaskoczeniem, że analityka została uznana za najważniejszą umiejętność, biorąc pod uwagę jej potencjał do wykorzystania w każdej funkcji marketingowej. Być może nieco bardziej zaskakujące było postrzeganie analityki jako obszaru z największą luką w umiejętnościach.

Źródło: ClickZ

Analityka obejmuje różne techniki i rodzaje badania danych. Większość podejmowanych dzisiaj prac analitycznych mieści się pod hasłem albo opisowym (co się stało?) albo eksploracyjnym (dlaczego to się stało?).

Chociaż poziom umiejętności potrzebny do obsługi technologii stojącej za przyszłymi systemami analizy predykcyjnej prawdopodobnie z czasem się obniży, firmy nadal muszą upewnić się, że ich pracownicy mają szczegółową wiedzę na temat analizy danych, zanim zainwestują w nowe, ekscytujące systemy sztucznej inteligencji.

Na szczęście istnieje wiele zasobów i kwalifikacji, które pomogą w tym szkoleniu, o ile firmy są skłonne do inwestowania. Zarówno teorię, jak i praktykę należy uznać za podstawowe elementy tego szkolenia.

W Analytics: Jak wygrać z wywiadu, autorzy postulować, że analityka Centrum Doskonałości powinny być utworzone w większych firmach, z raportowania szef działu do CTO:

Celem takiego podejścia jest zapewnienie analitykom jasno określonej bazy, z której jej eksperci mogą uczyć innych w organizacji.

Możemy jednak spojrzeć na to z innej perspektywy. Nie każdy w zespole marketingowym musi znać wewnętrzne działanie platformy analitycznej, aby z niej skorzystać. Staje się to coraz bardziej prawdziwe, ponieważ platformy te stają się zależne od uczenia maszynowego w celu tworzenia modeli predykcyjnych.

Niezależnie od tego: szeroka baza wiedzy jest nadal niezbędna . Bez możliwości zadawania właściwych pytań lub wiedzy, do czego jest zdolna technologia (a do czego nie), wyniki nie będą odpowiednie do celu.

Istnieje zatem rosnąca szkoła myślenia, zgodnie z którą środowiska sztuk wyzwolonych będą coraz ważniejszym uzupełnieniem statystyków i inżynierów. Umiejętność postawienia właściwych pytań jako ramy dla hipotezy, a następnie zbadania wyników będzie niezbędna, podobnie jak bardziej miękkie umiejętności wymagane do przedstawienia ich starszym interesariuszom.

Zasadniczo w dzisiejszych czasach potrzebna jest wioska, aby uzyskać odpowiednie analizy. Jednak zapewnienie, że jakość Twoich danych jest odpowiednia do celu, a Twój zespół ds. analityki dysponuje równowagą umiejętności, to świetny początek.

Zarządzanie danymi

W dzisiejszych czasach nie brakuje danych, a ich ilość będzie tylko rosła, gdy urządzenia Internetu rzeczy (IoT) będą nadal trafiać do domów na całym świecie.

Każda firma ma na wyciągnięcie ręki potencjalnie lukratywne źródło danych zastrzeżonych i danych osób trzecich. Rozwiązania oparte na chmurze, które mogą zdalnie przechowywać dane w ogromnych ilościach, w pewnym stopniu odpowiadają na pytanie, gdzie dane powinny być przechowywane.

Jednak nawet jeśli firma korzysta z hurtowni danych, takiej jak Hadoop, informacje nadal muszą zostać przeniesione na platformę analityczną i przekształcone w spostrzeżenia za pomocą modeli statystycznych.

Pytanie, jak dokładnie zapewnić nadążanie platform analitycznych i systemów AI, pozostaje zagadką dla wielu firm.

Istnieją również inne wyzwania związane z zarządzaniem danymi — od eksploracji danych po przechowywanie, a ostatecznie po przekształcanie informacji w przydatne informacje.

Artykuł naukowców z George Washington University i American University z 2013 r. , zatytułowany Big Data: Issues and Challenges Moving Forward, podsumował te potencjalne problemy:

W związku ze zbliżającym się wprowadzeniem unijnego rozporządzenia RODO pytania te są ważniejsze niż kiedykolwiek wcześniej. Obowiązkiem firmy jest zapewnienie, że wszystkie dane są zgodne z lokalnymi przepisami prawa oraz bezpieczne usuwanie danych, które nie są zgodne.

Jeśli jedno jest pewne, nie możemy pozostawić AI wykonywania tych połączeń. Modele predykcyjne AI ocenią wszelkie prezentowane im dane historyczne, a jeśli firma zauważy później, że błędne dane zostały wprowadzone do jej platformy analitycznej AI, wszelkie wyciągnięte przez nią wnioski będą musiały zostać uznane za nieważne.

Ponowne prześledzenie etapów tak złożonych obliczeń i debugowanie wszelkich niechcianych zmiennych okazałoby się zadaniem niemożliwym. W rezultacie każda firma planująca wprowadzanie danych big data do modelu predykcyjnego opartego na sztucznej inteligencji powinna ostrożnie podchodzić do swoich źródeł danych.

Obraz: Wikimedia

Odpowiedzialność

Ta kategoria służy jako ogólny termin dla szeregu mniejszych, ale wciąż ważnych wyzwań.

Sztuczna inteligencja i analityka predykcyjna mają jasno określone i ważne role w branżach takich jak opieka zdrowotna. 80% kierowników szpitali uważa to pole za „ważne” i łatwo zrozumieć, dlaczego. Każde narzędzie, które potrafi wykryć historyczne wzorce związane z chorobami i przewidzieć ich przyszłe zachowanie, okaże się nieocenione w tej dziedzinie.

Sprawa nie jest już tak jednoznaczna w przypadku marketingu. Niewątpliwie wszyscy moglibyśmy skorzystać na dokładnych przewidywaniach opartych na przeszłości. W rzeczywistości dotyczy to całego społeczeństwa.

Istnieje jednak argument, że modelowanie predykcyjne ma pewne ograniczenia w branży, która rozwija się dzięki nowym pomysłom. Pokusa wyrafinowanych systemów sztucznej inteligencji i modeli predykcyjnych polega na oddaniu kontroli i trzymaniu się tego, co wiemy, że będzie nadal zapewniać wzrost.

Ponadto analityka predykcyjna może stać się samospełniającą się przepowiednią. Widzimy, że przewiduje się, że określony komunikat, produkt lub segment odbiorców będą konwertować szybciej, więc przesuwamy budżet, aby to wykorzystać. Jeśli przepowiednia się spełni, czy to dlatego, że była dokładna, czy dlatego, że podjęliśmy działania, aby była dokładna?

Na koniec powinniśmy rozważyć rolę ludzkiej kreatywności w tym procesie. Jak omówiliśmy w naszym artykule na temat tworzenia treści w oparciu o sztuczną inteligencję, ludzka zdolność do innowacji i opracowywania nowych, kreatywnych rozwiązań to taka, której sztuczna inteligencja nie może jeszcze do końca opanować. W związku z tym musimy użyć technologii, aby uwolnić nasze zespoły, aby jak najlepiej wykorzystać ich zdolność do długoterminowej strategii.

Podobnie jak w przypadku każdej technologii sztucznej inteligencji, jednym z najważniejszych czynników sukcesu jest rola, jaką ludzie będą odgrywać, aby jak najlepiej wykorzystać dostępne im narzędzia. Patrząc konkretnie na analitykę predykcyjną, oznacza to zapewnienie właściwej równowagi między danymi wysokiej jakości, najlepszą technologią i ludźmi, którzy potrafią poznać ograniczenia technologii.

Na tym kończymy naszą trzyczęściową serię poświęconą sztucznej inteligencji i analizom predykcyjnym. Jeśli przegapiłeś poprzednie dwie części, skorzystaj z poniższych linków, aby je podsumować:

• Jak sztuczna inteligencja może pozwolić marketerom przewidywać przyszłość?
• 5 firm wykorzystujących sztuczną inteligencję do przewidywania przyszłości i zysków