ИИ и прогнозная аналитика: что нас ждет в будущем?

Достижения в области искусственного интеллекта и прогнозной аналитики будут иметь разветвления, выходящие за рамки технологических возможностей бизнеса. Организации столкнутся с новыми проблемами с точки зрения навыков, внедрения и многого другого. Как маркетологам подготовиться к изменениям?

В этой серии статей мы увидели, как эволюционный прогресс аналитической индустрии естественным образом приводит к интеграции искусственного интеллекта (ИИ) для создания точных прогнозных моделей.

В первой статье мы исследовали потенциал ИИ и прогнозной аналитики в качестве маркетинговых инструментов , движимых технологическими улучшениями, которые перешли от автоматизации на основе правил к чему-то более близкому к разумному. Мы видим примеры этого повсюду, от таких приложений, как Google Waze, до защиты от финансового мошенничества и персональных рекомендаций на Amazon.

Вторая статья серии была основана на конкретных примерах использования этой технологии , демонстрируя широкий спектр предприятий, которые использовали машинное обучение и искусственный интеллект для прогнозирования поведения потребителей и достижения лучших результатов в бизнесе. Сейчас эти возможности открыты для всех компаний, но воспользоваться ими - более сложная задача, чем просто покупка нового программного обеспечения.

Третья и последняя статья нашей серии будет посвящена будущему прогнозной аналитики и задачам, с которыми сталкивается отрасль.

Проблемы внедрения

Хотя массовое внедрение такого мощного бизнес-инструмента может показаться неизбежным, в реальности все гораздо сложнее. Руководителям нужны более разумные и быстрые решения, но когда дело доходит до преобразования бизнеса в модель прогнозной аналитики, основанную на искусственном интеллекте, в балансировании данных, людей и технологий есть что-то вроде высокой трапеции.

Внедрение этой технологии требует от предприятий идеологического сдвига, а не только капиталовложений, а обучение персонала аналитике данных с нуля является обязательным условием.

Это происходит в то время, когда доверие руководителей к цифровому опыту своей организации, похоже, падает. Последний опрос Digital IQ от PwC показывает снижение уверенности руководителей в способностях своей команды:

Уровень знаний не падает; отрасль просто меняется так быстро, что персонал не успевает за ней.

Следовательно, если прогнозная аналитика на основе ИИ займет центральное место в наборе инструментов ИТ-директора / директора по маркетингу, необходимо будет преодолеть несколько существенных препятствий.

В этой заключительной части нашей серии статей, посвященной прогнозной аналитике, мы обозначим некоторые проблемы, с которыми эта отрасль столкнется в будущем, прежде чем обсуждать решения, которые компании могут начать внедрять сегодня.

Качество данных

В недавнем опросе руководителей высшего звена, проведенном Protoviti, данные были признаны самым серьезным препятствием для широкого внедрения предиктивной аналитики в компаниях. Качество было одним из главных модификаторов, используемых для придания специфичности такому расплывчатому термину, как «данные».

Даже «качество» требует дальнейшего определения, прежде чем мы сможем решить, как решить такую ​​гигантскую проблему.

Данные высокого качества будут согласованы по своему формату (даже в значительном масштабе), отражать реальный сценарий, который они описывают, и позволят проводить надежные и воспроизводимые исследования.

В качестве примера можно взять набор данных об отправлении поездов из Ватерлоо за 2010–2014 годы, который содержит пробелы по временным рамкам и использует несовместимые соглашения об именах. Люди борются с такими пробелами в наборах данных, но мы можем адаптировать и, возможно, даже получить данные из других источников. Искусственный интеллект просто не может работать с такими неполными данными, поскольку он может работать только с тем, что вводится в систему.

Лучшие в мире технологии искусственного интеллекта могут использовать только те данные, которые мы предоставляем, поэтому крайне важно, чтобы предприятия знали об этих потенциальных ловушках и знали, как их избежать. Чем больше данных, тем лучше результаты прогнозной аналитики, основанной на искусственном интеллекте, но это должны быть правильные данные для решения бизнес-проблемы, которую вы стремитесь решить.

Наличие правильной команды - отличный способ начать этот путь.

Набор и обучение нужным навыкам

Технологии прогнозной аналитики становятся все сложнее, но уровень знаний в отрасли не обязательно растет такими же темпами.

Отчет Capgemini показал, что 77% компаний считают отсутствие необходимых навыков самым большим препятствием на пути к успешной цифровой трансформации:

Отчет ClickZ пошел глубже , чтобы определить навыки области , которые были наиболее желательно, по сравнению с их нынешним уровнем сложности в организациях.

Неудивительно, что аналитика была признана самым важным навыком, учитывая ее потенциал для использования во всех маркетинговых функциях. Возможно, было немного более удивительно видеть в аналитике область с наибольшим дефицитом навыков.

Источник: ClickZ

Аналитика включает в себя множество методов и типов исследования данных. Большая часть аналитической работы, проводимой сегодня, относится либо к описательной (что произошло?), Либо к исследовательской (почему это произошло?).

Хотя уровень навыков, необходимых для работы с технологиями, лежащими в основе будущих систем прогнозной аналитики, вероятно, со временем снизится, предприятиям все равно необходимо обеспечить своим сотрудникам подробные знания в области анализа данных, прежде чем вкладывать средства в некоторые новые захватывающие системы искусственного интеллекта.

К счастью, есть много ресурсов и квалификации, чтобы помочь с этим обучением, если предприятия готовы вкладывать средства. И теорию, и практику следует рассматривать как фундаментальные компоненты этого обучения.

В Google Analytics: Как выиграть с разведкой, авторы постулируют , что аналитики Центр передового опыта должен быть сформирован в крупных компаниях, с отделом головы отчетностью КТО:

Цель этого подхода - дать аналитике четко определенную базу, на которой ее эксперты могут обучать других в организации.

Однако мы можем взглянуть на это с другой точки зрения. Не всем в маркетинговой команде необходимо знать внутреннюю работу аналитической платформы, чтобы извлекать из нее пользу. Это становится все более актуальным, поскольку эти платформы становятся зависимыми от машинного обучения для создания прогнозных моделей.

В любом случае: обширная база знаний по-прежнему важна . Без возможности задавать правильные вопросы или знать, на что способна технология (и на что она не способна), результаты не будут соответствовать цели.

Таким образом, растет число мысли, что гуманитарные знания будут все более важным дополнением для статистиков и инженеров. Важное значение будет иметь способность задавать правильные вопросы в качестве основы для гипотезы, а затем исследовать результаты, а также более мягкие навыки, необходимые для их представления старшим заинтересованным сторонам.

По сути, сегодня для того, чтобы получить аналитику, нужна целая деревня. Но обеспечение того, чтобы качество ваших данных соответствовало поставленной цели, и наличие баланса навыков в вашей аналитической команде - отличное начало.

Управление данными

В современную эпоху недостатка в данных нет, и их количество будет только расти по мере того, как устройства Интернета вещей (IoT) продолжают проникать в дома по всему миру.

Каждая компания имеет под рукой потенциально прибыльный источник собственных и сторонних данных. Облачные решения, которые могут удаленно хранить данные в огромных количествах, в какой-то мере решают вопрос о том, где следует хранить данные.

Однако даже если бизнес использует хранилище данных, такое как Hadoop, информацию все равно необходимо передать на аналитическую платформу и преобразовать в аналитические данные с помощью статистических моделей.

Вопрос о том, как именно обеспечить бесперебойную работу аналитических платформ и систем искусственного интеллекта, остается загадкой для многих компаний.

Есть и другие проблемы с управлением данными - от интеллектуального анализа данных до хранения и, в конечном итоге, до преобразования информации в полезную информацию.

В документе 2013 года ученых из Университета Джорджа Вашингтона и Американского университета под названием « Большие данные: проблемы и вызовы на пути вперед» резюмировались следующие потенциальные проблемы:

С приближающимся запуском регламента ЕС по GDPR эти вопросы становятся важнее, чем когда-либо прежде. Бизнес несет ответственность за то, чтобы все данные соответствовали местным законам, и за безопасное удаление данных, которые не соответствуют требованиям.

Если одно можно сказать наверняка, мы не можем предоставить ИИ делать эти призывы. Прогностические модели искусственного интеллекта будут оценивать любые исторические данные, представленные им, и, если компания позже заметит, что ошибочные данные были введены в их аналитическую платформу искусственного интеллекта, любые сделанные ею выводы будут признаны недействительными.

Повторение этапов таких сложных вычислений и отладка любых нежелательных переменных оказались бы невыполнимой задачей. В результате любой бизнес, планирующий вводить большие данные в прогнозную модель на основе ИИ, должен быть осторожен со своими источниками данных.

Изображение: Викимедиа

Подотчетность

Эта категория служит общим термином для ряда незначительных, но все же важных проблем.

Искусственный интеллект и прогнозная аналитика играют четко определенные и важные роли в таких отраслях, как здравоохранение. 80% руководителей больниц считают эту область «важной», и легко понять, почему. Любой инструмент, который может выявить исторические закономерности, связанные с болезнями, и предсказать их будущее поведение, окажется неоценимым в этой области.

Применительно к маркетингу дело обстоит не так однозначно. Несомненно, мы все могли бы извлечь выгоду из точных прогнозов, основанных на прошлом. Фактически, это применимо ко всему обществу.

Однако есть аргумент, что прогнозное моделирование имеет некоторые ограничения в отрасли, которая процветает на новых идеях. Сложные системы искусственного интеллекта и прогностические модели соблазняют нас отказаться от контроля и придерживаться того, что, как мы знаем, будет способствовать дальнейшему росту.

Кроме того, прогнозная аналитика может стать самоисполняющимся пророчеством. Мы видим, что определенное сообщение, продукт или сегмент аудитории, по прогнозам, будет конвертироваться с более высокой скоростью, поэтому мы переносим бюджет, чтобы извлечь из этого выгоду. Если предсказание сбывается, это потому, что оно было точным, или потому, что мы действовали, чтобы сделать его точным?

Наконец, мы должны рассмотреть роль человеческого творчества в этом процессе. Как мы обсуждали в нашей статье о создании контента с помощью ИИ, человеческая способность вводить новшества и разрабатывать новые творческие решения - это то, с чем ИИ пока не может справиться. Таким образом, нам необходимо использовать технологии, чтобы освободить наши команды, чтобы максимально использовать их возможности для выработки стратегии на долгосрочную перспективу.

Как и в случае с любой технологией искусственного интеллекта, одним из важнейших факторов успеха является роль, которую люди будут играть, чтобы максимально использовать имеющиеся в их распоряжении инструменты. Если говорить конкретно о прогнозной аналитике, это означает обеспечение правильного баланса между качественными данными, лучшими технологиями и людьми, которые могут знать ограничения технологии.

На этом мы завершаем нашу серию из трех частей об искусственном интеллекте и прогнозной аналитике. Если вы пропустили две предыдущие части, перейдите по ссылкам ниже, чтобы подвести итоги:

• Как ИИ может позволить маркетологам предсказывать будущее?
• 5 компаний, использующих ИИ для предсказания будущего и получения прибыли