Как аналитика и искусственный интеллект могут позволить маркетологам предсказывать будущее?

Никогда не делайте прогнозов, особенно на будущее.

У нас нет большого опыта в прогнозировании будущего, поэтому это кажется мудрым советом.

От президента IBM Томаса Уотсона, заявившего в начале 1940-х годов, что будет мировой рынок «примерно 5 компьютеров» (правда, на планете могло быть место только для 5 из первых машин IBM), до шумихи 2000 года, люди не могут устоять перед грандиозными, часто совершенно неточными предсказаниями.

Награда за знание будущего слишком велика, чтобы сопротивляться ей, но мы довольно сильно полагаемся на человеческую интуицию при формировании наших прогнозов. Таким образом, награды слишком часто остаются невостребованными.

Однако это быстро развивающаяся отрасль, и благодаря достижениям в области искусственного интеллекта (ИИ) вскоре мы сможем основывать наши прогнозы на будущее на надежных статистических моделях, а не на нашей знакомой, но ошибочной интуиции.

В этой серии из трех частей мы исследуем потенциальную роль искусственного

здравый смысл в разработке точной и доступной прогнозной аналитики, ведущей к повышению эффективности бизнеса.

Эта статья начнется с анализа современного положения отрасли прогнозной аналитики, а также с некоторых советов, которые помогут компаниям максимально использовать доступные технологии и данные.

Что мы подразумеваем под «предиктивной аналитикой»?

Прогнозная аналитика - это форма интеллектуального анализа данных, в которой используется машинное обучение и статистическое моделирование для прогнозирования будущего состояния дел на основе исторических данных.

Примеры предиктивной аналитики уже есть повсюду вокруг нас. Если ваш банк уведомляет вас о потенциально подозрительной активности по вашей кредитной карте, весьма вероятно, что для прогнозирования вашего будущего поведения на основе ваших прошлых транзакций использовалась статистическая модель. Серьезные отклонения от этого шаблона помечаются как подозрительные.

В качестве простого показателя для понимания уровня интереса к данной области мы можем увидеть из Google Trends, что объем поиска по теме «прогнозная аналитика» значительно вырос за последние 5 лет:

Мы можем посмотреть на эту линию и предсказать, что она продолжит расти. Но на самом деле это просто основано на недавней исторической тенденции или на том факте, что мы слышали много шума по этой теме в отрасли. Нам потребовалось бы гораздо больше исследований, чтобы с какой-либо реальной уверенностью утверждать, куда пойдет линия дальше.

Логично, что многие компании тоже заинтригованы этой темой. Прогнозируется, что к 2020 году на технологию «больших данных» будет ежегодно тратиться более 76 миллиардов долларов. Лучший способ окупить эти инвестиции - использовать все эти данные для прогнозирования будущих тенденций спроса.

Как мы уже убедились, людям сложно справиться с этой задачей. Нам нужна небольшая помощь, если мы хотим начать делать правильные прогнозы.

В результате в «Аналитической модели господства» Gartner прогнозная аналитика рассматривается как эволюционный скачок как в описательной, так и в диагностической аналитике.

Тем не менее, стремление к точной прогнозной аналитике не ново, равно как и попытки использовать аналитику для моделирования будущего поведения потребителей. Многие специалисты-аналитики ежедневно работают в этой области, чтобы вычислить такие цифры, как, например, пожизненная ценность (LTV) своего типичного клиента. Наличие обширных и разнообразных наборов данных помогло значительно повысить точность этих расчетов.

Что является относительно новым, так это применение искусственного интеллекта для устранения пробелов в наших навыках и расширения возможностей прогнозной аналитики.

Эта комбинация привела к созданию более сложных статистических моделей, которые выявляют закономерности в поведении потребителей в прошлом и используют их для определения вероятных будущих действий.

Но почему, в частности, искусственный интеллект так эффективен в достижении того, что мы практически считали невозможным в одиночку?

Существа привычки: как прогнозная аналитика применяется в реальном мире?

Прогнозной аналитике очень помогает то, насколько люди предсказуемы.

Какими бы уникальными и свободолюбивыми мы ни казались, ИИ может довольно точно предсказать, что мы будем делать дальше, основываясь на наших прошлых действиях и действиях подобных людей.

Исследование, проведенное учеными Медиа-лаборатории Массачусетского технологического института в 2007 году, показало, что «добрые 90 процентов того, что большинство людей делает в любой день, следует распорядкам, настолько полным, что их поведение можно предсказать с помощью всего нескольких математических уравнений».

Многие маркетинговые кампании основывались на этом предположении, но теперь мы можем применять этот принцип с большей точностью и подотчетностью.

В чем преимущества ИИ в этой области, так это в его способности выявлять более широкие закономерности, которые люди просто не увидят. Мы выбираем области для исследования на основе предположений, которые мы считаем безопасными, но ИИ может определять другие переменные, которые при изменении влияют друг на друга.

Этот подход (в значительной степени сформированный с помощью регрессионного анализа) является подходящим отражением постоянно меняющегося мира, в котором живут потребители.

Например, исходя из моего местоположения, возраста, прошлых покупок и пола, насколько вероятно, что я куплю молоко, если я только что добавил хлеб в свою корзину? Интернет-супермаркет может использовать такую ​​информацию, чтобы автоматически рекомендовать мне продукты на основе моей прогнозируемой склонности к их покупке.

Более того, поставщик финансовых услуг может использовать тысячи точек данных, созданных в результате моего онлайн-взаимодействия и взаимодействия с похожими людьми, чтобы решить, какую кредитную карту мне предложить и когда. Магазин модной одежды может использовать мой цифровой профиль, чтобы решить, какую обувь порекомендовать в качестве моей следующей покупки, на основе только что купленных мной джинсов.

Это помогает предприятиям повысить коэффициент конверсии, но последствия гораздо шире. Прогнозная аналитика позволяет компаниям устанавливать стратегии ценообразования на основе ожиданий потребителей и показателей конкурентов. Это позволяет розничным торговцам предвидеть спрос и, следовательно, обеспечивать необходимый уровень запасов для каждого продукта.

Прогнозная аналитика может даже предлагать идеи для новых продуктовых линеек, обнаруживая изменения в предпочтениях клиентов. Это знаменует преобразование аналитики из ретроспективного инструмента для специалистов по данным в важную прогностическую функцию, которая формирует бизнес-стратегию, улучшает отношения с клиентами и повышает операционную эффективность.

Фактически, в недавнем отчете Forrester отмечалось, что «прогнозирующие маркетологи в 2,9 раза чаще сообщают о росте доходов более высокими темпами, чем в среднем по отрасли».

Свидетельства этой революции уже повсюду вокруг нас. Каждый раз, когда мы вводим поисковый запрос, например, в Google, Facebook или Amazon, мы загружаем данные в машину. Машина преуспевает в данных, становясь все более умной по мере получения этих сигналов обратной связи.

Это явление приносит маркетологам множество преимуществ. Google уже некоторое время использует эту технологию с помощью своего продукта Smart Goals в Analytics и функции Session Quality Score, запущенной в конце прошлого года. Это примеры прогнозной аналитики в действии, основанной на технологии машинного обучения.

Есть аргумент, что предсказание - это основа интеллекта, так что это настоящий подвиг для ИИ.

Однако это только начало. Большая часть текущей работы в области прогнозной аналитики сосредоточена на внесении предложений или рекомендаций, но есть возможности для прогнозов на основе ИИ, которые могут стать опорой маркетинговых стратегий.

Последние события дают много поводов для оптимизма (или, как некоторые могут сказать, для беспокойства) в этом отношении. Команда Google DeepMind только что создала ИИ, который способен планировать будущее и учитывать различные результаты, прежде чем действовать.

Это актуально в рамках прогнозной аналитики, поскольку воображение является фундаментальным аспектом создания прогнозов. Эта способность только укрепит роль ИИ как важного компонента успешной кампании прогнозной аналитики.

Как предприятиям интегрировать предиктивную аналитику?

Чтобы извлечь выгоду из потенциала искусственного интеллекта и прогнозной аналитики, организациям необходимо внедрить четыре элемента.

1. Правильные вопросы

Лучшие проекты прогнозной аналитики начинаются с обоснованной гипотезы, которую нужно проверить. Хотя мы должны предоставить алгоритмам машинного обучения место для создания их собственных объективных ассоциаций между точками данных, нам необходимо решить бизнес-задачу, которую мы стремимся решить. Это помогает придать форму усилиям.

2. Правильные данные

Достижения в области науки о данных за последнее десятилетие означают, что мы можем получать информацию из больших объемов неструктурированных данных с большей точностью, но нам по-прежнему нужны полные наборы данных, чтобы прийти к убедительным выводам.

Поэтому следующий этап после определения вопросов, на которые вы хотите ответить с помощью прогнозной аналитики, - это выяснение того, какие данные вам доступны и будет ли их достаточно, чтобы убедительно ответить на ваши вопросы.

3. Правильная технология

Как следует из прогнозируемой стоимости в 76 миллиардов долларов к 2020 году, технология больших данных является быстроразвивающейся отраслью. Данные создаются с такой скоростью, что нам требуются постоянно улучшающиеся технологические возможности только для их сбора, хранения и анализа.

Многие из ведущих пакетов программного обеспечения для аналитики уже запустили инструменты прогнозной аналитики, но их методологии различаются. Чтобы решить, какое решение лучше всего подходит для вашего бизнеса, как никогда важно иметь команду, которая имеет опыт работы с каждым и может определить наиболее подходящий вариант.

4. Нужные люди

По сути, это возвращает нас к первому шагу. Без правильных людей очень сложно задавать правильные вопросы. Также трудно понять, какие данные могут потребоваться для ответа на них или для получения максимальной отдачи от новейших технологий. Несмотря на все разговоры об искусственном интеллекте, заменяющем людей, он только заострил внимание на том, чтобы заставить нужных людей максимально использовать новые возможности, которые он создает.

Применение этой технологии уже широко распространено, но мы пока только начинаем понимать. В следующей статье этой серии мы рассмотрим пять компаний, которые сегодня используют предиктивную аналитику для повышения эффективности своего бизнеса.

Читайте во второй части серии: 5 компаний, использующих ИИ для предсказания будущего и получения прибыли