5 ธุรกิจที่ใช้ AI ทำนายอนาคตและผลกำไร

ในงวดแรกของซีรีส์นี้เกี่ยวกับการวิเคราะห์เชิงคาดการณ์โดยใช้ AI เราได้สำรวจการทำงานของเทคโนโลยีนี้ พร้อมด้วยศักยภาพในการสร้างกลยุทธ์ทางธุรกิจที่มีประสิทธิภาพมากขึ้น

การวิเคราะห์เชิงคาดการณ์สามารถกำหนดเป็นรูปแบบหนึ่งของการทำเหมืองข้อมูลที่ใช้การสร้างแบบจำลองทางสถิติเพื่อวิเคราะห์รูปแบบในอดีต แล้วใช้แบบจำลองเหล่านี้เพื่อคาดการณ์ผลลัพธ์ในอนาคต การปรับใช้ปัญญาประดิษฐ์ช่วยให้เทคโนโลยีการวิเคราะห์ระบุความสัมพันธ์ระหว่างตัวแปรที่มนุษย์ไม่สามารถมองเห็นได้

ในบทความนี้ เราต้องการทำให้ทฤษฎีนั้นเป็นจริงด้วยกรณีการใช้งานการวิเคราะห์เชิงคาดการณ์ห้ากรณี

มีเรื่องราวที่น่าเป็นข่าวในสาขานี้ โดยเฉพาะอย่างยิ่งหัวข้อ "เป้าหมายรู้เมื่อคุณกำลังตั้งครรภ์" ที่ได้รับความสนใจอย่างมากเมื่อไม่กี่ปีที่ผ่านมา

สิ่งต่าง ๆ ได้พัฒนาไปไม่น้อยตั้งแต่นั้นมา วิวัฒนาการของแพลตฟอร์มการวิเคราะห์ที่เข้าถึงได้อย่างกว้างขวางและเข้าถึงได้ทำให้เข้าถึงโมเดลทางสถิติที่ซับซ้อนสำหรับบริษัททุกขนาด นอกเหนือจากคำทำนายการตั้งครรภ์ที่น่าขนลุกเล็กน้อยแล้ว ธุรกิจขนาดเล็กและขนาดใหญ่มักใช้ข้อมูลขนาดใหญ่เพื่อปรับปรุงการทำงานในแต่ละวัน

ด้วยการกำหนดปัญหาที่พวกเขาต้องการแก้ไข การจัดหาข้อมูลที่ถูกต้อง การว่าจ้างผู้ที่มีทักษะในการทำความเข้าใจข้อมูล และเพิ่มขีดความสามารถด้วยเทคโนโลยีที่เหมาะสม ธุรกิจใดๆ สามารถเริ่มต้นด้วยสาขาการวิเคราะห์เชิงคาดการณ์ที่ทำกำไรได้ในปัจจุบัน

มีผู้เข้าแข่งขันจำนวนมากเกินกว่าจะพิจารณาทุกตัวอย่างภายในขอบเขตของบทความเดียว ดังนั้นเราจึงพยายามให้ตัวอย่างที่เป็นตัวแทนของการวิเคราะห์ที่อิงตาม AI ที่มีประสิทธิภาพในกรณีศึกษาที่หลากหลาย

1. การเพิ่มประสิทธิภาพซัพพลายเชน: Walmart

เราเริ่มต้นด้วยตัวอย่างรุ่นหนา แต่เป็นแรงบันดาลใจให้กับผู้ค้าปลีกทุกราย

ในขณะที่ผู้ค้าปลีก 'ดั้งเดิม' อื่น ๆ จำนวนมากกำลังดิ้นรน Walmart ได้โพสต์ตัวเลขการเติบโตในช่วง 11 ไตรมาสติดต่อกัน โดยเฉพาะอย่างยิ่งสิ่งนี้ได้รับแรงหนุนจากยอดขายออนไลน์ที่เพิ่มขึ้น 63% เมื่อเทียบเป็นรายปี

Walmart ได้รับการยกย่องอย่างมากจากความเต็มใจที่จะปรับตัวในยุคดิจิทัล และกำลังเดิมพันความสามารถในการเชื่อมโยงโลกออนไลน์และออฟไลน์เพื่อแข่งขันกับ Amazon

ปัญญาประดิษฐ์และการวิเคราะห์เชิงคาดการณ์คือหัวใจสำคัญของการขับเคลื่อนนี้ Walmart ใช้ข้อมูลจากระบบ ณ จุดขายทันที และรวมข้อมูลนี้ไว้ในการคาดการณ์เพื่อประเมินว่าผลิตภัณฑ์ใดมีแนวโน้มที่จะขายหมดและรายการใดมีประสิทธิภาพต่ำกว่า

เมื่อรวมกับรูปแบบพฤติกรรมออนไลน์ ข้อมูลนี้จะมีจุดข้อมูลจำนวนมาก (มากกว่า 40 เพตาไบต์) เพื่อช่วย Walmart เตรียมพร้อมสำหรับความต้องการผลิตภัณฑ์ที่เพิ่มขึ้นหรือลดลง

ภาพถ่ายโดย chuttersnap บน Unsplash

ข้อมูลได้รับการจัดการในระบบคลาวด์ผ่าน "Data Cafe" ของ Walmart ซึ่งดูแลโดยทีมงาน Walmart Labs ใน Silicon Valley เป็นการดำเนินการขนาดใหญ่ที่ซับซ้อนโดยสอดคล้องกับจำนวนตัวแปรที่จำเป็นสำหรับธุรกิจขนาดนี้ ในการประมาณการที่แม่นยำจากข้อมูลที่เชื่อถือได้

อย่างไรก็ตาม ธุรกิจขนาดเล็กก็สามารถแสวงหาประโยชน์ที่จะได้รับเช่นกัน

ตัวอย่างเช่น การใช้ AI และการวิเคราะห์เชิงคาดการณ์ของ Walmart นั้นประเมินค่าไม่ได้สำหรับการจัดการสินค้าคงคลัง เนื่องจากผู้จัดการสามารถสต็อกสินค้าได้อย่างเหมาะสมโดยไม่ต้องเสี่ยงที่จะต้องทำการปรับค่าใช้จ่ายในนาทีสุดท้ายที่มีราคาแพงเพื่ออุดช่องว่างเมื่อความต้องการมีมากกว่าอุปทาน

การคาดการณ์เหล่านี้ยังช่วยให้ Walmart ปรับแต่งการแสดงตนทางออนไลน์ได้ โดยแสดงผลิตภัณฑ์ให้กับลูกค้าเฉพาะตามแนวโน้มที่จะซื้อ

ระเบียบวินัยและความเข้มงวดของแนวทางนี้หมายความว่า Walmart สามารถปฏิบัติตามวันส่งมอบที่เข้มงวดได้ เนื่องจากแต่ละขั้นตอนของห่วงโซ่อุปทานได้รับการปรับให้เหมาะสมผ่านการใช้การวิเคราะห์เชิงคาดการณ์ พื้นที่ทั้งหมดเหล่านี้สามารถปรับปรุงได้โดยธุรกิจใดๆ ก็ตามผ่านเทคโนโลยีที่สามารถเข้าถึงได้จาก Google และ Adobe

นอกจากนี้ Walmart ยังเสนอสิ่งจูงใจให้กับลูกค้าในรูปแบบของการลดราคาหรือสิทธิพิเศษในการต่อคิวหากพวกเขารวบรวมสินค้าที่ซื้อจากหน้าร้านจริง การวิเคราะห์ด้วย AI มีประโยชน์มากมายต่อธุรกิจ การแข่งขันกับ Amazon ในเรื่องต้นทุนการจัดส่งยังคงเป็นงานที่ยาก

2. การคาดการณ์แนวโน้มราคา: Hopper

อุตสาหกรรมการท่องเที่ยวมีชื่อเสียงด้านการแข่งขัน โดยมีความต้องการสูงสุดและช่วงต่ำสุดที่ผันผวน และเส้นทางที่มีอัตรากำไรต่ำจำนวนมาก การทำเช่นนี้อาจทำให้นักเดินทางมืดมนและไม่แน่ใจว่าควรจองเวลาใดดีที่สุด บางครั้งการจองล่วงหน้าอาจดีกว่า บางครั้งควรรอจนกว่าจะใกล้ถึงวันเดินทางมากขึ้น

สิ่งนี้ทำให้เป็นสนามที่สุกงอมสำหรับพลังของการวิเคราะห์เชิงคาดการณ์ที่ขับเคลื่อนด้วย AI ซึ่งเป็นข้อเท็จจริงที่ได้เห็นแอปการเดินทาง Hopper ได้รับความนิยมอย่างมากตั้งแต่ปี 2558

Hopper นำหน้าหนึ่งก้าวด้วยการคาดการณ์รูปแบบราคาในอนาคตและแจ้งเตือนผู้เดินทางในช่วงเวลาที่ถูกที่สุดเพื่อซื้อตั๋วเครื่องบินไปยังจุดหมายปลายทางที่ต้องการ

ซึ่งทำได้โดยดูราคาหลายพันล้านรายการทุกวัน และจากข้อมูลในอดีตของแต่ละเส้นทาง คาดการณ์ว่าแนวโน้มจะพัฒนาอย่างไร จากนั้นผู้ใช้สามารถตั้งค่าการแจ้งเตือนเพื่อเตือนให้จองเมื่อราคาลดลง

แม้ว่าจะไม่ใช่บริษัทเดียวที่ให้บริการนี้ แต่ Hopper รายงานอัตราความถูกต้อง 95% พร้อมการคาดการณ์และอ้างว่าช่วยลูกค้าได้โดยเฉลี่ยมากกว่า 50 ดอลลาร์ต่อเที่ยวบิน

ภาพหน้าจอด้านล่างแสดงให้เห็นว่ากระบวนการนี้ทำงานอย่างไร ฉันเลือกเส้นทางบินจากนิวยอร์กไปโฮโนลูลูพร้อมกับกระต่ายสวมแว่นน่ารักน่ากอดสำหรับวันหยุดพักผ่อนอันแสนคุ้มค่านั้น

ตามวันที่ฉันเลือก กระต่ายเจ้ากี้เจ้าการอย่างน่าประหลาดใจบอกให้จองตอนนี้ เนื่องจากตั๋วสำหรับเส้นทางนี้จะแพงขึ้นเรื่อยๆ เมื่อเวลาผ่านไป

Hopper เป็นตัวอย่างที่ดีของธุรกิจที่นำการเรียนรู้ของเครื่องและการวิเคราะห์เชิงคาดการณ์มาเป็นหลักการสำคัญของกลยุทธ์ทางธุรกิจ หากไม่มีการวิเคราะห์เชิงคาดการณ์ ก็จะไม่มีสิ่งที่กระโดด

อย่างไรก็ตาม แบบจำลองทางสถิติที่ใช้เพื่อสร้างผลลัพธ์ที่ยอดเยี่ยมดังกล่าวถือเป็นบทเรียนสำหรับธุรกิจทั้งหมด ความสำเร็จของ Hopper มาจากความน่าเชื่อถือในฐานะแพลตฟอร์มคำแนะนำผู้บริโภคที่เป็นกลาง ด้วยเหตุนี้ บริษัทอื่นๆ จำนวนมากจึงสามารถรับบทบาทนี้ได้โดยการใช้สถิติเพื่อให้การคาดการณ์ที่เป็นประโยชน์สูงสุดของลูกค้า มากกว่าแค่ผลกำไรของบริษัทเอง

3. การเติบโตของธุรกิจขนาดเล็ก: สวนสัตว์และพิพิธภัณฑ์สัตว์น้ำ Point Defiance

การสำรวจโดย SAP เมื่อปลายปี 2559 พบว่ากว่า 70% ของผู้นำธุรกิจขนาดเล็กรู้สึกว่าพวกเขายังอยู่ในช่วง "เริ่มต้น" เท่านั้นในการรับข้อมูลเชิงลึกจากข้อมูลของตน

สวนสัตว์แห่งหนึ่งในเมืองทาโคมา รัฐวอชิงตัน ยอมรับแนวโน้มดังกล่าวด้วยการร่วมมือกับ National Weather Service เพื่อระบุปัจจัยที่ทำให้จำนวนผู้เข้าร่วมเพิ่มขึ้นและลดลงอย่างคาดไม่ถึง สิ่งนี้สร้างปัญหาให้กับฝ่ายบริหาร ซึ่งมักจะเป็นเจ้าหน้าที่ของอุทยานเพื่อรองรับผู้ชมจำนวนมาก แต่มักจะจบลงด้วยการจ่ายเงินเดือนเกินความจำเป็นเนื่องจากการเข้าร่วมที่ล้นหลาม

ตามสัญชาตญาณ เราสามารถสรุปได้ว่าการเข้างานจะสูงขึ้นในวันที่อากาศอบอุ่นและแห้ง แต่จะลดลงเมื่ออากาศเย็นหรือเปียก อย่างไรก็ตาม ด้วยการรวมข้อมูลของ National Weather Service เข้ากับแพลตฟอร์ม Watson ที่ขับเคลื่อนโดย AI ของ IBM สวนสัตว์จึงสามารถระบุได้อย่างแม่นยำว่าสภาวะใดที่ทำให้มีคนมาเยี่ยมชมมากขึ้น

จากนั้นจึงนำความรู้นี้ไปใช้ในการสร้างแบบจำลองรูปแบบผู้เข้าชมในอนาคต โดยใช้ตัวเลขผู้เข้าร่วมในอดีตและสถิติสภาพอากาศที่คาดการณ์ไว้

โปรเจ็กต์นี้ประสบความสำเร็จอย่างมากและตอนนี้ได้กลายเป็นส่วนสำคัญของการวางแผนธุรกิจของสวนสัตว์ Point Defiance สามารถทำนายตัวเลขการเข้าร่วมได้อย่างแม่นยำมากกว่า 95% ทำให้ผู้จัดการสามารถจัดเจ้าหน้าที่ของอุทยานได้อย่างเหมาะสม สิ่งนี้ไม่มีผลกระทบในทางลบต่อประสบการณ์ของผู้มาเยือนอุทยาน (อาจตรงกันข้าม) และสร้างประสิทธิภาพทางธุรกิจที่สำคัญบางประการ

การประยุกต์ใช้วิธีการนี้เข้าถึงได้กว้างกว่าตัวเลขผู้เข้าร่วมแน่นอน Port Defiance สามารถตรวจสอบวิธีที่ผู้เข้าชมโต้ตอบกับสวนสัตว์ได้ ช่วยให้ลูกค้าได้รับประสบการณ์ที่ดีขึ้น นอกจากนี้ยังมีแผนเพื่อใช้การวิเคราะห์เชิงคาดการณ์ที่ขับเคลื่อนด้วย AI เพื่อตรวจสอบข้อมูลด้านสุขภาพและวินิจฉัยปัญหากับสัตว์ในอุทยานเพื่อให้การรักษาล่วงหน้า

4. การรักษาพนักงาน: IBM

แรงดึงดูดพื้นฐานของการวิเคราะห์เชิงคาดการณ์คือศักยภาพในการส่งมอบผลลัพธ์ที่ดีขึ้นตามเป้าหมายขององค์กร สิ่งเหล่านี้มักจะอิงผลกำไรอย่างเปิดเผย แต่การวิเคราะห์เชิงคาดการณ์ยังสามารถช่วยระบุปัญหาการรักษาพนักงานและแนะนำวิธีแก้ไข

โดยการอัปโหลดไฟล์ข้อมูลที่มีโครงสร้าง (ดังในภาพหน้าจอด้านล่าง) วัตสันสามารถระบุปัจจัยร่วมที่ทำให้เกิดการลาออกของพนักงานได้ สิ่งนี้จะดึงเข้าสู่การสร้าง 'คะแนนคุณภาพ' สำหรับพนักงานแต่ละคน โดยพิจารณาจากแนวโน้มที่จะลาออกจากบริษัทในไม่ช้านี้

ที่ที่สิ่งนี้เข้ามาในตัวของมันเองก็คือความสามารถในการตอบสนองต่อคำขอภาษาธรรมชาติจากผู้ใช้ ในลักษณะเดียวกันกับคุณลักษณะ Analytics ใหม่ของ Google ซึ่งจะดึงข้อมูลเพื่อตอบคำถามของผู้ใช้ Watson สามารถตอบคำถามเฉพาะและสร้างภาพข้อมูลตามความต้องการของผู้ใช้

นี่เป็นตัวอย่างที่ยอดเยี่ยมของแพลตฟอร์มที่เปลี่ยนแปลงอย่างรวดเร็วจากการวิเคราะห์เชิงสำรวจและการวินิจฉัย ไปสู่ขอบเขตของการวิเคราะห์เชิงคาดการณ์ เจ้าของธุรกิจหรือผู้จัดการสามารถใช้เครื่องมือเหล่านี้เพื่อระบุสาเหตุที่ทำให้พนักงานต้องออกจากงานอย่างแม่นยำ แต่ยังสามารถเห็นสิ่งที่อยู่เบื้องหลังปัจจัยเหล่านั้นและกำหนดมาตรการป้องกันเพื่อเอาใจการลาออกที่อาจเกิดขึ้น เมื่อพิจารณาถึงต้นทุนในการสรรหาพนักงานใหม่เทียบกับการรักษาผู้ปฏิบัติงานที่มีประสิทธิภาพสูงในปัจจุบัน สิ่งนี้นำไปสู่ต้นทุนการดำเนินงานที่ลดลงโดยตรง

5. ส่วนขยายผู้ชม: Under Armour

การขยายกลุ่มเป้าหมายเป็นอีกด้านของการตลาดที่ได้รับประโยชน์อย่างมากจากการใช้ AI และการวิเคราะห์เชิงคาดการณ์ ด้วยการทำความเข้าใจลักษณะเชิงปริมาณของลูกค้าที่มีมูลค่าสูงที่มีอยู่ เป็นไปได้ที่จะระบุบุคคลที่คล้ายกันและกำหนดเป้าหมายพวกเขาด้วยการส่งข้อความส่วนตัวที่น่าจะถูกใจ

การรู้ว่าจะใช้งบประมาณการโฆษณาของคุณไปที่ใดเป็นสิ่งสำคัญ แต่การรู้ว่าจะไม่ใช้จ่ายไปที่ใด การวิเคราะห์เชิงคาดการณ์ช่วยให้บริษัทต่างๆ อย่าง Under Armour มุ่งเน้นในเรื่องที่จะให้ผลตอบแทนสูงสุด และนำงบประมาณไปลงทุนใหม่ที่อาจถูกใช้ไปอย่างไม่ถูกต้อง

ปัญญาประดิษฐ์ถูกใช้โดย Under Armour เพื่อทำงานต่างๆ เช่น การวิเคราะห์ความรู้สึกและการฟังทางสังคม เพื่อทำความเข้าใจว่าลูกค้าคิดอย่างไรกับแบรนด์ และช่องว่างในตลาดอยู่ที่ใด สิ่งนี้ทำให้บริษัทมุ่งความสนใจไปที่การเป็นแบรนด์ฟิตเนสดิจิทัล ซึ่งเป็นความคิดริเริ่มที่เห็นว่าแบรนด์ดังกล่าวได้สร้างช่องใหม่ในตลาดที่อิ่มตัว

Under Armour ผลิตผลิตภัณฑ์ฟิตเนส แต่ยังรวมถึงแอพและอุปกรณ์สวมใส่เพื่อเชื่อมโยงโลกออฟไลน์และดิจิทัลเข้าด้วยกัน ยิ่งมีคนใช้ผลิตภัณฑ์มากเท่าไหร่ Under Armour ก็สามารถรวบรวมข้อมูลได้มากขึ้นเพื่อปรับปรุงข้อเสนอ และด้วยจำนวนผู้ใช้ที่ลงทะเบียนมากกว่า 200 ล้านคนและการโต้ตอบทางดิจิทัลมากกว่า 10 พันล้านครั้งต่อปี จึงไม่มีปัญหาการขาดแคลนข้อมูล

อ่านตอนสุดท้ายในซีรีส์นี้: AI และการวิเคราะห์เชิงคาดการณ์: อนาคตจะเป็นอย่างไร