AI และการวิเคราะห์เชิงคาดการณ์: อนาคตจะเป็นอย่างไร

ความก้าวหน้าใน AI และการวิเคราะห์เชิงคาดการณ์จะขยายสาขาออกไปนอกเหนือจากความสามารถทางเทคโนโลยีของธุรกิจ องค์กรจะเผชิญกับความท้าทายใหม่ๆ ในแง่ของทักษะ การนำไปปฏิบัติ และอื่นๆ นักการตลาดจะเตรียมพร้อมสำหรับการเปลี่ยนแปลงได้อย่างไร?

ในชุดนี้ เราได้เห็นแล้วว่าความก้าวหน้าของวิวัฒนาการของอุตสาหกรรมการวิเคราะห์นำไปสู่การรวมปัญญาประดิษฐ์ (AI) เพื่อสร้างแบบจำลองการคาดการณ์ที่แม่นยำอย่างเป็นธรรมชาติได้อย่างไร

ในบทความแรก เราได้สำรวจศักยภาพของ AI และการวิเคราะห์เชิงคาดการณ์ว่าเป็นเครื่องมือทางการตลาด ซึ่งได้รับแรงหนุนจากการปรับปรุงทางเทคโนโลยีที่เปลี่ยนจากการทำงานอัตโนมัติที่อิงตามกฎไปเป็นแบบที่ใกล้เคียงกับความรู้สึก เราเห็นตัวอย่างนี้ทุกที่ ตั้งแต่แอปอย่าง Waze ของ Google ไปจนถึงการป้องกันการฉ้อโกงทางการเงิน และคำแนะนำเฉพาะบุคคลใน Amazon

บทความที่สองของซีรีส์นี้มีพื้นฐานมาจาก กรณีการใช้งานที่เป็นรูปธรรมสำหรับเทคโนโลยีนี้ โดยแสดงธุรกิจที่หลากหลายที่ใช้การเรียนรู้ของเครื่องและ AI เพื่อทำนายพฤติกรรมผู้บริโภคและสร้างผลลัพธ์ทางธุรกิจที่ดีขึ้น โอกาสเหล่านี้เปิดกว้างสำหรับทุกบริษัทในขณะนี้ แต่การคว้าโอกาสเหล่านี้ไว้เป็นงานที่ซับซ้อนกว่าการซื้อซอฟต์แวร์ใหม่บางตัว

บทความที่สามและเป็นบทความสุดท้ายของซีรีส์ของเราจะเน้นไปที่อนาคตของการวิเคราะห์เชิงคาดการณ์และความท้าทายที่อุตสาหกรรมต้องเผชิญ

ความท้าทายในการดำเนินการ

แม้ว่าอาจดูเหมือนหลีกเลี่ยงไม่ได้ที่เครื่องมือทางธุรกิจที่ทรงพลังดังกล่าวจะถูกนำมาใช้อย่างมากมาย แต่ความเป็นจริงก็มีความเหมาะสมยิ่งขึ้นกว่านั้น ผู้บริหารต้องการการตัดสินใจที่ชาญฉลาดและรวดเร็วยิ่งขึ้น แต่มีบางสิ่งที่ต้องใช้ลวดหนามสูงในการปรับสมดุลของข้อมูล ผู้คน และเทคโนโลยีเมื่อต้องเปลี่ยนโฉมธุรกิจให้เป็นรูปแบบการวิเคราะห์เชิงคาดการณ์ที่ขับเคลื่อนด้วย AI

การนำเทคโนโลยีนี้ไปใช้จำเป็นต้องมีการเปลี่ยนแปลงทางอุดมการณ์สำหรับธุรกิจ ไม่ใช่แค่การลงทุน และการฝึกอบรมพนักงานจากพื้นฐานในการวิเคราะห์ข้อมูลเป็นสิ่งจำเป็น

สิ่งนี้เกิดขึ้นในช่วงเวลาที่ความมั่นใจของผู้บริหารในความเชี่ยวชาญด้านดิจิทัลขององค์กรลดลง การ สำรวจ Digital IQ ล่าสุด จาก PwC แสดงให้เห็นว่าความเชื่อมั่นของผู้บริหารในความสามารถของทีมลดลง:

ระดับความเชี่ยวชาญไม่ตกหล่น อุตสาหกรรมเปลี่ยนแปลงอย่างรวดเร็วจนพนักงานไม่ตามทัน

ดังนั้น หากการวิเคราะห์เชิงคาดการณ์ที่ขับเคลื่อนด้วย AI คือการเข้ารับตำแหน่งศูนย์กลางในกล่องเครื่องมือของ CIO/CMO ก็จะต้องเอาชนะอุปสรรคสำคัญสองสามอย่าง

ภายในส่วนสุดท้ายของซีรีส์ของเราเกี่ยวกับการวิเคราะห์เชิงคาดการณ์ เราจะสรุปความท้าทายบางอย่างที่อุตสาหกรรมนี้ต้องเผชิญในอนาคต ก่อนที่จะหารือเกี่ยวกับโซลูชันที่ธุรกิจสามารถเริ่มดำเนินการได้ในวันนี้

คุณภาพของข้อมูล

ในการ สำรวจล่าสุด ของผู้บริหารระดับสูง โดย Protoviti ข้อมูลได้รับการจัดอันดับให้เป็นตัวยับยั้งที่ใหญ่ที่สุดของการนำการวิเคราะห์เชิงคาดการณ์มาใช้อย่างกว้างขวางภายในบริษัท คุณภาพเป็นหนึ่งในตัวดัดแปลงที่สำคัญที่สุดที่ใช้ในการเพิ่มความเฉพาะเจาะจงให้กับคำศัพท์ที่คลุมเครือเหมือนกับ 'ข้อมูล'

แม้แต่ 'คุณภาพ' ก็ต้องการคำจำกัดความเพิ่มเติมก่อนที่เราจะตัดสินใจได้ว่าจะจัดการกับความท้าทายที่ใหญ่โตเช่นนี้อย่างไร

ข้อมูลคุณภาพสูงจะสอดคล้องกันในรูปแบบ (แม้ในระดับที่มีนัยสำคัญ) ซึ่งสะท้อนถึงสถานการณ์ในโลกแห่งความเป็นจริงที่อธิบายไว้ และจะช่วยให้การวิจัยสามารถทำซ้ำได้อย่างน่าเชื่อถือ

เราสามารถยกตัวอย่างชุดข้อมูลของรถไฟออกเดินทางจากวอเตอร์ลูตั้งแต่ปี 2010-2014 ที่มีช่องว่างข้ามกรอบเวลาและใช้แบบแผนการตั้งชื่อที่ไม่สอดคล้องกัน มนุษย์ต่อสู้กับช่องว่างในชุดข้อมูลเช่นนี้ แต่เราสามารถปรับตัวและอาจถึงกับจัดหาข้อมูลจากที่อื่น ปัญญาประดิษฐ์ไม่สามารถทำงานกับข้อมูลที่ไม่สมบูรณ์เช่นนี้ได้ เนื่องจากสามารถทำงานได้เฉพาะกับข้อมูลที่ป้อนเข้าสู่ระบบเท่านั้น

เทคโนโลยี AI ที่ดีที่สุดในโลกสามารถใช้ข้อมูลที่เราให้มาเท่านั้น ดังนั้นจึงเป็นเรื่องสำคัญที่ธุรกิจต่างๆ จะต้องตระหนักถึงหลุมพรางที่อาจเกิดขึ้นเหล่านี้และรู้วิธีหลีกเลี่ยง โดยทั่วไปข้อมูลที่มากขึ้นหมายถึงผลลัพธ์ที่ดีขึ้นจากการวิเคราะห์เชิงคาดการณ์ที่ขับเคลื่อนด้วย AI แต่จำเป็นต้องเป็นข้อมูลที่ถูกต้องเพื่อตอบปัญหาทางธุรกิจที่คุณต้องการแก้ไข

การมีทีมที่เหมาะสมเป็นวิธีที่ดีในการเริ่มต้นเส้นทางนั้น

การสรรหาและฝึกอบรมทักษะที่เหมาะสม

เทคโนโลยีการวิเคราะห์เชิงคาดการณ์กำลังเติบโตอย่างซับซ้อน แต่ระดับความรู้ในอุตสาหกรรมไม่จำเป็นต้องก้าวหน้าไปพร้อมกัน

รายงานของ Capgemini พบว่า 77% ของบริษัทต่างๆ มองว่าการขาดทักษะที่เหมาะสมเป็นอุปสรรคสำคัญต่อการเปลี่ยนแปลงทางดิจิทัลที่ประสบความสำเร็จ:

รายงาน ClickZ เจาะลึกมากขึ้นเพื่อระบุด้านทักษะที่ต้องการมากที่สุด เมื่อเทียบกับระดับความซับซ้อนในปัจจุบันภายในองค์กร

ไม่น่าแปลกใจเลยที่การวิเคราะห์ได้รับการจัดอันดับให้เป็นทักษะที่สำคัญที่สุด เนื่องจากมีศักยภาพในการใช้งานในทุกฟังก์ชันทางการตลาด อาจเป็นเรื่องที่น่าประหลาดใจกว่าเล็กน้อยที่มองว่าการวิเคราะห์เป็นพื้นที่ที่มีช่องว่างทักษะที่ใหญ่ที่สุด

ที่มา: ClickZ

การวิเคราะห์ครอบคลุมเทคนิคและประเภทของการตรวจสอบข้อมูลที่หลากหลาย งานวิเคราะห์ส่วนใหญ่ที่ดำเนินการในวันนี้อยู่ภายใต้ร่มเงาของคำอธิบาย (เกิดอะไรขึ้น) หรือเชิงสำรวจ (เหตุใดจึงเกิดขึ้น)

แม้ว่าระดับทักษะที่จำเป็นในการใช้งานเทคโนโลยีที่อยู่เบื้องหลังระบบวิเคราะห์เชิงคาดการณ์ในอนาคตจะลดลงเมื่อเวลาผ่านไป ธุรกิจยังคงต้องแน่ใจว่าพนักงานของตนมีความรู้โดยละเอียดเกี่ยวกับการวิเคราะห์ข้อมูลก่อนที่จะลงทุนในระบบปัญญาประดิษฐ์ใหม่ที่น่าตื่นเต้น

โชคดีที่มีทรัพยากรและคุณสมบัติมากมายที่จะช่วยในการฝึกอบรมนี้ ตราบใดที่ธุรกิจยินดีลงทุน ทั้งทฤษฎีและการปฏิบัติควรถือเป็นองค์ประกอบพื้นฐานของการฝึกอบรมนี้

ใน Analytics: วิธีที่จะชนะกับหน่วยสืบราชการลับผู้เขียนวางตัวว่าการวิเคราะห์ศูนย์ความเป็นเลิศควรจะเกิดขึ้นใน บริษัท ขนาดใหญ่ที่มีการรายงานหัวหน้าแผนกไป CTO:

จุดมุ่งหมายของแนวทางนี้คือเพื่อให้การวิเคราะห์มีพื้นฐานที่ชัดเจน ซึ่งผู้เชี่ยวชาญสามารถสอนผู้อื่นภายในองค์กรได้

อย่างไรก็ตามเราสามารถมองสิ่งนี้จากมุมมองอื่นได้ ไม่ใช่ทุกคนในทีมการตลาดที่จำเป็นต้องรู้การทำงานภายในของแพลตฟอร์มการวิเคราะห์เพื่อที่จะได้รับประโยชน์จากมัน สิ่งนี้เป็นจริงมากขึ้นเรื่อย ๆ เนื่องจากแพลตฟอร์มเหล่านี้ขึ้นอยู่กับการเรียนรู้ของเครื่องเพื่อสร้างแบบจำลองการคาดการณ์

โดยไม่คำนึงถึง: ฐาน ความรู้ที่กว้างขวาง ยังคงเป็นสิ่งจำเป็น หากไม่มีความสามารถในการถามคำถามที่ถูกต้องหรือรู้ว่าเทคโนโลยีมีความสามารถอะไร (และอะไรที่ไม่สามารถทำได้) ผลลัพธ์จะไม่เหมาะสมกับวัตถุประสงค์

ดังนั้นจึงมี โรงเรียนแห่งความคิด ที่ เพิ่มขึ้น ว่าภูมิหลังด้านศิลปศาสตร์จะเป็นส่วนประกอบที่สำคัญมากขึ้นสำหรับนักสถิติและวิศวกร ความสามารถในการตั้งคำถามที่ถูกต้องเป็นกรอบสำหรับสมมติฐาน จากนั้นจึงตรวจสอบข้อค้นพบนั้นมีความสำคัญ เช่นเดียวกับทักษะที่นุ่มนวลที่จำเป็นในการนำเสนอต่อผู้มีส่วนได้ส่วนเสียอาวุโส

โดยพื้นฐานแล้ว ต้องใช้หมู่บ้านในการวิเคราะห์ในปัจจุบัน แต่การตรวจสอบคุณภาพของข้อมูลนั้นเหมาะสมกับวัตถุประสงค์ และการที่คุณมีชุดทักษะที่สมดุลในทีมวิเคราะห์ของคุณถือเป็นการเริ่มต้นที่ดี

การจัดการข้อมูล

ไม่มีการขาดแคลนข้อมูลในยุคปัจจุบัน และปริมาณจะเพิ่มขึ้นก็ต่อเมื่ออุปกรณ์ Internet of Things (IoT) ยังคงเดินหน้าเข้าสู่บ้านเรือนทั่วโลก

ทุกบริษัทมีแหล่งข้อมูลที่เป็นกรรมสิทธิ์และข้อมูลของบุคคลที่สามที่อาจทำกำไรได้เพียงปลายนิ้วสัมผัส โซลูชันบนคลาวด์ซึ่งสามารถจัดเก็บข้อมูลจากระยะไกลได้ในปริมาณมาก เป็นวิธีที่จะตอบคำถามว่าควรเก็บข้อมูลไว้ที่ใด

อย่างไรก็ตาม แม้ว่าธุรกิจจะใช้คลังข้อมูลอย่าง Hadoop ข้อมูลยังคงต้องถูกถ่ายโอนไปยังแพลตฟอร์มการวิเคราะห์และแปลงเป็นข้อมูลเชิงลึกผ่านแบบจำลองทางสถิติ

คำถามที่ว่าจะทำให้แน่ใจว่าแพลตฟอร์มการวิเคราะห์และระบบ AI นั้นสอดคล้องกันได้อย่างไรยังคงเป็นปริศนาสำหรับธุรกิจจำนวนมาก

มีความท้าทายอื่น ๆ เกี่ยวกับการจัดการข้อมูลเช่นกัน ตั้งแต่การขุดข้อมูลไปจนถึงการจัดเก็บข้อมูล และในท้ายที่สุด ไปจนถึงการเปลี่ยนข้อมูลให้เป็นข้อมูลเชิงลึกที่มีประโยชน์

กระดาษปี 2013 โดยนักวิทยาศาสตร์จากมหาวิทยาลัยจอร์จ วอชิงตันและมหาวิทยาลัยอเมริกัน ชื่อ Big Data: Issues and Challenges Moving Forward สรุปประเด็นที่อาจเป็นไปได้เหล่านี้:

ด้วยการเปิดตัว ข้อบังคับ GDPR ของสหภาพยุโรปที่ กำลังจะมีขึ้น คำถามเหล่านี้มีความสำคัญมากกว่าที่เคยเป็นมา เป็นความรับผิดชอบของธุรกิจที่จะต้องตรวจสอบให้แน่ใจว่าข้อมูลทั้งหมดเป็นไปตามกฎหมายท้องถิ่นและต้องกำจัดข้อมูลที่ไม่ปฏิบัติตามอย่างปลอดภัย

หากสิ่งหนึ่งที่แน่นอน เราไม่สามารถปล่อยให้ AI ทำการโทรเหล่านี้ได้ โมเดลการคาดการณ์ของ AI จะประเมินข้อมูลในอดีตใดๆ ก็ตามที่ถูกนำเสนอต่อพวกเขา และหากบริษัทสังเกตเห็นในภายหลังว่าข้อมูลที่ไม่ถูกต้องถูกป้อนเข้าสู่แพลตฟอร์มการวิเคราะห์ AI ของพวกเขา ข้อสรุปใดๆ ที่ได้รับจะต้องถือว่าไม่ถูกต้อง

การย้อนขั้นตอนของการคำนวณที่ซับซ้อนและการดีบักตัวแปรที่ไม่ต้องการจะพิสูจน์ได้ว่าเป็นไปไม่ได้ ด้วยเหตุนี้ ธุรกิจใดๆ ที่วางแผนจะป้อนข้อมูลขนาดใหญ่ลงในแบบจำลองการคาดการณ์ที่ใช้ AI ควรระมัดระวังกับแหล่งข้อมูลของตน

ภาพ: Wikimedia

ความรับผิดชอบ

หมวดหมู่นี้ทำหน้าที่เป็นคำศัพท์ในร่มสำหรับผู้เยาว์ที่หลากหลาย แต่ยังมีความสำคัญอยู่

AI และการวิเคราะห์เชิงคาดการณ์ได้กำหนดไว้อย่างชัดเจนและมีบทบาทสำคัญในอุตสาหกรรมต่างๆ เช่น การดูแลสุขภาพ 80% ของผู้นำโรงพยาบาลมองว่าสาขานี้ "สำคัญ" และเข้าใจได้ง่ายว่าทำไม เครื่องมือใดๆ ก็ตามที่สามารถระบุรูปแบบทางประวัติศาสตร์ที่เกี่ยวข้องกับโรคต่างๆ และทำนายพฤติกรรมในอนาคตของพวกมันได้ จะได้รับการพิสูจน์ว่ามีคุณค่าในด้านนี้

กรณีนี้ไม่ชัดเจนนักเมื่อนำไปใช้กับการตลาด เราทุกคนสามารถได้รับประโยชน์จากการคาดการณ์ที่แม่นยำโดยอิงจากอดีตอย่างไม่ต้องสงสัย ที่นำไปใช้กับทุกสังคมในความเป็นจริง

อย่างไรก็ตาม มีข้อโต้แย้งว่าการสร้างแบบจำลองการคาดการณ์มีข้อจำกัดบางอย่างในอุตสาหกรรมที่เติบโตจากแนวคิดใหม่ๆ สิ่งล่อใจกับระบบ AI ที่ซับซ้อนและแบบจำลองการคาดการณ์คือการยอมจำนนต่อการควบคุมและยึดมั่นในสิ่งที่เรารู้ว่าจะทำให้เกิดการเติบโตอย่างต่อเนื่อง

นอกจากนี้ การวิเคราะห์เชิงคาดการณ์อาจกลายเป็นคำทำนายที่เติมเต็มตนเองได้ เราเห็นว่าข้อความ ผลิตภัณฑ์ หรือกลุ่มผู้ชมบางกลุ่มคาดว่าจะแปลงในอัตราที่สูงขึ้น ดังนั้นเราจึงเปลี่ยนงบประมาณเพื่อใช้ประโยชน์จากสิ่งนี้ ถ้าคำทำนายผ่านไป เป็นเพราะคำทำนายแม่น หรือเพราะเราทำเพื่อให้แม่น?

สุดท้ายนี้ เราควรพิจารณาถึงบทบาทของความคิดสร้างสรรค์ของมนุษย์ในกระบวนการนี้ ดังที่เราได้พูดคุยกันในบทความของเราเกี่ยวกับการสร้างเนื้อหาที่ขับเคลื่อนด้วย AI ความสามารถของมนุษย์ในการคิดค้นและคิดค้นโซลูชันที่สร้างสรรค์ใหม่ๆ คือสิ่งที่ AI ยังไม่สามารถเชี่ยวชาญได้ ด้วยเหตุนี้ เราจึงจำเป็นต้องใช้เทคโนโลยีเพื่อทำให้ทีมของเรามีอิสระมากขึ้น เพื่อให้ได้ประโยชน์สูงสุดจากความสามารถของพวกเขาในการวางกลยุทธ์ในระยะยาว

เช่นเดียวกับเทคโนโลยี AI ปัจจัยที่สำคัญที่สุดประการหนึ่งสำหรับความสำเร็จคือบทบาทที่ผู้คนจะเล่นเพื่อให้ได้ประโยชน์สูงสุดจากเครื่องมือที่มีอยู่ เมื่อพิจารณาถึงการวิเคราะห์เชิงคาดการณ์โดยเฉพาะ นี่หมายถึงการสร้างความสมดุลระหว่างข้อมูลคุณภาพ เทคโนโลยีที่ดีที่สุด และผู้ที่มีความสามารถในการทราบข้อจำกัดของเทคโนโลยี

นี่เป็นการสรุปซีรีส์สามส่วนของเราเกี่ยวกับ AI และการวิเคราะห์เชิงคาดการณ์ หากคุณพลาดสองงวดก่อนหน้านี้ ให้ไปที่ลิงก์ด้านล่างเพื่อสรุป:

• AI จะทำให้นักการตลาดทำนายอนาคตได้อย่างไร?
• 5 ธุรกิจที่ใช้ AI ทำนายอนาคตและผลกำไร