Geleceği tahmin etmek ve kâr etmek için AI kullanan 5 işletme

Yapay zeka tabanlı tahmine dayalı analitik üzerine bu dizinin ilk bölümünde, bu teknolojinin işlevselliğini ve daha etkili iş stratejileri oluşturma potansiyelini araştırdık.

Tahmine dayalı analitik, tarihsel kalıpları analiz etmek için istatistiksel modellemeyi kullanan ve daha sonra bu modelleri gelecekteki sonuçları yansıtmak için kullanan bir veri madenciliği biçimi olarak tanımlanabilir. Yapay zekanın konuşlandırılması, analitik teknolojilerinin, insanların basitçe göremediği değişkenler arasındaki ilişkileri tespit etmesine olanak tanır.

Bu makalede, beş tahmine dayalı analitik kullanım örneğiyle bu teoriyi hayata geçirmek istiyoruz.

Bu alanda bazı haber değeri taşıyan hikayeler var, özellikle de birkaç yıl önce çok dikkat çeken “Hedef Hamile Olduğunuzu Biliyor” manşetleri.

O zamandan beri işler biraz gelişti. Yaygın olarak bulunan ve erişilebilir analitik platformlarının gelişimi, her büyüklükteki şirket için karmaşık istatistiksel modellere erişim sağlamıştır. Biraz ürkütücü hamilelik tahminlerinin abartılmasının ötesinde, büyük veriler daha tipik olarak küçük ve büyük işletmeler tarafından günlük işlevlerini iyileştirmek için kullanılır.

Çözmek istedikleri sorunları tanımlayarak, doğru verileri temin ederek, verileri anlamlandırma becerisine sahip kişileri işe alarak ve onları uygun teknolojiyle güçlendirerek, herhangi bir işletme bugün kârlı tahmine dayalı analitik alanına başlayabilir.

Her örneği tek bir makale kapsamında ele almak için çok fazla yarışmacı var, bu nedenle geniş bir vaka çalışmaları yelpazesinde etkili AI tabanlı analitiklerin temsili bir örneğini sunmaya çalıştık.

1. Tedarik zinciri optimizasyonu: Walmart

Ağır bir örnekle başlıyoruz, ancak tüm perakendeciler için ilham kaynağı olan bir örnek.

Diğer pek çok 'eski' perakendeci mücadele ederken, Walmart son 11 çeyrekte büyüme rakamları bildirdi. Özellikle, bu, çevrimiçi satışlardaki yıllık %63'lük bir artıştan kaynaklandı.

Walmart, dijital çağa uyum sağlama konusundaki istekliliği nedeniyle büyük beğeni topladı ve Amazon ile rekabet edebilmek için çevrimiçi ve çevrimdışı dünyaları birbirine bağlama yeteneğine güveniyor.

Yapay zeka ve tahmine dayalı analitik, bu sürücünün merkezinde yer alıyor. Walmart, satış noktası sistemlerinden anında veri alır ve hangi ürünlerin satılma olasılığının yüksek olduğunu ve hangilerinin düşük performans gösterdiğini değerlendirmek için bunu tahminlerine dahil eder.

Çevrimiçi davranış kalıplarıyla birleştiğinde bu, Walmart'ın ürün talebindeki artışa veya düşüşe hazırlanmasına yardımcı olmak için büyük miktarda veri noktası (40 petabayttan fazla) sağlar.

Unsplash'ta chuttersnap'in fotoğrafı

Veriler, Walmart'ın Silikon Vadisi'ndeki Walmart Labs ekibi tarafından yönetilen “Data Cafe” aracılığıyla bulutta yönetilir. Bu büyüklükteki bir işletmenin güvenilir verilerden doğru tahminler yapması için gereken değişken sayısıyla uyumlu, karmaşık, büyük ölçekli bir işlemdir.

Bununla birlikte, getirdiği faydalar küçük işletmeler tarafından da aranabilir.

Örneğin, Walmart'ın yapay zeka ve tahmine dayalı analitik kullanımı envanter yönetimi için paha biçilmezdir, çünkü yöneticiler talep arzı aştığında boşlukları kapatmak için pahalı son dakika ayarlamaları yapmak zorunda kalma riskini üstlenmeden uygun şekilde stok yapabilir.

Bu tahminler ayrıca Walmart'ın çevrimiçi varlığını kişiselleştirmesine, ürünleri belirli müşterilere, tahmin edilen satın alma olasılıklarına göre sergilemesine olanak tanır.

Bu yaklaşımın getirdiği disiplin ve titizlik, Walmart'ın tedarik zincirinin her adımı tahmine dayalı analitik kullanılarak optimize edildiğinden katı teslimat tarihlerine bağlı kalabileceği anlamına gelir. Bu alanların tümü, Google ve Adobe gibi erişilebilir teknolojilerle herhangi bir işletme tarafından geliştirilebilir.

Walmart ayrıca, satın alımlarını fiziksel bir mağazadan almaları durumunda müşterilere fiyat indirimleri veya sıraya atlama ayrıcalıkları şeklinde teşvikler de sunuyor. Yapay zeka tabanlı analitiklerin işletmeye getirebileceği tüm avantajlara rağmen, nakliye maliyetlerinde Amazon ile rekabet etmek uzun bir görev olmaya devam ediyor.

2. Fiyat trendlerini tahmin etme: Hazne

Seyahat endüstrisi, talepteki değişken zirveler ve düşüşler ve birçok düşük marjlı rota ile herkesin bildiği gibi rekabetçidir. Bu, rezervasyon yapmak için en iyi zamandan emin olmayan gezginleri karanlıkta bırakabilir. Bazen önceden rezervasyon yapmak daha iyidir, diğer zamanlarda ise hareket tarihine yakın olana kadar beklemek daha iyidir.

Bu, seyahat uygulaması Hopper'ın 2015'ten bu yana popülaritesinin çarpıcı bir şekilde arttığını gören bir gerçek olan AI güdümlü tahmine dayalı analitiğin gücü için olgun bir alan haline getiriyor.

Hopper, gelecekteki fiyatlandırma modellerini tahmin ederek ve yolcuları tercih ettikleri varış noktalarına uçuş satın almaları için en ucuz zamanlar konusunda uyararak bir adım önde kalıyor.

Bunu, her gün milyarlarca fiyatı izleyerek ve her rota için geçmiş verilere dayanarak, trendin nasıl gelişeceğini tahmin ederek yapar. Kullanıcılar daha sonra bu fiyat düşüşleri gerçekleştiğinde rezervasyon yapmalarını hatırlatmak için bildirimler ayarlayabilir.

Bu hizmeti sunan tek şirket olmasa da, Hopper tahminleriyle %95 doğruluk oranı bildiriyor ve müşterilere uçuş başına ortalama 50 doların üzerinde tasarruf sağladığını iddia ediyor.

Aşağıdaki ekran görüntüsü bu işlemin nasıl çalıştığını gösterir. Sevimli, gözlüklü bir tavşan eşliğinde, fazlasıyla hak ettiğim bu tatil için New York'tan Honolulu'ya uçuş rotasını seçiyorum.

Seçtiğim tarihlere dayanarak, şaşırtıcı derecede otoriter tavşan bana şimdi rezervasyon yapmamı söylüyor, çünkü bu rota için biletler zamanla daha da pahalılaşacak.

Hopper, iş stratejilerinin temel ilkeleri olarak makine öğrenimi ve tahmine dayalı analitiği alan bir işletmeye harika bir örnek sunuyor. Tahmine dayalı analitik olmadan, Hopper olmazdı.

Bununla birlikte, bu kadar büyük bir etki için kullandığı istatistiksel modeller, tüm işletmeler için dersler barındırmaktadır. Hopper'ın başarısı, esasen nesnel bir tüketici tavsiye platformu olarak güvenilirliğinden kaynaklanmaktadır. Bu nedenle, diğer birçok şirket, yalnızca kendi alt satırlarında değil, müşterinin çıkarlarına en uygun tahminleri sağlamak için istatistikleri kullanarak bu rolü üstlenebilir.

3. Küçük işletme büyümesi: Point Defiance Hayvanat Bahçesi ve Akvaryum

SAP tarafından 2016'nın sonlarında yapılan bir anket, küçük işletme liderlerinin %70'inden fazlasının verilerinden içgörü elde etmenin henüz "erken aşamalarında" olduklarını hissettiklerini ortaya koydu.

Washington, Tacoma'daki bir hayvanat bahçesi, katılım rakamlarının bu kadar beklenmedik bir şekilde yükselmesine ve düşmesine neden olan faktörleri belirlemek için Ulusal Hava Servisi ile ortaklık kurarak bu eğilime karşı çıktı. Bu, parkta her zaman geniş bir kitleye hitap edecek personel olan, ancak çoğu zaman yetersiz katılım nedeniyle maaşlara aşırı harcama yapan yönetim için sorunlar yarattı.

Sezgisel olarak, katılımın sıcak ve kuru günlerde daha yüksek olduğunu, ancak soğuk veya yağışlı olduğunda daha düşük olduğunu varsayabiliriz. Ancak, Ulusal Hava Durumu Hizmeti'nin verilerini IBM'in yapay zeka güdümlü Watson platformuna dahil eden hayvanat bahçesi, hangi koşulların daha fazla insanın ziyaret etmesine neden olduğunu tam olarak belirleyebildi.

Bu bilgi daha sonra tarihsel katılım rakamları ve tahmini hava durumu istatistiklerini kullanarak gelecekteki ziyaretçi modellerini modellemek için kullanıldı.

Proje büyük bir başarıydı ve şu anda hayvanat bahçesinin iş planlamasının merkezi bir parçası. Point Defiance, katılım rakamlarını %95'in üzerinde doğrulukla tahmin edebilir ve yöneticilerin parkta uygun şekilde personel oluşturmasına olanak tanır. Bunun, ziyaretçilerin parkı nasıl deneyimledikleri üzerinde olumsuz bir etkisi yoktur (belki de tam tersi) ve bazı hayati iş verimlilikleri yaratır.

Bu metodolojinin uygulamaları elbette sadece katılım rakamlarından çok daha geniş bir alana ulaşıyor. Port Defiance, ziyaretçilerin hayvanat bahçesiyle nasıl etkileşime girdiğini izleyerek daha iyi bir müşteri deneyimi sağlamaya yardımcı olabilir. Sağlık verilerini izlemek ve önleyici tedavi sağlamak için parkın hayvanlarıyla ilgili sorunları teşhis etmek için AI güdümlü tahmine dayalı analitiği kullanmak için planlar da mevcuttur.

4. Personeli elde tutma: IBM

Tahmine dayalı analitiklerin temel çekiciliği, kurumsal hedeflere karşı daha iyi sonuçlar sağlama potansiyelidir. Bunlar genellikle açıkça kâr temellidir, ancak tahmine dayalı analitik, personel tutma sorunlarını belirlemeye ve çözümler önermeye de yardımcı olabilir.

Watson, yapılandırılmış bir veri dosyası yükleyerek (aşağıdaki ekran görüntüsünde olduğu gibi), personel yıpranmasına katkıda bulunan ortak faktörleri belirleyebilir. Bu, daha sonra, her bir çalışan için, şirketten kısa süre sonra ayrılma olasılıklarına bağlı olarak bir 'kalite puanı' oluşturulmasını sağlar.

Bunun gerçekten kendine geldiği yer, kullanıcılardan gelen doğal dil isteklerine yanıt verme yeteneğidir. Google'ın kullanıcı sorularına yanıt olarak veri getirecek olan yeni Analytics özelliğine benzer şekilde, Watson belirli sorgulara yanıt verebilir ve kullanıcının tercihlerine göre veri görselleştirmeleri oluşturabilir.

Bu, keşif ve teşhis analizinden tahmine dayalı analitik alanına hızla geçen bir platformun harika bir örneğidir. Herhangi bir işletme sahibi veya yöneticisi, personelin ayrılmasına tam olarak neyin neden olduğunu kesin olarak belirlemek için bu araçları kullanabilir, ancak aynı zamanda bu faktörlerin arkasında ne olduğunu görebilir ve olası ayrılmaları yatıştırmak için önleyici tedbirler uygulayabilir. Mevcut yüksek performans gösterenleri elde tutmaya karşı yeni personel işe alma maliyeti göz önüne alındığında, bu doğrudan operasyonel maliyetlerin azalmasına yol açar.

5. Kitle genişletme: Zırh Altında

Kitle genişletme, yapay zeka ve tahmine dayalı analitik kullanımından önemli ölçüde yararlanan başka bir pazarlama alanıdır. Mevcut yüksek değere sahip müşterilerin niceliksel özelliklerini anlayarak, benzer bireyleri belirlemek ve yankı uyandırması muhtemel kişiselleştirilmiş mesajlaşma ile onları hedeflemek mümkündür.

Reklam bütçenizi nereye harcayacağınızı bilmek önemlidir, ancak nereye harcamayacağınızı bilmek de önemlidir. Tahmine dayalı analitik, Under Armor gibi şirketlerin en yüksek getiriyi sağlayacak alanlara odaklanmasına ve aksi takdirde yanlış harcanacak olan bütçeyi yeniden yatırım yapmasına olanak tanır.

Yapay zeka, Under Armor tarafından, müşterilerin marka hakkında ne düşündüğünü ve pazardaki boşlukların nerede olduğunu anlamak için duygu analizi ve sosyal dinleme gibi görevleri gerçekleştirmek için kullanılır. Bu, şirketin doygun bir pazarda yeni bir niş oluşturduğunu gören bir girişim olan bir dijital fitness markası olmaya odaklanmasına yol açtı.

Under Armor, fiziksel fitness ürünlerinin yanı sıra çevrimdışı ve dijital dünyaları birbirine bağlamak için uygulamalar ve giyilebilir cihazlar da üretiyor. Ürünleri ne kadar çok kişi kullanırsa, Under Armor teklifini geliştirmek için o kadar fazla veri toplayabilir. Ve yılda 200 milyondan fazla kayıtlı kullanıcı ve 10 milyardan fazla dijital etkileşim ile veri sıkıntısı yok.

Bu serinin son bölümünü okuyun: Yapay zeka ve tahmine dayalı analitik: Gelecekte ne var?