Yapay zeka ve tahmine dayalı analitik: Gelecek ne tutuyor?

Yapay zeka ve tahmine dayalı analitikteki ilerlemelerin, işletmenin teknolojik yeteneklerinin ötesinde sonuçları olacaktır. Kuruluşlar beceriler, uygulama ve daha fazlası açısından yeni zorluklarla karşılaşacak. Pazarlamacılar değişime nasıl hazırlanabilir?

Bu seride, analitik endüstrisinin evrimsel ilerlemesinin, doğru tahmin modelleri oluşturmak için doğal olarak yapay zekanın (AI) entegrasyonuna nasıl yol açtığını gördük.

İlk makalede, kural tabanlı otomasyondan duyarlılığa daha yakın bir şeye geçiş yapan teknolojik gelişmelerin yönlendirdiği, pazarlama araçları olarak AI ve tahmine dayalı analitik potansiyelini araştırdık . Google'ın Waze gibi uygulamalardan finansal dolandırıcılık korumasına ve Amazon'daki kişiselleştirilmiş önerilere kadar her yerde bunun örneklerini görüyoruz.

Serinin ikinci makalesi, bu teknolojinin somut kullanım örneklerini temel alarak , tüketici davranışlarını tahmin etmek ve daha iyi iş sonuçları oluşturmak için makine öğrenimi ve yapay zekayı kullanan çok çeşitli işletmeleri sergiledi. Bu fırsatlar artık tüm şirketlere açıktır, ancak bunları ele geçirmek, yalnızca yeni bir yazılım satın almaktan daha karmaşık bir iştir.

Serimizin üçüncü ve son makalesi, tahmine dayalı analitiklerin geleceğine ve endüstrinin karşılaştığı zorluklara odaklanacak.

Uygulama zorlukları

Bu kadar güçlü bir iş aracının toplu olarak benimsenmesi kaçınılmaz gibi görünse de, gerçek bundan daha nüanslıdır. Yöneticiler daha akıllı, daha hızlı kararlar istiyorlar, ancak bir işi yapay zeka güdümlü bir tahmine dayalı analitik modeline dönüştürmek söz konusu olduğunda, verilerin, insanların ve teknolojinin dengelenmesinde yüksek bir tel yamuk eylemi var.

Bu teknolojiyi uygulamak, işletmeler için sadece sermaye yatırımı değil, ideolojik bir değişim gerektirir ve veri analitiğinde sıfırdan personel eğitimi zorunludur.

Bu, yöneticilerin kuruluşlarının dijital uzmanlığına olan güveninin düştüğü bir zamanda geliyor. PwC'nin en son Dijital IQ anketi , yöneticilerin ekiplerinin yeteneklerine olan güveninde bir düşüş olduğunu gösteriyor:

Uzmanlık seviyesi düşmüyor; endüstri o kadar hızlı değişiyor ki personel ayak uyduramıyor.

Bu nedenle, yapay zeka güdümlü tahmine dayalı analitik, CIO/CMO'nun araç kutusunda merkezi bir konum alacaksa, birkaç önemli engelin üstesinden gelinmesi gerekecektir.

Tahmine dayalı analitik serimizin bu son bölümünde, işletmelerin bugün uygulamaya başlayabilecekleri çözümleri tartışmadan önce, gelecekte bu endüstrinin karşılaşacağı bazı zorlukların ana hatlarını vereceğiz.

Veri kalitesi

Protoviti tarafından üst düzey yöneticilere yönelik yakın zamanda yapılan bir ankette , veriler, şirketlerde tahmine dayalı analitiklerin yaygın olarak benimsenmesinin en büyük engelleyicisi olarak sıralandı. Kalite, 'veri' kadar belirsiz bir terime özgüllük eklemek için kullanılan en önemli değiştiricilerden biriydi.

Böylesine devasa bir zorluğun üstesinden nasıl geleceğimize karar vermeden önce 'kalite' bile biraz daha tanım gerektiriyor.

Yüksek kaliteli veriler, formatında (önemli ölçekte bile) tutarlı olacak, tanımladığı gerçek dünya senaryosunu yansıtacak ve güvenilir, tekrarlanabilir araştırmayı mümkün kılacaktır.

Örnek olarak, zaman dilimleri arasında boşluklar içeren ve tutarsız adlandırma kuralları kullanan, 2010-2014 yılları arasında Waterloo'dan tren kalkışlarına ilişkin bir veri seti alabiliriz. İnsanlar bunun gibi veri kümelerindeki boşluklarla mücadele ediyor, ancak uyarlayabilir ve belki de verileri başka yerlerden temin edebiliriz. Yapay zeka, yalnızca sisteme beslenenlerle çalışabileceğinden, bunun gibi eksik verilerle çalışamaz.

Dünyadaki en iyi AI teknolojileri yalnızca sağladığımız verileri kullanabilir, bu nedenle işletmelerin bu potansiyel tuzakların farkında olması ve bunlardan nasıl kaçınılacağını bilmesi çok önemlidir. Daha fazla veri, genellikle yapay zeka güdümlü tahmine dayalı analitikten daha iyi sonuçlar anlamına gelir, ancak çözmeyi hedeflediğiniz iş sorununu yanıtlamak için doğru veriler olması gerekir.

Doğru ekibe sahip olmak, bu yola başlamak için harika bir yoldur.

Doğru beceriler için işe alma ve eğitim

Tahmine dayalı analitik teknolojisi karmaşık bir şekilde büyüyor, ancak sektördeki bilgi düzeyi mutlaka aynı hızda ilerlemiyor.

Bir Capgemini raporu, şirketlerin %77'sinin başarılı dijital dönüşümün önündeki en büyük engel olarak doğru becerilerin eksikliğini gördüğünü tespit etti:

Bir ClickZ raporu , kuruluşlardaki mevcut gelişmişlik düzeylerine kıyasla en çok arzu edilen beceri alanlarını belirlemek için daha derine indi .

Her pazarlama işlevinde kullanım potansiyeli göz önüne alındığında, analitiğin en önemli beceri olarak sıralandığını görmek şaşırtıcı değildi. Analitiği en büyük beceri açığına sahip alan olarak görmek belki biraz daha şaşırtıcıydı.

Kaynak: ClickZ

Analitik, çeşitli teknikler ve veri araştırması türlerini kapsar. Bugün üstlenilen çoğu analitik çalışma, ya betimleyici (ne oldu?) ya da keşfedici (neden oldu?) başlığı altına giriyor.

Gelecekteki tahmine dayalı analitik sistemlerinin arkasındaki teknolojiyi çalıştırmak için gereken beceri seviyesi muhtemelen zamanla düşecek olsa da, işletmelerin bazı yeni, heyecan verici yapay zeka sistemlerine yatırım yapmadan önce personelinin ayrıntılı veri analitiği bilgisine sahip olmasını sağlamaları gerekiyor.

Neyse ki, işletmeler yatırım yapmaya istekli oldukları sürece bu eğitime yardımcı olacak çok sayıda kaynak ve nitelik var. Hem teori hem de pratik bu eğitimin temel bileşenleri olarak düşünülmelidir.

Analytics'te: Nasıl İstihbarat ile Win için yazarlar Mükemmeliyet bir analiz Merkezi CTO'nun bölüm başkanı raporlama, büyük şirketlerde meydana gerektiğini varsaymak:

Bu yaklaşımın amacı, analitiklere, uzmanlarının kuruluş içindeki diğer kişilere öğretebileceği, açıkça tanımlanmış bir temel sağlamaktır.

Ancak buna başka bir açıdan bakabiliriz. Bir pazarlama ekibindeki herkesin bundan faydalanmak için bir analitik platformunun iç işleyişini bilmesi gerekmez. Bu platformlar, tahmine dayalı modeller oluşturmak için makine öğrenimine bağımlı hale geldikçe, bu giderek daha doğru hale geliyor.

Ne olursa olsun: geniş bir bilgi tabanı hala gereklidir . Doğru soruları sorma veya teknolojinin neler yapabileceğini (ve neler yapamayacağını) bilme yeteneği olmadan, çıktılar amaca uygun olmayacaktır.

Bu nedenle , liberal sanatlar geçmişinin istatistikçiler ve mühendisler için giderek daha önemli bir tamamlayıcı olacağına dair büyüyen bir düşünce okulu var . Bir hipotez çerçevesi olarak doğru soruları ortaya koyma ve ardından bulguları araştırma kapasitesi ve bunları kıdemli paydaşlara sunmak için gereken daha yumuşak beceriler gerekli olacaktır.

Özünde, günümüzde doğru analitik elde etmek için bir köy gerekir. Ancak verilerinizin kalitesinin amaca uygun olmasını ve analitik ekibinizde bir beceri seti dengesine sahip olmanızı sağlamak harika bir başlangıçtır.

Veri yönetimi

Modern çağda veri sıkıntısı yoktur ve miktarlar yalnızca Nesnelerin İnterneti (IoT) cihazları dünya çapında evlere girmeye devam ettikçe artacaktır.

Her şirketin parmaklarının ucunda potansiyel olarak kazançlı bir tescilli ve üçüncü taraf veri kaynağı vardır. Büyük miktarlarda verileri uzaktan depolayabilen bulut tabanlı çözümler, verilerin nerede saklanması gerektiği sorusunu yanıtlamanın bir yolunu buluyor.

Ancak, bir işletme Hadoop gibi bir veri ambarı kullanıyor olsa bile, bilgilerin yine de bir analitik platformuna aktarılması ve istatistiksel modeller aracılığıyla içgörülere dönüştürülmesi gerekir.

Analitik platformlarının ve AI sistemlerinin ayak uydurmasının tam olarak nasıl sağlanacağı sorusu, birçok işletme için bir bilmece olmaya devam ediyor.

Veri yönetimiyle ilgili başka zorluklar da var - veri madenciliğinden depolamaya ve nihayetinde bilgiyi faydalı içgörüye dönüştürmeye kadar.

George Washington Üniversitesi ve Amerikan Üniversitesi'nden bilim adamları tarafından Büyük Veri: İlerleyen Sorunlar ve Zorluklar başlıklı 2013 tarihli bir makale , bu potansiyel sorunları özetledi:

AB'nin GDPR düzenlemesinin yakında piyasaya sürülmesiyle birlikte , bu sorular her zamankinden daha önemli hale geldi. Tüm verilerin yerel yasalara uygun olmasını sağlamak ve uygun olmayan verileri güvenli bir şekilde elden çıkarmak bir işletmenin sorumluluğundadır.

Kesin olan bir şey varsa, bu aramaları yapay zekaya bırakamayız. AI tahmin modelleri, kendilerine sunulan geçmiş verileri değerlendirecek ve bir şirket daha sonra hatalı verilerin AI analitik platformuna beslendiğini fark ederse, ulaştığı sonuçların geçersiz sayılması gerekecektir.

Bu tür karmaşık hesaplamaların adımlarını yeniden izlemek ve istenmeyen değişkenlerde hata ayıklamak imkansız bir görev olacaktır. Sonuç olarak, büyük verileri yapay zeka tabanlı bir tahmine dayalı modele aktarmayı planlayan tüm işletmeler, veri kaynakları konusunda dikkatli olmalıdır.

Resim: Wikimedia

Hesap verebilirlik

Bu kategori, bir dizi küçük - ama yine de önemli - zorluklar için bir şemsiye terim olarak hizmet eder.

Yapay zeka ve tahmine dayalı analitik, sağlık hizmetleri gibi sektörlerde açıkça tanımlanmış ve önemli rollere sahiptir. Hastane liderlerinin %80'i bu alanı “önemli” olarak görüyor ve nedenini anlamak kolay. Hastalıklarla ilgili tarihsel kalıpları tespit edebilen ve gelecekteki davranışlarını tahmin edebilen herhangi bir araç bu alanda çok değerli olacaktır.

Pazarlamaya uygulandığında durum o kadar net değil. Geçmişe dayalı doğru tahminlerden kuşkusuz hepimiz yararlanabiliriz. Bu aslında tüm toplum için geçerlidir.

Bununla birlikte, yeni fikirlerle gelişen bir endüstride tahmine dayalı modellemenin bazı sınırlamaları olduğuna dair bir argüman var. Gelişmiş yapay zeka sistemleri ve tahmine dayalı modellerin cazibesi, kontrolü bırakıp büyüme sağlamaya devam edeceğini bildiğimiz şeylere bağlı kalmaktır.

Ek olarak, tahmine dayalı analitik, kendi kendini gerçekleştiren bir kehanet haline gelebilir. Belirli bir mesajın, ürünün veya hedef kitle segmentinin daha yüksek oranda dönüşüm sağlamasının öngörüldüğünü görüyoruz, bu nedenle bütçeyi bundan yararlanmak için değiştiriyoruz. Eğer tahmin gerçekleşirse, bunun nedeni tahminin doğru olması mı yoksa onu doğru yapmak için harekete geçmemiz mi?

Son olarak, bu süreçte insan yaratıcılığının rolünü dikkate almalıyız. Yapay zeka güdümlü içerik oluşturma hakkındaki makalemizde tartıştığımız gibi, insanın yeni, yaratıcı çözümler geliştirme ve tasarlama kapasitesi, yapay zekanın henüz tam olarak ustalaşamadığı bir kapasitedir. Bu nedenle, uzun vadede strateji oluşturma yeteneklerinden en iyi şekilde yararlanmak üzere ekiplerimizi serbest bırakmak için teknolojiyi kullanmamız gerekiyor.

Herhangi bir AI teknolojisinde olduğu gibi, başarı için en önemli faktörlerden biri, insanların ellerindeki araçlardan en iyi şekilde yararlanmak için oynayacakları roldür. Özellikle tahmine dayalı analitiklere bakıldığında bu, kaliteli veriler, en iyi teknoloji ve teknolojinin sınırlarını bilme becerisine sahip kişiler arasında doğru dengenin sağlanması anlamına gelir.

Bu, AI ve tahmine dayalı analitik üzerine üç bölümlük serimizi sonlandırıyor. Önceki iki taksiti kaçırdıysanız, özet için aşağıdaki bağlantıları izleyin:

• Yapay zeka, pazarlamacıların geleceği tahmin etmesine nasıl izin verebilir?
• Geleceği tahmin etmek ve kâr etmek için AI kullanan 5 işletme