人工智能和预测分析：未来会怎样？

人工智能和预测分析的进步将产生超出企业技术能力的影响。 组织将面临技能、实施等方面的新挑战。 营销人员如何为变革做好准备？

在本系列中，我们看到了分析行业的演进进展如何自然地导致人工智能 (AI) 的集成以创建准确的预测模型。

在第一篇文章中，我们探讨了人工智能和预测分析作为营销工具的潜力，技术进步已经从基于规则的自动化转变为更接近于感知的东西。 我们到处都能看到这样的例子，从 Google 的 Waze 之类的应用程序到金融欺诈保护和亚马逊上的个性化推荐。

该系列的第二篇文章以这项技术的具体用例为基础，展示了各种使用机器学习和人工智能来预测消费者行为并创造更好业务成果的企业。 这些机会现在对所有公司开放，但抓住它们比仅仅购买一些新软件更复杂。

我们系列的第三篇也是最后一篇文章将重点关注预测分析的未来和行业面临的挑战。

实施挑战

尽管这种强大的商业工具被大规模采用似乎是不可避免的，但现实比这更微妙。 高管们希望做出更明智、更快速的决策，但在将业务转变为 AI 驱动的预测分析模型时，在数据、人员和技术的平衡方面有一些高难度的空中飞人行为。

实施这项技术需要企业的意识形态转变，而不仅仅是资本投资，并且必须从头开始进行数据分析方面的员工培训。

这是在高管对其组织的数字专业知识的信心似乎正在下降的时候出现的。 普华永道最新的Digital IQ 调查显示，高管对其团队能力的信心下降：

专业水平不会下降； 行业变化如此之快，以至于员工跟不上。

因此，如果 AI 驱动的预测分析要在 CIO/CMO 工具箱中占据中心位置，则需要克服一些重大障碍。

在我们的预测分析系列的最后一部分中，我们将概述该行业未来面临的一些挑战，然后再讨论企业今天可以开始实施的解决方案。

数据质量

在Protoviti最近对高管的一项调查中，数据被列为公司内部广泛采用预测分析的最大障碍。 质量是最重要的修饰语之一，用于为像“数据”这样模糊不清的术语增加特异性。

在我们决定如何应对如此巨大的挑战之前，即使是“质量”也需要一些进一步的定义。

高质量数据的格式将保持一致（即使规模很大），反映其描述的真实世界场景，并将实现可靠、可重复的研究。

我们可以将 2010 年至 2014 年从滑铁卢出发的火车数据集作为示例，其中包含跨时间范围的间隔并使用不一致的命名约定。 人类在像这样的数据集差距中挣扎，但我们可以适应甚至从其他地方获取数据。 人工智能根本无法处理这样的不完整数据，因为它只能处理输入系统的数据。

世界上最好的人工智能技术只能利用我们提供的数据，因此企业必须意识到这些潜在的陷阱并知道如何避免它们。 更多的数据通常意味着 AI 驱动的预测分析会产生更好的结果，但它需要是正确的数据来回答您要解决的业务问题。

拥有合适的团队是开始这条道路的好方法。

招聘和培训合适的技能

预测分析技术越来越复杂，但行业内的知识水平不一定以相同的速度发展。

凯捷的一份报告发现，77% 的公司认为缺乏合适的技能是成功数字化转型的最大障碍：

ClickZ报告更深入地确定了与组织内当前的复杂程度相比最理想的技能领域。

分析被列为最重要的技能也就不足为奇了，因为它有可能在每个营销职能中使用。 将分析视为技能差距最大的领域可能更令人惊讶。

资料来源：ClickZ

分析包括各种技术和数据调查类型。 今天进行的大多数分析工作都处于描述性（发生了什么？）或探索性（为什么会发生？）的旗帜下。

尽管操作未来预测分析系统背后的技术所需的技能水平可能会随着时间的推移而降低，但企业仍然需要确保其员工在投资一些新的、令人兴奋的人工智能系统之前具备数据分析的详细知识。

幸运的是，只要企业愿意投资，就有充足的资源和资格来帮助进行这种培训。 理论和实践都应被视为这种培训的基本组成部分。

在分析：如何用智能取胜中，作者认为应该在较大的公司中建立一个分析卓越中心，部门负责人向 CTO 报告：

这种方法的目的是为分析提供一个明确定义的基础，其专家可以从中教授组织内的其他人。

然而，我们可以从另一个角度来看这一点。 并非营销团队中的每个人都需要了解分析平台的内部运作才能从中受益。 随着这些平台越来越依赖机器学习来创建预测模型，这变得越来越真实。

无论如何：广泛的知识基础仍然必不可少。 如果没有能力提出正确的问题或不知道技术能够做什么（以及它不能做什么），输出将不适合目的。

因此，越来越多的学派认为文科背景将成为统计学家和工程师越来越重要的补充。 提出正确问题作为假设框架然后调查结果的能力至关重要，向高级利益相关者展示这些问题所需的软技能也是必不可少的。

从本质上讲，如今需要一个村庄才能正确进行分析。 但是，确保您的数据质量符合目的并且您在分析团队中拥有平衡的技能组合是一个很好的开始。

数据管理

现代并不缺乏数据，而且随着物联网 (IoT) 设备继续进入世界各地的家庭，数据量只会增加。

每家公司都拥有触手可及的潜在利润丰厚的专有和第三方数据来源。 基于云的解决方案可以远程存储大量数据，在某种程度上回答了数据应该保存在哪里的问题。

然而，即使企业使用像 Hadoop 这样的数据仓库，信息仍然需要传输到分析平台，并通过统计模型转化为洞察力。

如何准确确保分析平台和人工智能系统跟上的问题仍然是许多企业的难题。

数据管理还面临其他挑战——从数据挖掘到存储，最终将信息转化为有用的洞察力。

乔治华盛顿大学和美国大学的科学家在2013 年发表的题为“大数据：前进的问题和挑战”的论文总结了这些潜在问题：

随着即将推出的欧盟GDPR 法规，这些问题比以往任何时候都更加重要。 企业有责任确保所有数据符合当地法律并安全处理不符合规定的数据。

如果有一件事是肯定的，我们不能让 AI 来进行这些调用。 AI 预测模型将评估提供给他们的任何历史数据，如果公司稍后注意到错误的数据被输入到他们的 AI 分析平台，它得出的任何结论都将被裁定为无效。

追溯这种复杂计算的步骤并调试任何不需要的变量将证明是一项不可能完成的任务。 因此，任何计划将大数据输入基于人工智能的预测模型的企业都应该谨慎对待他们的数据源。

图片：维基媒体

问责制

此类别是一系列次要但仍然重要的挑战的总称。

人工智能和预测分析在医疗保健等行业中具有明确定义的重要作用。 80%的医院领导认为该领域“很重要”，原因很容易理解。 任何能够发现与疾病相关的历史模式并预测其未来行为的工具在该领域都将被证明是无价的。

当应用于营销时，这个案例并不是那么明确。 毫无疑问，我们都可以从基于过去的准确预测中受益。 事实上，这适用于整个社会。

然而，有一种观点认为，在一个因新想法而蓬勃发展的行业中，预测建模存在一些局限性。 复杂的人工智能系统和预测模型的诱惑是放弃控制并坚持我们知道将继续实现增长的东西。

此外，预测分析可以成为自我实现的预言。 我们看到某个消息、产品或受众群体预计会以更高的速度转化，因此我们调整预算以利用这一点。 如果预测成真，是因为预测准确，还是因为我们采取了行动使其准确？

最后，我们应该考虑人类创造力在这个过程中的作用。 正如我们在关于 AI 驱动的内容创建的文章中所讨论的那样，人类创新和设计新的、创造性的解决方案的能力是 AI 还不能完全掌握的。 因此，我们需要使用技术来解放我们的团队，以充分利用他们制定长期战略的能力。

与任何人工智能技术一样，成功的最关键因素之一是人们在充分利用可用工具方面发挥的作用。 特别关注预测分析，这意味着确保在质量数据、最佳技术和能够了解技术局限性的人员之间取得适当的平衡。

我们关于人工智能和预测分析的三部分系列到此结束。 如果您错过了前两期，请点击以下链接进行回顾：

• 人工智能如何让营销人员预测未来？
• 5 家企业使用人工智能来预测未来和利润