人工智能和預測分析：未來會怎樣？

人工智能和預測分析的進步將產生超出企業技術能力的影響。 組織將面臨技能、實施等方面的新挑戰。 營銷人員如何為變革做好準備？

在本系列中，我們看到了分析行業的演進進展如何自然地導致人工智能 (AI) 的集成以創建準確的預測模型。

在第一篇文章中，我們探討了人工智能和預測分析作為營銷工具的潛力，技術進步已經從基於規則的自動化轉變為更接近於感知的東西。 我們到處都能看到這樣的例子，從 Google 的 Waze 之類的應用程序到金融欺詐保護和亞馬遜上的個性化推薦。

該系列的第二篇文章以這項技術的具體用例為基礎，展示了各種使用機器學習和人工智能來預測消費者行為並創造更好業務成果的企業。 這些機會現在對所有公司開放，但抓住它們比僅僅購買一些新軟件更複雜。

我們系列的第三篇也是最後一篇文章將重點關注預測分析的未來和行業面臨的挑戰。

實施挑戰

儘管這種強大的商業工具被大規模採用似乎是不可避免的，但現實比這更微妙。 高管們希望做出更明智、更快速的決策，但在將業務轉變為 AI 驅動的預測分析模型時，在數據、人員和技術的平衡方面有一些高難度的空中飛人行為。

實施這項技術需要企業的意識形態轉變，而不僅僅是資本投資，並且必須從頭開始進行數據分析方面的員工培訓。

這是在高管對其組織的數字專業知識的信心似乎正在下降的時候出現的。 普華永道最新的Digital IQ 調查顯示，高管對其團隊能力的信心下降：

專業水平不會下降； 行業變化如此之快，以至於員工跟不上。

因此，如果 AI 驅動的預測分析要在 CIO/CMO 工具箱中佔據中心位置，則需要克服一些重大障礙。

在我們的預測分析系列的最後一部分中，我們將概述該行業未來面臨的一些挑戰，然後再討論企業今天可以開始實施的解決方案。

數據質量

在Protoviti最近對高管的一項調查中，數據被列為公司內部廣泛採用預測分析的最大障礙。 質量是最重要的修飾語之一，用於為像“數據”這樣模糊不清的術語增加特異性。

在我們決定如何應對如此巨大的挑戰之前，即使是“質量”也需要一些進一步的定義。

高質量數據的格式將保持一致（即使規模很大），反映其描述的真實世界場景，並將實現可靠、可重複的研究。

我們可以將 2010 年至 2014 年從滑鐵盧出發的火車數據集作為示例，其中包含跨時間範圍的間隔並使用不一致的命名約定。 人類在像這樣的數據集差距中掙扎，但我們可以適應甚至從其他地方獲取數據。 人工智能根本無法處理這樣的不完整數據，因為它只能處理輸入系統的數據。

世界上最好的人工智能技術只能利用我們提供的數據，因此企業必須意識到這些潛在的陷阱並知道如何避免它們。 更多的數據通常意味著 AI 驅動的預測分析會產生更好的結果，但它需要是正確的數據來回答您要解決的業務問題。

擁有合適的團隊是開始這條道路的好方法。

招聘和培訓合適的技能

預測分析技術越來越複雜，但行業內的知識水平不一定以相同的速度發展。

凱捷的一份報告發現，77% 的公司認為缺乏合適的技能是成功數字化轉型的最大障礙：

ClickZ報告更深入地確定了與組織內當前的複雜程度相比最理想的技能領域。

分析被列為最重要的技能也就不足為奇了，因為它有可能在每個營銷職能中使用。 將分析視為技能差距最大的領域可能更令人驚訝。

資料來源：ClickZ

分析包括各種技術和數據調查類型。 今天進行的大多數分析工作都處於描述性（發生了什麼？）或探索性（為什麼會發生？）的旗幟下。

儘管操作未來預測分析系統背後的技術所需的技能水平可能會隨著時間的推移而降低，但企業仍然需要確保其員工在投資一些新的、令人興奮的人工智能係統之前具備數據分析的詳細知識。

幸運的是，只要企業願意投資，就有充足的資源和資格來幫助進行這種培訓。 理論和實踐都應被視為這種培訓的基本組成部分。

在分析：如何用智能取勝中，作者認為應該在較大的公司中建立一個分析卓越中心，部門負責人向 CTO 報告：

這種方法的目的是為分析提供一個明確定義的基礎，其專家可以從中教授組織內的其他人。

然而，我們可以從另一個角度來看這一點。 並非營銷團隊中的每個人都需要了解分析平台的內部運作才能從中受益。 隨著這些平台越來越依賴機器學習來創建預測模型，這變得越來越真實。

無論如何：廣泛的知識基礎仍然必不可少。 如果沒有能力提出正確的問題或不知道技術能夠做什麼（以及它不能做什麼），輸出將不適合目的。

因此，越來越多的學派認為文科背景將成為統計學家和工程師越來越重要的補充。 提出正確問題作為假設框架然後調查結果的能力至關重要，向高級利益相關者展示這些問題所需的軟技能也是必不可少的。

從本質上講，如今需要一個村莊才能正確進行分析。 但是，確保您的數據質量符合目的並且您在分析團隊中擁有平衡的技能組合是一個很好的開始。

數據管理

現代並不缺乏數據，而且隨著物聯網 (IoT) 設備繼續進入世界各地的家庭，數據量只會增加。

每家公司都擁有觸手可及的潛在利潤豐厚的專有和第三方數據來源。 基於雲的解決方案可以遠程存儲大量數據，在某種程度上回答了數據應該保存在哪裡的問題。

然而，即使企業使用像 Hadoop 這樣的數據倉庫，信息仍然需要傳輸到分析平台，並通過統計模型轉化為洞察力。

如何準確確保分析平台和人工智能係統跟上的問題仍然是許多企業的難題。

數據管理還面臨其他挑戰——從數據挖掘到存儲，最終將信息轉化為有用的洞察力。

喬治華盛頓大學和美國大學的科學家在2013 年發表的題為“大數據：前進的問題和挑戰”的論文總結了這些潛在問題：

隨著即將推出的歐盟GDPR 法規，這些問題比以往任何時候都更加重要。 企業有責任確保所有數據符合當地法律並安全處理不符合規定的數據。

如果有一件事是肯定的，我們不能讓 AI 來進行這些調用。 AI 預測模型將評估提供給他們的任何歷史數據，如果公司稍後注意到錯誤的數據被輸入到他們的 AI 分析平台，它得出的任何結論都將被裁定為無效。

追溯這種複雜計算的步驟並調試任何不需要的變量將證明是一項不可能完成的任務。 因此，任何計劃將大數據輸入基於人工智能的預測模型的企業都應該謹慎對待他們的數據源。

圖片：維基媒體

問責制

此類別是一系列次要但仍然重要的挑戰的總稱。

人工智能和預測分析在醫療保健等行業中具有明確定義的重要作用。 80%的醫院領導認為該領域“很重要”，原因很容易理解。 任何能夠發現與疾病相關的歷史模式並預測其未來行為的工具在該領域都將被證明是無價的。

當應用於營銷時，這個案例並不是那麼明確。 毫無疑問，我們都可以從基於過去的準確預測中受益。 事實上，這適用於整個社會。

然而，有一種觀點認為，在一個因新想法而蓬勃發展的行業中，預測建模存在一些局限性。 複雜的人工智能係統和預測模型的誘惑是放棄控制並堅持我們知道將繼續實現增長的東西。

此外，預測分析可以成為自我實現的預言。 我們看到某個消息、產品或受眾群體預計會以更高的速度轉化，因此我們調整預算以利用這一點。 如果預測成真，是因為預測準確，還是因為我們採取了行動使其準確？

最後，我們應該考慮人類創造力在這個過程中的作用。 正如我們在關於 AI 驅動的內容創建的文章中所討論的那樣，人類創新和設計新的、創造性的解決方案的能力是 AI 還不能完全掌握的。 因此，我們需要使用技術來解放我們的團隊，以充分利用他們制定長期戰略的能力。

與任何人工智能技術一樣，成功的最關鍵因素之一是人們在充分利用可用工具方面發揮的作用。 特別關注預測分析，這意味著確保在質量數據、最佳技術和能夠了解技術局限性的人員之間取得適當的平衡。

我們關於人工智能和預測分析的三部分系列到此結束。 如果您錯過了前兩期，請點擊以下鏈接進行回顧：

• 人工智能如何讓營銷人員預測未來？
• 5 家企業使用人工智能來預測未來和利潤