To kluczowy czas w analityce marketingowej, ponieważ aplikacje ML i AI są coraz częściej wykorzystywane do zapewniania jak najlepszych doświadczeń klientów. Kevin Lyons, dyrektor generalny ds. usług analitycznych w firmie Acxiom, wyjaśnia podstawowe zasady, które marki muszą wziąć pod uwagę, aby zapewnić sukces swoim projektom analiz marketingowych.

Z miejsca, w którym siedzę, szum wokół generatywnej sztucznej inteligencji (AI) jest zasłużony. Niedawno byliśmy świadkami, jak ChatGPT zajęło pół godziny, aby dojść do tego samego wniosku, do którego dojście zajęło mojemu zespołowi tygodnie badań i testów, co było zarówno ekscytujące, jak i zniechęcające.

W tym konkretnym przypadku mogliśmy zweryfikować rozwiązanie AI, ponieważ znaliśmy już odpowiedź na pytanie. Widzieliśmy również, jak najnowocześniejsza generatywna sztuczna inteligencja wypluwa bzdury (znane również jako „halucynacje”), więc to wciąż wczesne dni i nie można i nie należy jej całkowicie ufać. Walidacja jest kluczowa, a nie wszystkie przypadki użycia są tak łatwe do zweryfikowania.

Nadal istnieje również podział na rozwiązania, które uczą się na podstawie Twoich danych wejściowych i wydają się generować lepsze wyniki, oraz rozwiązania, które są bezpieczniejsze, ale mają również ograniczone dane, do których mają dostęp. Jak niedawno powiedział dyrektor generalny Acxiom, Chad Engelgau, jeśli chcemy pozytywnej rewolucji AI, nie ma miejsca na złe dane.

Chociaż na tym wczesnym etapie istnieje wiele problemów z generatywną sztuczną inteligencją, nadal zachodzą niesamowite postępy w stosowaniu uczenia maszynowego (ML) i sztucznej inteligencji do analiz i podejmowania decyzji biznesowych. Wcześniej używane jako narzędzia taktyczne, ogólnie do podejmowania bardzo szybkich i konkretnych decyzji, teraz przesuwają się wyżej w łańcuchu strategii.

Przekazanie podejmowania decyzji

Teoretycznie, z doskonałymi i zaufanymi danymi, to mógł być możliwe osiągnięcie scenariusza, w którym wszystkie decyzje biznesowe są podejmowane przez maszyny wykonujące obliczenia.

Jeśli możesz uzyskać dostęp i zebrać wszystkie niezbędne dane ze wszystkich źródeł w całej firmie (nie lada wyczyn) i ustalić konkretny wynik – na przykład docelowy przychód firmy – sztuczna inteligencja mógł wydawać zalecenia dotyczące optymalizacji całego biznesu, aby osiągnąć ten wynik. To mógł zdecydować, które produkty rozwijać, a które wygasać. To mógł określić, z których dostawców i sprzedawców korzystać, a jakich unikać.

W rzeczywistości jeszcze tam nie jesteśmy. Jest wiele do zrobienia na wszystkich frontach technicznych, biznesowych i etycznych, aby zrobić to dobrze.

Jeśli chodzi o stronę techniczną, wciąż jesteśmy na wczesnym etapie tworzenia w pełni wydajnych aplikacji. Po stronie biznesowej eksperymentujemy i oceniamy ryzyko. Być może najbardziej krytyczna jest strona etyczna, a wielu wzywa do przerwy w szkoleniu systemów sztucznej inteligencji potężniejszych niż GPT-4. Społeczeństwo nadal musi podejmować wiele decyzji społecznych i etycznych dotyczących zastosowań sztucznej inteligencji, które wykraczają poza kilka wskaźników biznesowych. Ale inteligentne decyzje biznesowe oparte na sztucznej inteligencji staną się możliwe, a przepaść między firmami, które są na tej ścieżce opartej na danych, a tymi, które nie są, z każdym dniem się powiększa.

Podejmowanie decyzji marketingowych dotyczy CX

Kiedy przyjrzymy się w szczególności marketingowym decyzjom biznesowym, chodzi o zapewnienie jak najlepszej obsługi klienta dla każdej osoby. Określenie tego idealnego doświadczenia wymaga wielu małych, powiązanych ze sobą decyzji – z szybkością i wolumenem, których ludzie nigdy nie byliby w stanie zrobić sami.

Jaką ofertę złożyć? Jakiego kanału użyć? O której godzinie się angażować? Jaką kreację wybrać? I jak te decyzje wpływają na siebie nawzajem? Sztuczna inteligencja może przeanalizować możliwe wyniki i połączyć je w celu dostarczenia jednego nadrzędnego rozwiązania — najlepszego możliwego doświadczenia dla tego konkretnego klienta. Doświadczenie, które będzie również napędzać pożądany wynik biznesowy.

Biorąc pod uwagę bardziej ograniczony zakres tego problemu i ogólną dostępność danych marketingowych, jesteśmy znacznie bliżsi tej rzeczywistości niż pozwalanie sztucznej inteligencji na podejmowanie szerszych decyzji biznesowych. Ale nawet w marketingu wymagana jest ostrożność, ponieważ nie ma prostego rozwiązania, a wiele z tych inicjatyw zakończy się niepowodzeniem.

Podstawowe zasady

Wszystkie modele wiążą się z rozsądnym ryzykiem podjęcia złych decyzji, które mogą negatywnie wpłynąć na wrażenia klientów. Istnieją jednak trzy podstawowe zasady, które zapewniają największe szanse na sukces i pomagają uniknąć niektórych typowych problemów w projektach analizy marketingowej sterowanych maszynowo.

1. Wgląd jest bezużyteczny bez działania

Zbyt często projekty analityczne są tworzone w celu generowania spostrzeżeń. Aby zwiększyć wiedzę. Ale same spostrzeżenia nigdy nie powinny być celem końcowym.

Dane powinny być wykorzystywane do uzyskiwania wglądu. Wnioski powinny być wykorzystywane do podejmowania decyzji. I te decyzje powinny napędzać działania. Termin „decyzja” odnosi się do połączenia podejmowania decyzji i podejmowania działań, ale zbyt wiele zespołów analitycznych poprzestaje na pierwszym, nie wdrażając drugiego.

2. Modele muszą nadawać się do operacjonalizacji

Należy pamiętać, że sztuczna inteligencja musi zostać zoperacjonalizowana w dostępnym środowisku. Łatwo jest dać się ponieść najnowszym osiągnięciom i tworzyć rozwiązania bez zastanawiania się, co jest praktycznie możliwe do wdrożenia.

Projekt analityczny obejmuje różne etapy, w tym zrozumienie problemu, zebranie i przygotowanie danych, wykonanie analizy (pośrodku matematyka), wdrożenie i operacjonalizacja modelu, a następnie jego dopracowanie. Zespoły analityków generalnie stają się coraz lepsze w większości z nich – zwłaszcza w części dotyczącej danych – ale wciąż przerażająco często zdarza się, że wychodzi się poza etap analizy i zdaje sobie sprawę, że po prostu nie ma możliwości, infrastruktury ani zasobów, aby wyniki działały.

O wiele lepiej jest realistycznie myśleć o tym, co jest możliwe i ograniczyć swoje rozwiązanie do czegoś, co pasuje do tego, co możesz zrobić dzisiaj, niż mieć zbyt wyrafinowany model leżący na półce, który nigdy nie jest używany. Skoncentruj się na natychmiastowym generowaniu wyników, a zawsze możesz poprawić swoją grę, gdy dostępne są możliwości lub zasoby do rozszerzenia.

Co więcej, operacjonalizacja analityki na dużą skalę wymaga różnych zestawów umiejętności, dlatego istotne jest posiadanie silnej mieszanki w zespołach analitycznych, w tym naukowców zajmujących się danymi, naukowców stosowanych i inżynierów ML.

3. Poręcze muszą być ustawione

Jak już mówiliśmy, sztuczna inteligencja jest w stanie podjąć „najlepszą” decyzję, aby osiągnąć określony wynik lub znaleźć najskuteczniejszą odpowiedź na problem. Ale to nie znaczy, że spodobają ci się decyzje, które podejmuje. Może na przykład zamknąć nieskuteczny kanał marketingowy. Ale jeśli jest to kanał, w którym spodziewasz się znacznego wzrostu w nadchodzących latach, prawdopodobnie będziesz chciał unieważnić jego decyzję, aby położyć podwaliny pod przyszłość.

Zawsze będziesz musiał wprowadzić ścisłe parametry, aby upewnić się, że podejmowane decyzje i podejmowane działania mieszczą się w określonych granicach. Nieuchronnie będzie to obejmować zapewnienie, że wszelkie decyzje i działania będą zgodne z prawem, etyczne i odpowiedzialne społecznie. Wszyscy widzieliśmy przykłady, w których ML formułuje zalecenia, które są moralnie wątpliwe. AI nie jest magicznym pudełkiem; potrzebuje zasad i ludzkiego nadzoru. Umieszczenie poręczy wokół matematyki pomaga upewnić się, że nie robi rzeczy, których nie chcesz.

Pamiętaj o podstawowych zasadach

Wykorzystanie sztucznej inteligencji do analityki marketingowej rozwija się bardzo szybko, a postęp w generatywnej sztucznej inteligencji tylko to przyspieszy. Ale powyższe zasady będą nadal obowiązywać. Bez względu na to, jak zaawansowana jest matematyka, zawsze musisz mieć pewność, że analityka napędza działanie (nie tylko spostrzeżenia), że każde rozwiązanie można zoperacjonalizować i że istnieją skuteczne bariery ochronne. Dzięki temu Twoje projekty analityczne mają największe szanse powodzenia i pozwalają matematyce podejmować decyzje, które zapewnią najlepsze możliwe doświadczenia klientów.