Kāda ir Amazon un Google atslēga ieņēmumu panākumi ? Ikviens zina atbildi: Dati.
Iemesls Facebook sociālo mediju impērijai un Spotify mūzikas straumēšanas biznesam? Dati.
Visi šie uzņēmumi ir spējuši piesaistīt milzīgo informācijas daudzumu, ko viņi saņem no daudziem lietotājiem - neatkarīgi no tā, vai tie ir meklēšanas paradumi, koplietojamās ziņas, nopirktie produkti vai mūzika, ko viņi klausās - lielākās ieņēmumu plūsmās. Tas nav tikai fakts, ka šie uzņēmumi ir spējuši apkopot datus par miljoniem (vai miljardiem, dažu šo uzņēmumu gadījumā); tas ir tas, ka šiem uzņēmumiem ir izdevies efektīvi izmantot šos datus, lai labāk izprastu un tirgotu savus lietotājus. Visi šie uzņēmumi šim nolūkam izmanto mākslīgo intelektu (vai, precīzāk sakot, dziļu mācīšanos).
Rona Goldmena vecums nāves brīdī
Protams, ir svarīgi atzīmēt, ka jums nav jābūt dominējošam uzņēmumam, piemēram, Amazon vai Google, lai datus pārvērstu par konkurences priekšrocībām. Kad mākslīgais intelekts kļūst arvien progresīvāks un plašāk pieņemts, mēs sāksim redzēt, kā daudzi uzņēmumi - gan lieli, gan mazi - vēršas pie AI, lai izstrādātu labākas datu stratēģijas un uzvarētu klientu pieņemšanā un labāk konkurētu ar viņu konkurenci. .
Galvenais, lai pārspētu savu konkurenci, pēc Jeremy Fain domām, par novatorisku neironu tīkla tehnoloģiju kognitīvi , ir labāki dati - ne vienmēr vairāk, bet dati, kuru jūsu konkurentiem nav. Teorētiski katrs zīmols spēj izstrādāt savus unikālos datu aktīvus, jo katram zīmolam ir jābūt nedaudz atšķirīgam, lai konkurētu. Tas nozīmē, ka zīmola klienti vismaz nedaudz atšķiras no viņu konkurences klientiem, kas nozīmē, ka viņiem ir unikāls leņķis, ko viņi var izmantot. Tāpēc katrs jūsu klienta vai potenciālā klienta iegūtā informācija ir vēl viena informācija, kuru varat izmantot, lai izveidotu efektīvu mārketinga vai reklāmas stratēģiju.
Hjū Bainlija-Whittingstall bērni
Lai efektīvi izmantotu šo informāciju, vispirms jāizlemj, kāds ir jūsu mērķis. Vai jūs meklējat vairāk pārdošanas? Vai jūs mēģināt panākt lielāku kāju plūsmu veikalos? Vai jūsu mērķis ir panākt lielāku tirgus izpratni par savu produktu? Kad esat to izdarījis, varat apskatīt datus, lai pārliecinātos, vai tie ir pareizajā formātā, lai tos izmantotu dziļām mācībām. Tas ir kaut kas, ko ir grūti vienkārši izskaidrot, bet būtībā datiem jābūt sadalītiem - proti, tiem ir jānāk no vairākiem avotiem, lai no tiem varētu izdarīt padziļinātākus secinājumus. Tas nozīmē, ka patiesībā jums nav jāzina tikai tas, cik cilvēku apmeklēja veikalu, bet gan tieši tad, kad tieši katrs apmeklēja cilvēku. Jums vairs nav jāaplūko tikai tas, cik daudz jūs veicāt, bet arī tas, kāds bija katrs izpārdošana un kam. Lai sasniegtu vēl vienu soli, jums jāidentificē, kādi saskares punkti jums bija ar klientu, pirms viņi veica darījumus ar jums, kādas reklāmas tika rādītas un kad un kur notika visa mijiedarbība. Vēl neapkopojat šāda veida datus? Nu, tas ir jūsu pirmais mājasdarbs.
Tas nozīmē, ka jūsu rīcībā būs daudz vairāk datu, nekā esat pieradis, taču labā ziņa ir tā, ka krātuve ir lēta. Turklāt bez šīs informācijas jūs nevarēsiet izmantot dziļās mācīšanās iespējas un sacensties šajā jaunajā pasaulē.
cik garš ir Metjū Luiss
2016. gada pētījums par Fortune 1000 vadītājiem to atklāja tikai 48,4% no aptaujātajiem ziņoja par izmērāmiem rezultātiem savu datu iniciatīvu rezultātā - bet 80,7% uzskatīja, ka centieni bija veiksmīgi un būtiski. Tas nozīmē, ka visi zina, ka viņiem jādara labāk, un neredz alternatīvu, taču ir nepieciešams kaut kas vairāk, pirms tiek sasniegti izmērāmi ieguvumi.
Lielākajai daļai datu iniciatīvu trūkst vienas vienkāršas sastāvdaļas: dziļas mācīšanās. Tā ir bieži pārprasta tēma, ko Cognitiv's Fain definē kā 'progresīvāku mašīnmācīšanās veidu, kas spēj radīt cilvēkam līdzīgu ieskatu'. Padziļinātas mācīšanās spēja iegūt rezultātus no lielajiem datiem tagad ir būtiska ne tikai konkurences apsvērumu dēļ, bet arī lai iepriekšējie ieguldījumi lielajos datos atmaksātos. Skumji, 39,3% no aptaujātajiem joprojām teica, ka viņu organizācijām trūkst uzņēmuma lielo datu stratēģijas vai tās citādi nezina, ja tāda pastāv - šiem uzņēmumiem ir jākāpj garā kalnā. Patiesībā lielākajai daļai ar datiem balstītu profesionāļu mūs gaida straujš kāpums. Daļa no izaicinājuma ir tā, ka pati nozare nav nobriedusi attiecībā uz datiem. Mēs atskatīsimies pēc 15 gadiem uz to, ko mēs darām, un teiksim: “Vai tas nebija mīlīgi?”, ”Sacīja nesen nesen intervētā globālās mediju aģentūras Programmatic Media direktore. Vinterbermas grupas IAB pētījums .
Lielie dati, datu analīze un mākslīgais intelekts ir ļoti cieši saistīti. Mākslīgajam intelektam - un, dziļi mācoties, - ir nepieciešami dati, tie reaģē un reaģē. Vienīgais veids, kā dziļa mācīšanās var būt efektīva jūsu organizācijai, ir tas, ka jums ir pastāvīga informācijas plūsma, lai to padotu. ” Bruņojoties ar šo informāciju, padziļināti mācīšanās un neironu tīkli var radīt algoritmus un stratēģijas, kas ir unikālas jūsu zīmolam - tādējādi nodrošinot zīmola konkurētspēju un novatorismu. Kā Fains norāda 'Spēja pilnīgāk aprakstīt un izprast patērētāja uzvedību ir pilnīgāka nekā jebkad agrāk, un šāda veida dati padarīs AI mārketinga rīkus dažu nākamo gadu laikā vēl efektīvākus.'
Šajā brīdī visiem zīmoliem ir nepieciešama stingra datu stratēģija. Paskatieties uz tādiem zīmoliem kā Macy's un J.C. Penney šodien, kuri cīnās tādu e-komercijas gigantu kā Amazon un eBay datu centrētas pieejas dēļ. Pareiza stratēģija un, tikpat svarīgi, pareizie rīki, lai maksimāli izmantotu savus datus, ir tas, kas palīdzēs jūsu uzņēmumam saglabāt konkurētspēju un panākumus.
