Hva er nøkkelen til Amazon og Google inntektssuksess ? Alle vet svaret: Data.
Årsaken til Facebooks sosiale medier-imperium og Spotifys oppadgående musikkstrømningsvirksomhet? Data.
Alle disse selskapene har klart å utnytte de store mengdene informasjon de får fra mange brukere - enten det er søkevanene deres, innleggene de deler, produktene de kjøper eller musikken de lytter til - til store inntektsstrømmer. Det er ikke bare det faktum at disse selskapene har vært i stand til å samle inn data på millioner (eller milliarder, i tilfelle noen av disse selskapene); det er at disse selskapene har klart å effektivt bruke disse dataene for å bedre forstå og markedsføre til brukerne. Alle disse selskapene bruker kunstig intelligens (eller, mer nøyaktig, dyp læring) for å gjøre dette.
hvor høy er scott clifton
Selvfølgelig er det viktig å merke seg at du ikke trenger å være en dominerende bedrift som Amazon eller Google for å gjøre data til et konkurransefortrinn. Etter hvert som kunstig intelligens blir stadig mer avansert og mer adoptert, begynner vi å se mange selskaper - store og små - som vender seg til AI for å komme med bedre datastrategier og vinne adopsjon av kunder, og for å bedre konkurrere mot konkurrentene. .
Nøkkelen til å slå konkurrentene dine, ifølge Jeremy Fain, av banebrytende nevrale nettverksteknologi kognitivt , har bedre data - ikke nødvendigvis mer av det, men dataene som konkurrentene dine ikke har. I teorien er hvert merke i stand til å utvikle sine egne unike dataverdier, fordi hvert merke må være litt annerledes for å konkurrere. Dette betyr at kundens merkevarer i det minste er litt forskjellige fra konkurrentene, noe som betyr at de har en unik vinkel som de kan bruke. Hvert stykke data du får om din kunde eller potensielle kunde, er derfor en annen informasjon du kan bruke til å lage en effektiv markedsførings- eller annonseringsstrategi.
når giftet graham wardle seg
For å kunne bruke denne informasjonen effektivt, må du først bestemme hva målet ditt er. Leter du etter mer salg? Prøver du å oppnå høyere fottrafikk i butikkene? Er målet ditt å ha høyere markedsbevissthet om produktet ditt? Når du har gjort det, kan du se på dataene for å se om det er i riktig format for bruk med dyp læring. Dette er noe som er vanskelig å forklare enkelt, men i utgangspunktet må data være i en oppdelt tilstand - det vil si at de må komme fra flere kilder slik at mer inngående konklusjoner kan trekkes fra det. Det betyr at du ikke egentlig trenger å vite bare hvor mange som besøkte en butikk, men i stedet når nøyaktig hver person besøkte. Du trenger ikke lenger se på hvor mange salg du har gjort, men også hva hvert salg var og til hvem. For å komme et skritt videre må du identifisere hvilke berøringspunkter du hadde med en kunde før de handlet med deg, hvilke annonser de ble vist, og når og hvor alle interaksjonene skjedde. Samler du ikke denne typen data ennå? Vel, det er den første leksen din.
Dette betyr at du vil ha mye mer data å lagre enn du har vært vant til, men den gode nyheten er at lagring er billig. I tillegg, uten denne informasjonen, vil du ikke kunne dra nytte av kraften til dyp læring og konkurrere i denne nye verdenen.
som er michael ealy bror
En studie fra 2016 av Fortune 1000-ledere avdekket det bare 48,4% av de spurte rapporterte målbare resultater som et resultat av deres datainitiativer - men 80,7% mente innsatsen var en suksess og viktig. Dette betyr at alle vet at de må gjøre det bedre og ikke se et alternativ, men det trengs noe mer før målbare fordeler oppnås over hele linja.
De fleste datainitiativer savner en enkel ingrediens: dyp læring. Det er et ofte misforstått emne, definert av Cognitiv's Fain som 'en mer avansert type maskinlæring som er i stand til å generere menneskelig innsikt.' Deep learnings evne til å få resultater fra big data er nå viktig ikke bare av konkurransedyktige årsaker, men også for å få tidligere investeringer i big data til å lønne seg. Dessverre, 39,3% av de spurte sa fremdeles at organisasjonene deres manglet en Big Data-strategi, eller på annen måte var uvitende om en eksisterte - disse selskapene har en lang bakke å klatre opp. Faktisk har de fleste datadrevne fagfolk en bratt stigning foran oss. 'En del av utfordringen er at industrien selv er umoden rundt data. Vi vil se tilbake på 15 år fra nå av hva vi gjør og si: 'Var det ikke søtt?', Sa en direktør for Programmatic Media for et globalt mediebyrå som nylig ble intervjuet. Winterberry Group IAB-studie .
Big data, dataanalyse og kunstig intelligens går veldig mye hånd i hånd. Kunstig intelligens - og, i forlengelse, dyp læring - krever data, reams og reams av den. Den eneste måten dyp læring kan være effektiv for organisasjonen din er hvis du har en jevn strøm av informasjon for å mate den. ' Bevæpnet med denne informasjonen kan dyp læring og nevrale nettverk skape algoritmer og strategier som er unike for ditt merke - og dermed sikre at merkevaren forblir konkurransedyktig og innovativ. Som Fain påpeker , 'Evnen til å beskrive og forstå en forbrukeres atferd mer fullstendig enn noen gang før, og den slags data vil gjøre AI-markedsføringsverktøy enda mer effektive de neste årene.'
På dette punktet trenger alle merker en sterk datastrategi. Bare se på merkevarer som Macy og J.C. Penney i dag, som sliter som et resultat av de datasentriske tilnærmingene til e-handelsgiganter som Amazon og eBay. Å ha riktig strategi og, like viktig, de riktige verktøyene for å få mest mulig ut av dataene dine, er det som vil bidra til å holde bedriften konkurransedyktig og vellykket.
