Ano ang susi sa Amazon at Google's tagumpay sa kita ? Alam ng lahat ang sagot: Data.
Ang dahilan para sa emperyo ng social media ng Facebook at pag-upending ng Spotify ng negosyo sa streaming ng musika? Data
Ang lahat ng mga kumpanyang ito ay pinamamahalaang makamit ang napakaraming impormasyon na nakukuha nila mula sa kanilang rami ng mga gumagamit - maging ang kanilang ugali sa paghahanap, mga post na ibinabahagi nila, ang mga produktong binibili nila, o ang musikang kanilang pinakinggan - sa mga pangunahing stream ng kita. Hindi lamang ang katotohanan na ang mga kumpanyang ito ay nakapagtipon ng data sa milyon-milyong (o bilyun-bilyon, sa kaso ng ilan sa mga kumpanyang ito); ito ay ang mga kumpanyang iyon na pinamamahalaang mabisang magamit ang data na iyon upang mas maintindihan at ma-market ang kanilang mga gumagamit. Ang lahat ng mga kumpanyang ito ay gumagamit ng artipisyal na katalinuhan (o, mas tumpak, malalim na pag-aaral) upang magawa ito.
Siyempre, mahalagang tandaan na hindi mo kailangang maging isang nangingibabaw na negosyo tulad ng Amazon o Google upang gawing isang mapagkumpitensyang kalamangan ang data. Tulad ng artipisyal na intelihensiya ay naging unting advanced at mas malawak na pinagtibay, magsisimula kaming makakita ng maraming mga kumpanya - malaki at maliit - na lumiliko sa AI upang makagawa ng mas mahusay na mga diskarte sa data at manalo ng pag-aampon ng customer, at upang mas mahusay na makipagkumpitensya laban sa kanilang kumpetisyon .
Ang susi sa pagkatalo ng iyong kumpetisyon, ayon kay Jeremy Fain, ng pangunguna ng neural network na teknolohiya may kinalaman , ay nagkakaroon ng mas mahusay na data - hindi kinakailangang higit pa rito, ngunit ang data na wala sa iyong mga kakumpitensya. Sa teorya, ang bawat tatak ay may kakayahang bumuo ng kanilang sariling natatanging mga assets ng data, dahil ang bawat tatak ay dapat na bahagyang naiiba upang makipagkumpetensya. Nangangahulugan ito na ang mga customer ng isang tatak, sa pinakamaliit, bahagyang naiiba mula sa kanilang kumpetisyon, na nangangahulugang mayroon silang natatanging anggulo na maaari nilang magamit. Ang bawat piraso ng data na nakukuha mo sa iyong customer o potensyal na customer ay samakatuwid isa pang piraso ng impormasyon na maaari mong gamitin upang makagawa ng isang mabisang diskarte sa marketing o advertising.
Upang magamit nang epektibo ang impormasyong ito, kailangan mo munang magpasya kung ano ang iyong layunin. Naghahanap ka ba ng higit pang mga benta? Sinusubukan mo bang makamit ang mas mataas na trapiko ng paa sa mga tindahan? Ang iyong layunin bang magkaroon ng mas mataas na kamalayan sa merkado ng iyong produkto? Kapag nagawa mo na iyan, maaari mong tingnan ang data upang makita kung ito ay nasa tamang format para magamit sa malalim na pag-aaral. Ito ay isang bagay na mahirap ipaliwanag nang simple, ngunit sa panimula, ang data ay dapat na nasa isang hindi pinaghiwalay na estado - ibig sabihin, magmula ito sa maraming mapagkukunan upang ang mas malalim na konklusyon ay maaaring makuha mula rito. Nangangahulugan iyon na hindi mo talaga kailangang malaman lamang kung gaano karaming mga tao ang bumisita sa isang tindahan, ngunit sa halip kung kailan eksaktong bumisita ang bawat tao. Hindi mo na kailangang tingnan kung gaano karaming mga benta ang nagawa mo, kundi pati na rin kung ano ang bawat pagbebenta at kanino. Upang makakuha pa ng isang hakbang, dapat mong kilalanin kung anong mga touchpoint ang mayroon ka sa isang customer bago sila makipag-transact sa iyo, kung anong mga ad ang ipinakita sa kanila, at kailan at saan naganap ang lahat ng pakikipag-ugnay. Huwag pa bang kolektahin ang ganitong uri ng data? Sa gayon, iyon ang iyong unang takdang-aralin sa takdang-aralin.
Nangangahulugan ito na magkakaroon ka ng mas maraming data na maiimbak kaysa sa nakasanayan mo, ngunit ang magandang balita ay ang imbakan ay mura. Dagdag pa, kung wala ang impormasyong iyon, hindi mo magagawang samantalahin ang lakas ng malalim na pag-aaral at makipagkumpitensya sa bagong mundong ito.
Isang pag-aaral sa 2016 ng mga executive ng Fortune 1000 natuklasan iyon 48.4% lamang sa mga na-survey ang nag-ulat ng nasusukat na mga resulta bilang resulta ng kanilang pagkukusa sa data - ngunit 80.7% ang nakadama ng mga pagsisikap na isang tagumpay at mahalaga. Nangangahulugan ito na alam ng lahat na kailangan nilang gumawa ng mas mahusay at hindi makakita ng isang kahalili, ngunit may higit na kinakailangan bago makamit ang masusukat na mga benepisyo sa buong board.
Karamihan sa mga pagkukusa ng data ay nakakaligtaan ng isang simpleng sangkap: malalim na pag-aaral. Ito ay isang madalas na hindi naiintindihan na paksa, na tinukoy ng Cognitiv's Fain bilang 'isang mas advanced na uri ng pag-aaral ng makina na may kakayahang bumuo ng pananaw na tulad ng tao.' Ang kakayahan ng malalim na pag-aaral upang makakuha ng mga resulta mula sa malaking data ay mahalaga ngayon hindi lamang para sa mga mapagkumpitensyang kadahilanan, ngunit din upang gumawa ng nakaraang pamumuhunan sa malaking data na magbayad. Nakalulungkot, 39.3% ng mga na-survey sinabi pa rin na ang kanilang mga samahan ay kulang sa isang diskarte sa Big Data ng enterprise, o kung hindi man walang kamalayan kung mayroon ang isa - ang mga kumpanyang ito ay may mahabang burol na aakyatin. Sa katunayan, ang karamihan sa mga propesyonal na hinihimok ng data ay may matarik na pag-akyat sa unahan natin. 'Bahagi ng hamon ay ang industriya mismo ay wala pa sa gulang na paligid ng data. Susuriin natin ang 15 taon mula ngayon sa ginagawa at sasabihing, 'Hindi ba maganda iyon?', 'Sinabi ng isang Direktor ng Programmatic Media para sa isang pandaigdigang ahensya ng media na nainterbyu para sa isang kamakailan lamang Pag-aaral ng Winterberry Group IAB .
Ang malaking data, analytics ng data, at artipisyal na intelihensiya ay magkakaroon ng kamay. Artipisyal na katalinuhan - at, sa pamamagitan ng pagdaragdag, malalim na pag-aaral - nangangailangan ng data, reams at reams nito. Ang tanging paraan na ang bisa ng malalim na pag-aaral ay maaaring maging epektibo para sa iyong samahan ay kung mayroon kang isang matatag na stream ng impormasyon upang pakainin ito. ' Gamit ang impormasyong ito, ang malalim na pag-aaral at mga neural network ay maaaring lumikha ng mga algorithm at diskarte na natatangi sa iyong tatak - sa gayon tinitiyak na ang tatak ay mananatiling mapagkumpitensya at makabago. Bilang Fain tinuturo , 'Ang kakayahang mas ganap na ilarawan at maunawaan ang pag-uugali ng isang consumer ay mas kumpleto kaysa dati, at ang ganoong uri ng data ay gagawing mas epektibo ang mga tool sa marketing ng AI sa mga susunod na ilang taon.'
Sa puntong ito, ang lahat ng mga tatak ay nangangailangan ng isang malakas na diskarte sa data. Tingnan lamang ang mga tatak tulad ng Macy's at J.C. Penney's ngayon, na nagpupumilit bilang resulta ng data-centric na mga diskarte ng mga higanteng e-commerce tulad ng Amazon at eBay. Ang pagkakaroon ng tamang diskarte at, tulad ng mahalaga, ang mga tamang tool upang masulit ang iyong data, ang makakatulong na mapanatili ang kumpetisyon ng iyong kumpanya, at matagumpay.
