Segala sesuatu yang Anda pikir Anda ketahui tentang pemodelan analitik telah berubah

Catatan Editor: Berikut ini adalah posting tamu dari David Baker, COO dan salah satu pendiri Cordial.

Berita sekitar setahun terakhir ini terasa berat bagi orang-orang yang berkecimpung dalam bisnis membangun model analitik. Beberapa panggilan yang ditiup di panggung dunia akan memiliki efek itu. Tetapi mereka yang percaya itu mungkin untuk memprediksi hasil tertentu harus mengunjungi meja perjudian Las Vegas. Dalam perjalanan, mereka sebaiknya mempertimbangkan kata-kata Peter Drucker, yang mengatakan, "Mencoba memprediksi masa depan adalah seperti mencoba mengemudi di jalan pedesaan di malam hari tanpa lampu sambil melihat ke luar jendela belakang."

Drucker benar. Adalah bodoh untuk percaya bahwa sebuah model dapat memprediksi masa depan — sebuah pelajaran yang pertama kali saya pelajari di Abad Kegelapan tahun 1990-an, ketika prosesnya memakan waktu berminggu-minggu dan tidak ada yang berpikir bahwa menjadi quant itu keren. Tentu saja, pada masa itu kami memiliki titik data yang relatif sedikit, sehingga gambaran kami tentang konsumen biasa memiliki kemiripan yang mencolok, jika satu dimensi, dengan pembuat model. Tetapi beberapa tahun dari sekarang, pada tahun 2020, menurut satu laporan , setiap orang di planet ini akan menghasilkan 1,7 megabyte informasi baru per detik. Sebagai perbandingan, Audible memperkirakan bahwa satu jam audio mewakili sekitar 28 megabyte ruang penyimpanan, yang berarti rata-rata orang pada tahun 2020 akan menghasilkan setara dengan satu jam audio berkualitas tinggi dalam waktu sekitar 16,5 detik.

Apa artinya memiliki informasi konsumen sebanyak itu? Bisa dibilang, arus informasi akan mengalir dari setetes ke lautan yang luas, tetapi bahkan analogi itu meminimalkan betapa transformatifnya momen ini. Kami tidak berbicara tentang wawasan baru tentang konsumen lama yang sama. Kami melihat kedatangan konsumen yang sama sekali baru, konsumen yang harus dilibatkan oleh pemasar melalui pembelajaran mesin. Yang bisa jadi menantang, karena pembelajaran mesin mengubah semua yang sudah kita ketahui — dan masih banyak lagi yang belum kita pelajari — tentang praktik pemodelan analitik.

Demokratisasi pengambilan keputusan

Banyak pemasar menganggap tumpukan pemasaran sebagai gudang data berat yang membutuhkan koordinasi. Tetapi tumpukan juga merupakan cara berpikir tentang demokratisasi pengambilan keputusan. Semakin banyak informasi yang diserap pemasar, semakin banyak pertanyaan yang dapat mereka ajukan. Dengan lebih banyak pertanyaan, pemasar dapat memainkan lebih banyak skenario. Saat mereka memainkan lebih banyak skenario, pemasar mendemokratisasi pengambilan keputusan tambahan. Itu tidak berarti setiap orang mendapatkan keputusan, itu hanya berarti ada tingkatan di perusahaan yang memiliki hak keputusan untuk keputusan yang berbeda, dan yang lebih penting, tingkat tersebut dapat diperluas dan dikoordinasikan karena kebutuhan akan pengambilan keputusan yang lebih banyak muncul.

Baru baru ini wawancara dengan direktur teknologi pemasaran eBay menawarkan sekilas tentang bagaimana pembelajaran mesin mendemokratisasikan pengambilan keputusan saat ini. Bagi eBay, tantangannya adalah mempersonalisasi pasar dengan miliaran item untuk dijual dan 167 juta pembeli aktif. Solusi perusahaan adalah memberdayakan pemasar eBay untuk membuat kesepakatan sesuai keinginan mereka, tetapi kemudian menempatkan kesepakatan tersebut ke dalam keranjang tertentu sehingga model pembelajaran mesin dapat memanfaatkan riwayat penelusuran pengguna, bersama dengan data lain mungkin, untuk memprediksi kesepakatan mana yang dilakukan pelanggan. akan menemukan yang paling menarik.

Apakah tim pemasaran eBay memprediksi masa depan? Benar-benar tidak. Apa yang mereka lakukan dengan pembelajaran mesin adalah memberi diri mereka sendiri jumlah gigitan yang lebih besar secara eksponensial di apel pepatah. Pikirkan seperti ini: Pepatah lama adalah gagal dengan cepat, mungkin karena Anda akan menemukan kesuksesan lebih cepat. Tetapi cara yang lebih baik untuk menyatakan pepatah lama untuk maju adalah: "Gagal lebih pintar." Kesepakatan yang dibuat pemasar eBay masih sukses dan gagal — mereka akan selalu seperti itu karena prediksi bukanlah kesempurnaan — tetapi keseluruhan perusahaan di eBay mencapai dan kehilangan jauh lebih cepat daripada sebelumnya, yang berarti juga belajar pada tingkat yang lebih cepat secara eksponensial.

Tapi ingat, demokratisasi adalah jalan dua arah

Pelanggan juga memiliki akses ke alat pembelajaran mesin. Kami sudah mempercayai pembelajaran mesin untuk mengatur kotak masuk kami, menyarankan film yang kami tonton, dan mengelola rumah kami. Segera, pembelajaran mesin akan menulis tanggapan kami, dan pada akhirnya, sisi konsumen dari banyak keterlibatan juga akan otomatis, atau setidaknya, didukung oleh pembelajaran mesin. Jadi, apa yang terjadi ketika alat pembelajaran mesin pemasar berhadapan dengan alat yang digunakan oleh konsumen? Jawaban singkatnya adalah kita tidak tahu. Tetapi jika Anda ingin konteks untuk memahami dinamika demokratisasi, lihat aplikasi navigasi Anda.

Fungsi pemetaan pada ponsel kami lebih dari sekadar pembuat rute. Hari ini, kami berharap ponsel kami memberi tahu kami rute tercepat mengingat kondisi lalu lintas yang berlaku. Aplikasi navigasi bersifat adaptif, yang diperlukan karena pola lalu lintas berubah-ubah dan kondisi lingkungan berkembang (mis. dampak cuaca pada rute dan lalu lintas).

Tentu saja, ada jumlah rute yang terbatas karena kota tertentu memiliki jumlah ruang yang terbatas. Keterlibatan yang diperhatikan pemasar secara eksponensial lebih kompleks. Kompleksitas itu akan tumbuh ketika pengambilan keputusan yang demokratis semakin dimasukkan ke dalam perilaku konsumen. Yang berarti Anda dapat membangun perusahaan agar gagal lebih cerdas, tetapi Anda harus ingat bahwa siapa pun yang berada di sisi lain keterlibatan itu juga gagal lebih cerdas. Penawaran dari eBay, misalnya, melihat manfaat yang sangat besar dalam relevansi, berkat pembelajaran mesin. Tetapi di sisi pelanggan, alat pembelajaran mesin serupa mungkin menyaring pembelian impulsif karena model itu telah mempelajari hal berikut tentang konsumen individu: penyesalan pembelian impulsif.

Tetapi kapan model, yang diartikulasikan melalui pembelajaran mesin, memprediksi masa depan?

Tidak pernah. Pemodelan analitis bukan tentang pengungkapan prediktif yang besar. Ini adalah disiplin yang dibangun untuk pengambilan keputusan tambahan, manajemen risiko, dan pembuatan skenario untuk bereaksi terhadap kondisi pasar. Pembelajaran mesin membuka kemampuan baru dalam pemodelan analitis, tetapi pemasar harus mengingat peringatan Drucker tentang memprediksi masa depan. Pembelajaran mesin tidak akan memberi tahu Anda apa yang ada di tikungan di jalan yang gelap itu, tetapi itu akan memberi Anda lebih banyak pilihan secara eksponensial untuk bereaksi terhadap apa pun yang akan terjadi di masa depan ketika Anda sampai di sana. Yang terpenting, pembelajaran mesin bukanlah sesuatu yang harus ditakuti, pada kenyataannya itu hanya mempercepat apa yang sudah dikuasai pemasar — ​​pemikiran kreatif dan memberikan pengalaman hebat kepada pelanggan mereka, dan itulah tujuan akhir yang harus kita perhatikan.