Tutto ciò che pensavi di sapere sulla modellazione analitica è cambiato

Nota del redattore: quello che segue è un guest post di David Baker, COO e co-fondatore di Cordial.

Le notizie dell'ultimo anno sono state difficili per le persone nel settore della creazione di modelli analitici. Alcune chiamate soffiate sulla scena mondiale avranno quell'effetto. Ma chi crede che sia possibile prevedere un risultato specifico dovrebbe fare una visita ai tavoli da gioco di Las Vegas. Lungo la strada, farebbero bene a considerare le parole di Peter Drucker, che ha detto: "Cercare di prevedere il futuro è come cercare di guidare lungo una strada di campagna di notte senza luci guardando fuori dal finestrino posteriore".

Drucker aveva ragione. È follia credere che un modello possa predire il futuro, una lezione che ho imparato per la prima volta nel Medioevo degli anni '90, quando il processo richiedeva settimane e nessuno pensava che fosse bello essere un quant. Naturalmente, a quei tempi avevamo relativamente pochi punti dati, e quindi la nostra immagine di un consumatore tipico aveva una sorprendente, anche se unidimensionale, somiglianza con il modellista. Ma tra qualche anno, entro il 2020, secondo un rapporto , ogni singola persona sul pianeta genererà 1,7 megabyte di nuove informazioni al secondo. Per metterlo in prospettiva, Audible stima che un'ora di audio rappresenti circa 28 megabyte di spazio di archiviazione, il che significa che una persona media nel 2020 genererà l'equivalente di un'ora di audio di alta qualità in circa 16,5 secondi.

Cosa significa avere così tante informazioni sui consumatori? Probabilmente, il flusso di informazioni sta per passare da una goccia a un oceano imponente, ma anche quell'analogia minimizza quanto sia trasformativo questo momento. Non stiamo parlando di nuove intuizioni sullo stesso vecchio consumatore. Stiamo assistendo all'arrivo di un consumatore completamente nuovo, con cui i professionisti del marketing devono interagire tramite l'apprendimento automatico. Il che può essere impegnativo, perché l'apprendimento automatico cambia tutto ciò che già sappiamo - e molto altro ancora dobbiamo imparare - sulla pratica della modellazione analitica.

Democratizzazione delle decisioni

Molti esperti di marketing considerano lo stack di marketing un ingombrante data warehouse che necessita di coordinamento. Ma lo stack è anche un modo di pensare alla democratizzazione delle decisioni. Più informazioni ingeriscono i marketer, più domande possono porre. Con più domande, gli esperti di marketing possono creare più scenari. Man mano che escogitano più scenari, i marketer democratizzano le decisioni incrementali. Ciò non significa che tutti prendano una decisione, significa semplicemente che ci sono livelli nell'azienda che possiedono diritti decisionali per decisioni diverse e, cosa più importante, quei livelli possono essere ampliati e coordinati man mano che sorge la necessità di più decisioni.

Un recente l' intervista con il direttore della tecnologia di marketing di eBay offre un assaggio di come l'apprendimento automatico democratizzi le decisioni in questo momento. Per eBay, la sfida è personalizzare un mercato con miliardi di articoli in vendita e 167 milioni di acquirenti attivi. La soluzione dell'azienda consisteva nel consentire agli esperti di marketing di eBay di creare offerte come meglio credevano, ma poi di inserire tali offerte in bucket specifici in modo che un modello di apprendimento automatico potesse sfruttare la cronologia di navigazione dell'utente, insieme ad altri dati presumibilmente, per prevedere quale offerta un cliente troverebbe molto allettante.

Il team di marketing di eBay prevede il futuro? Assolutamente no. Quello che stanno facendo con l'apprendimento automatico è darsi un numero esponenzialmente maggiore di morsi alla proverbiale mela. Pensala in questo modo: il vecchio adagio è fallire velocemente, presumibilmente perché troverai il successo molto prima. Ma un modo migliore per affermare quel vecchio adagio che va avanti è: "Falli in modo più intelligente". Le offerte create dai marketer di eBay sono ancora incostanti - lo saranno sempre perché la previsione non è la perfezione - ma l'impresa generale di eBay sta colpendo e perdendo molto più velocemente del solito, il che significa che sta anche imparando a un ritmo esponenzialmente più veloce.

Ma ricorda, la democratizzazione è una strada a doppio senso

I clienti hanno anche accesso a strumenti di machine learning. Ci fidiamo già del machine learning per organizzare le nostre caselle di posta, suggerire i film che guardiamo e gestire le nostre case. Presto, l'apprendimento automatico scriverà le nostre risposte e, alla fine, anche il lato consumer di molti impegni sarà automatizzato, o almeno supportato dall'apprendimento automatico. Quindi, cosa succede quando gli strumenti di apprendimento automatico di un marketer si scontrano con quelli impiegati dai consumatori? La risposta breve è che non lo sappiamo. Ma se vuoi un contesto per comprendere il dinamismo della democratizzazione, guarda la tua app di navigazione.

Le funzioni di mappatura sui nostri telefoni sono più che semplici tracciatori di percorsi. Oggi ci aspettiamo che i nostri telefoni ci indichino il percorso più veloce date le condizioni del traffico prevalenti. Le app di navigazione sono per natura adattive, il che è necessario poiché i modelli di traffico sono fluidi e le condizioni ambientali evolvono (ad es. impatto meteorologico sulle rotte e sul traffico).

Naturalmente, ci sono un numero finito di percorsi perché una data città ha una quantità finita di spazio. Gli impegni di cui si occupano i marketer sono esponenzialmente più complessi. Tale complessità aumenterà man mano che il processo decisionale democratizzato diventerà ulteriormente integrato nel comportamento dei consumatori. Ciò significa che puoi costruire un'impresa per fallire in modo più intelligente, ma devi ricordare che chiunque si trovi dall'altra parte di quel coinvolgimento sta anche fallendo in modo più intelligente. Le offerte di eBay, ad esempio, vedono enormi vantaggi in termini di pertinenza, grazie all'apprendimento automatico. Ma dal lato del cliente uno strumento di apprendimento automatico simile potrebbe filtrare gli acquisti impulsivi perché quel modello ha appreso quanto segue su un singolo consumatore: il rimpianto degli acquisti impulsivi.

Ma quando il modello, articolato tramite il machine learning, predice il futuro?

Mai. La modellazione analitica non riguarda la grande rivelazione predittiva. È una disciplina costruita per prendere decisioni incrementali, gestire il rischio e creare scenari per reagire alle condizioni di mercato. L'apprendimento automatico apre nuove funzionalità nella modellazione analitica, ma gli esperti di marketing dovrebbero ricordare l'avvertimento di Drucker sulla previsione del futuro. L'apprendimento automatico non ti dirà cosa c'è dietro l'angolo su quella strada oscura, ma ti darà esponenzialmente più opzioni per reagire a qualunque cosa ti riservi il futuro quando ci arrivi. Ancora più importante, l'apprendimento automatico non è qualcosa da temere, in realtà accelera solo ciò in cui i marketer sono già bravi: il pensiero creativo e la fornitura di esperienze straordinarie ai propri clienti, e questo è davvero l'obiettivo finale su cui dovremmo tenere d'occhio.