ทุกสิ่งที่คุณคิดว่าคุณรู้เกี่ยวกับการสร้างแบบจำลองเชิงวิเคราะห์เปลี่ยนไปแล้ว

หมายเหตุบรรณาธิการ: ต่อไปนี้เป็นโพสต์รับเชิญจาก David Baker, COO และผู้ร่วมก่อตั้ง Cordial

ข่าวของปีที่แล้วเป็นเรื่องยากสำหรับคนที่อยู่ในธุรกิจการสร้างแบบจำลองการวิเคราะห์ การเรียกร้องเล็กน้อยบนเวทีโลกจะมีผลเช่นนั้น แต่บรรดาผู้ที่เชื่อว่ามีความเป็นไปได้ที่จะทำนายผลลัพธ์ที่เฉพาะเจาะจงควรไปที่โต๊ะการพนันของลาสเวกัส ระหว่างทาง ควรพิจารณาคำพูดของ Peter Drucker ที่กล่าวว่า "การพยายามทำนายอนาคตก็เหมือนกับการพยายามขับรถไปตามถนนในชนบทในตอนกลางคืนโดยไม่มีไฟขณะมองออกไปนอกหน้าต่าง"

ดรักเกอร์พูดถูก เป็นเรื่องโง่ที่เชื่อว่าตัวแบบสามารถทำนายอนาคตได้ — บทเรียนแรกที่ฉันได้เรียนรู้ในยุคมืดของทศวรรษ 1990 เมื่อกระบวนการนี้ใช้เวลาหลายสัปดาห์และไม่มีใครคิดว่ามันเป็นการดีที่จะเป็นเพียงตัวเลข แน่นอนว่าในสมัยนั้น เรามีจุดข้อมูลค่อนข้างน้อย ดังนั้นภาพผู้บริโภคทั่วไปของเราจึงมีความคล้ายคลึงกับตัวสร้างแบบจำลอง แต่ในอีกไม่กี่ปีข้างหน้า ภายในปี 2020 ตาม รายงานฉบับ หนึ่ง ทุกๆ คนบนโลกใบนี้จะสร้างข้อมูลใหม่ 1.7 เมกะไบต์ต่อวินาที ในมุมมองดังกล่าว Audible ประมาณการว่าหนึ่งชั่วโมงของเสียงแสดงถึงพื้นที่จัดเก็บประมาณ 28 เมกะไบต์ ซึ่งหมายความว่าบุคคลทั่วไปในปี 2020 จะสร้างเสียงคุณภาพสูงเทียบเท่าหนึ่งชั่วโมงในเวลาประมาณ 16.5 วินาที

การมีข้อมูลผู้บริโภคมากขนาดนั้นหมายความว่าอย่างไร เป็นไปได้ว่าการไหลของข้อมูลกำลังจะเปลี่ยนจากการหยดลงสู่มหาสมุทรอันยิ่งใหญ่ แต่ถึงกระนั้นการเปรียบเทียบนั้นก็ช่วยลดการเปลี่ยนแปลงของช่วงเวลานี้ให้เหลือน้อยที่สุด เราไม่ได้พูดถึงข้อมูลเชิงลึกใหม่ๆ เกี่ยวกับผู้บริโภครายเดิม เรากำลังพิจารณาการมาถึงของผู้บริโภครายใหม่ ซึ่งนักการตลาดต้องมีส่วนร่วมผ่านการเรียนรู้ของเครื่อง ซึ่งอาจเป็นเรื่องที่ท้าทาย เนื่องจากแมชชีนเลิร์นนิงเปลี่ยนแปลงทุกสิ่งที่เรารู้อยู่แล้ว — และเรายังต้องเรียนรู้อีกมาก — เกี่ยวกับแนวทางปฏิบัติของการสร้างแบบจำลองเชิงวิเคราะห์

ประชาธิปไตยในการตัดสินใจ

นักการตลาดหลายคนคิดว่ากองการตลาดเป็นคลังข้อมูลเทอะทะที่ต้องการการประสานงาน แต่กลุ่มนี้ยังเป็นวิธีคิดเกี่ยวกับการตัดสินใจให้เป็นประชาธิปไตยอีกด้วย ยิ่งนักการตลาดบริโภคข้อมูลมากเท่าไร ก็ยิ่งมีคำถามมากขึ้นเท่านั้น เมื่อมีคำถามมากขึ้น นักการตลาดก็สามารถคาดเดาสถานการณ์ต่างๆ ได้มากขึ้น ขณะที่พวกเขาคาดเดาสถานการณ์ต่างๆ มากขึ้น นักการตลาดก็จะทำให้การตัดสินใจแบบค่อยเป็นค่อยไป นั่นไม่ได้หมายความว่าทุกคนจะได้รับการตัดสินใจ แต่มันหมายความว่ามีระดับในบริษัทที่มีสิทธิ์ในการตัดสินใจสำหรับการตัดสินใจที่แตกต่างกัน และที่สำคัญกว่านั้น ระดับเหล่านั้นสามารถขยายและประสานงานได้เมื่อมีความจำเป็นในการตัดสินใจมากขึ้น

เมื่อเร็ว ๆ นี้ การสัมภาษณ์ ผู้อำนวยการฝ่ายเทคโนโลยีการตลาดของ eBay เผยให้เห็นว่าแมชชีนเลิร์นนิงทำให้การตัดสินใจเป็นประชาธิปไตยได้อย่างไร สำหรับ eBay ความท้าทายคือการปรับตลาดให้เป็นแบบส่วนตัวด้วยสินค้าหลายพันล้านรายการสำหรับขายและผู้ซื้อที่ใช้งานอยู่ 167 ล้านคน โซลูชันของบริษัทคือการให้อำนาจนักการตลาดของ eBay ในการสร้างข้อตกลงตามที่เห็นสมควร แต่จากนั้นให้วางข้อตกลงเหล่านั้นลงในถังเฉพาะ เพื่อให้โมเดลการเรียนรู้ของเครื่องสามารถใช้ประโยชน์จากประวัติการเข้าชมของผู้ใช้ ร่วมกับข้อมูลอื่น ๆ ที่น่าจะคาดการณ์ได้ จะพบว่ามีเสน่ห์มากที่สุด

ทีมการตลาดของ eBay ทำนายอนาคตหรือไม่? ไม่ได้อย่างแน่นอน. สิ่งที่พวกเขาทำกับแมชชีนเลิร์นนิงคือการให้คำที่แอปเปิ้ลที่เลื่องลือแก่พวกเขากัดมากขึ้นแบบทวีคูณ คิดอย่างนี้: สุภาษิตโบราณคือความล้มเหลวอย่างรวดเร็ว อาจเป็นเพราะคุณจะพบความสำเร็จเร็วกว่านั้นมาก แต่วิธีที่ดีกว่าในการระบุว่าสุภาษิตโบราณในอนาคตคือ: "ล้มเหลวอย่างชาญฉลาด" ข้อตกลงที่นักการตลาดของ eBay สร้างขึ้นยังคงถูกตีและพลาด – มักจะเป็นเพราะการคาดการณ์ไม่สมบูรณ์แบบ – แต่องค์กรโดยรวมที่ eBay ล้มเหลวและเร็วกว่าที่เคยเป็น ซึ่งหมายความว่ายังเรียนรู้ในอัตราที่เร็วขึ้นแบบทวีคูณ

แต่จำไว้ว่า ประชาธิปไตยเป็นถนนสองทาง

ลูกค้ายังสามารถเข้าถึงเครื่องมือการเรียนรู้ของเครื่องอีกด้วย เราไว้วางใจแมชชีนเลิร์นนิงในการจัดระเบียบกล่องขาเข้าของเรา แนะนำภาพยนตร์ที่เราดูและจัดการบ้านของเรา ในไม่ช้า แมชชีนเลิร์นนิงจะเขียนคำตอบของเรา และในที่สุด ฝ่ายผู้บริโภคของการมีส่วนร่วมจำนวนมากจะเป็นแบบอัตโนมัติเช่นกัน หรืออย่างน้อยที่สุด ก็ได้รับการสนับสนุนโดยแมชชีนเลิร์นนิง แล้วจะเกิดอะไรขึ้นเมื่อเครื่องมือแมชชีนเลิร์นนิงของนักการตลาดล็อกแตรกับเครื่องมือที่ผู้บริโภคใช้ คำตอบสั้น ๆ คือเราไม่รู้ แต่ถ้าคุณต้องการบริบทเพื่อทำความเข้าใจไดนามิกของการทำให้เป็นประชาธิปไตย ให้ดูที่แอปการนำทางของคุณ

ฟังก์ชันการทำแผนที่บนโทรศัพท์ของเราเป็นมากกว่าผู้สร้างเส้นทางเท่านั้น วันนี้ เราคาดว่าโทรศัพท์ของเราจะแจ้งเส้นทางที่เร็วที่สุดเมื่อพิจารณาจากสภาพการจราจรในปัจจุบัน แอพการนำทางนั้นปรับเปลี่ยนได้ตามธรรมชาติ ซึ่งจำเป็นเนื่องจากรูปแบบการจราจรจะลื่นไหลและสภาพแวดล้อมก็เปลี่ยนแปลงไป (เช่น ผลกระทบของสภาพอากาศต่อเส้นทางและการจราจร)

แน่นอนว่ามีเส้นทางจำนวนจำกัด เนื่องจากเมืองหนึ่งๆ มีพื้นที่จำกัด นักการตลาดที่เกี่ยวข้องกับการมีส่วนร่วมนั้นซับซ้อนกว่าแบบทวีคูณ ความซับซ้อนนั้นจะเติบโตขึ้นเมื่อการตัดสินใจแบบประชาธิปไตยกลายเป็นพฤติกรรมของผู้บริโภค ซึ่งหมายความว่าคุณสามารถสร้างองค์กรที่ล้มเหลวอย่างชาญฉลาดขึ้นได้ แต่คุณต้องจำไว้ว่าใครก็ตามที่อยู่อีกด้านหนึ่งของการมีส่วนร่วมนั้นก็จะล้มเหลวอย่างชาญฉลาดเช่นกัน ตัวอย่างเช่น ข้อตกลงจาก eBay มองเห็นประโยชน์มหาศาลในความเกี่ยวข้อง ต้องขอบคุณแมชชีนเลิร์นนิง แต่ในด้านลูกค้า เครื่องมือการเรียนรู้ของเครื่องที่คล้ายกันอาจกรองการซื้อแรงกระตุ้นออกไป เนื่องจากโมเดลดังกล่าวได้เรียนรู้สิ่งต่อไปนี้เกี่ยวกับผู้บริโภคแต่ละราย: ความเสียใจจากการซื้อแรงกระตุ้น

แต่เมื่อใดที่โมเดลซึ่งพูดชัดแจ้งผ่านการเรียนรู้ของเครื่องจะทำนายอนาคตได้

ไม่เคย. การสร้างแบบจำลองเชิงวิเคราะห์ไม่ได้เกี่ยวกับการเปิดเผยเชิงคาดการณ์ครั้งใหญ่ เป็นวินัยที่สร้างขึ้นสำหรับการตัดสินใจที่เพิ่มขึ้น การบริหารความเสี่ยง และการสร้างสถานการณ์เพื่อตอบสนองต่อสภาวะตลาด แมชชีนเลิร์นนิงเปิดความสามารถใหม่ๆ ในการสร้างแบบจำลองเชิงวิเคราะห์ แต่นักการตลาดควรจำคำเตือนของ Drucker เกี่ยวกับการทำนายอนาคต แมชชีนเลิร์นนิงจะไม่บอกคุณว่าอะไรอยู่ตรงหัวมุมถนนที่มืดมิดนั้น แต่จะทำให้คุณมีตัวเลือกมากขึ้นแบบทวีคูณในการตอบสนองต่อสิ่งที่จะเกิดขึ้นในอนาคตเมื่อคุณไปถึงที่นั่น สิ่งสำคัญที่สุดคือการเรียนรู้ของเครื่องไม่ได้เป็นสิ่งที่ต้องกลัว อันที่จริงมันเพียงแต่เร่งสิ่งที่นักการตลาดมีอยู่แล้วเท่านั้น — ความคิดสร้างสรรค์และการมอบประสบการณ์ที่ยอดเยี่ยมให้กับลูกค้าของพวกเขา และนั่นคือเป้าหมายสุดท้ายที่เราควรจับตามอง