你以为你知道的关于分析建模的一切都变了

编者按：以下是Cordial 的首席运营官兼联合创始人 David Baker 的客座文章。

去年左右的消息对于构建分析模型的业务人员来说是艰难的。 世界舞台上的一些吹嘘的呼吁就会产生这种效果。 但是那些相信可以预测特定结果的人应该去拉斯维加斯的赌桌看看。 在路上，他们最好考虑一下彼得·德鲁克的话，他说：“试图预测未来就像试图在没有灯光的夜晚开车在乡间小路上看着后窗。”

德鲁克是对的。 相信一个模型可以预测未来是愚蠢的——这是我在 1990 年代黑暗时代第一次学到的一课，当时这个过程需要数周时间，而且没有人认为成为一名 Quant 很酷。 当然，在那些日子里，我们的数据点相对较少，因此我们对典型消费者的描绘与模型构建者有着惊人的相似之处，即使是一维的。 但几年后，根据一份报告，到 2020 年，地球上的每个人每秒将产生 1.7 兆字节的新信息。 从这个角度来看，Audible 估计一小时的音频代表大约 28 兆字节的存储空间，这意味着 2020 年的普通人将在大约 16.5 秒内产生相当于一小时的高质量音频。

拥有这么多消费者信息意味着什么？ 可以说，信息流即将从滴水流向浩瀚的海洋，但即使是这样的类比也将这一时刻的变革性最小化。 我们不是在谈论关于同一个老消费者的新见解。 我们正在关注全新消费者的到来，营销人员必须通过机器学习与之互动。 这可能具有挑战性，因为机器学习改变了我们已经知道的一切——以及我们尚未学习的更多东西——关于分析建模的实践。

决策民主化

许多营销人员将营销堆栈视为需要协调的笨重数据仓库。 但堆栈也是一种思考决策民主化的方式。 营销人员吸收的信息越多，他们可以提出的问题就越多。 有了更多的问题，营销人员可以玩出更多的场景。 随着他们尝试更多的场景，营销人员使增量决策民主化。 这并不意味着每个人都能做出决定，它只是意味着公司中有不同的层级拥有不同决策的决策权，更重要的是，随着更多决策需求的出现，这些层级可以扩展和协调。

最近 对 eBay 营销技术总监的采访让我们得以一窥目前机器学习如何使决策民主化。 对于 eBay，挑战在于个性化一个拥有数十亿待售商品和 1.67 亿活跃买家的市场。 该公司的解决方案是授权 eBay 的营销人员创建他们认为合适的交易，然后将这些交易放入特定的桶中，以便机器学习模型可以利用用户的浏览历史以及其他数据来预测客户的交易会发现最诱人。

eBay 的营销团队能预测未来吗？ 绝对不。 他们正在用机器学习做的事情是让自己在众所周知的苹果上咬得成倍增加。 可以这样想：古老的格言是快速失败，大概是因为你会更快地找到成功。 但是更好的方式来说明这句古老的格言是：“更聪明地失败”。 eBay 营销人员创建的交易仍然屡试不爽——因为预测并不完美——但eBay 的整体企业正在以更快的速度实现和错过，这意味着它的学习速度也呈指数级增长。

但请记住，民主化是一条双向的道路

客户还可以使用机器学习工具。 我们已经相信机器学习可以整理我们的收件箱、推荐我们观看的电影并管理我们的家。 很快，机器学习将编写我们的回复，最终，许多参与的消费者方面也将自动化，或者至少得到机器学习的支持。 那么，当营销人员的机器学习工具与消费者使用的工具发生冲突时会发生什么？ 简短的回答是我们不知道。 但是，如果您想了解民主化的活力，请查看您的导航应用程序。

我们手机上的地图功能不仅仅是路线制定者。 今天，我们希望我们的手机能够在当前交通状况下告诉我们最快的路线。 导航应用程序本质上是自适应的，这是必要的，因为交通模式是流动的并且环境条件不断变化（例如天气对路线和交通的影响）。

当然，路线的数量是有限的，因为给定城市的空间是有限的。 营销人员关注的参与度呈指数级增长。 随着民主化决策进一步融入消费者行为，这种复杂性将会增加。 这意味着您可以建立一个更聪明地失败的企业，但您必须记住，参与该参与的任何人也会更聪明地失败。 例如，得益于机器学习，来自 eBay 的交易在相关性方面获得了巨大的收益。 但在客户方面，类似的机器学习工具可能会过滤掉冲动购买，因为该模型已经了解了个人消费者的以下信息：冲动购买的遗憾。

但是，通过机器学习表达出来的模型何时能预测未来呢？

绝不。 分析建模不是关于大的、预测性的揭示。 这是一门为增量决策、风险管理和创建场景以应对市场条件而建立的学科。 机器学习为分析建模开辟了新的能力，但营销人员应该记住德鲁克关于预测未来的警告。 机器学习不会告诉你在那条黑暗的道路上拐角处会发生什么，但它会为你提供成倍增加的选择，让你在到达那里时对未来发生的任何事情做出反应。 最重要的是，机器学习并不可怕，事实上它只会加速营销人员已经擅长的事情——创造性思维并为客户提供出色的体验，而这确实是我们应该关注的最终目标。