关于营销中的人工智能,我们仍然需要了解什么

时间:2021-08-25 15:05编辑:mozhe来源:网络整理当前位置:主页 > 技术 >

越来越多的公司正在转向人工智能来解决一些最棘手的问题。人工智能的承诺是它可以处理大量数据并帮助人们做出更好的决策。公司经常为该技术寻找有利可图的用例的一个领域是营销。

这比看起来更难。一家消费品公司的数据科学家最近使用人工智能来提高销售预测系统的准确性。虽然他们确实让系统整体运行得更好,但实际上在预测高利润产品方面变得更糟。因此,新的、改进的系统实际上是亏本的。

今天的嘉宾说,许多领导者过于依赖人工智能和营销,而没有先考虑如何与之互动。他们可能会问错误的问题或强迫技术进入不兼容的系统。

伊娃·阿斯卡扎是哈佛商学院的副教授。她是 HBR 文章“为什么您没有从营销 AI 中获得更多收益”的合著者。伊娃。感谢您加入我们。

EVA ASCARZA:

谢谢你邀请我。

CURT NICKISCH:

让我们从宽泛的角度开始,因为我知道人工智能或 AI 是一个每个人都经常听到的术语。我们可能对 AI 基于我们所处的行业或我们如何使用它有自己的理解。您如何看待当今的人工智能以及它在营销应用中最常见的用途是什么?

EVA ASCARZA:

我们的意思是,我和我的合著者,我们在营销中看到最多的关于人工智能的意思通常是使用不同跟踪设备、不同系统、交易收集的数据。

所以它通常是客户个人层面的数据。人工智能真正谈论的是整个系统,它收集数据,从数据中获取洞察力,然后将这些数据插入到决策中。因此,更简单的用法可能只是,我已经收集了客户的数据。我查看了我的交易数据,然后我要做的是预测他们在接下来的时期将消费多少。这也可以定义为人工智能。现在它不是最复杂的,但它是一种人工智能,因为它使用数据从中获取洞察力。

这将映射到一些营销决策。现在人工智能的其他用途可能会越来越复杂。例如,它可以是一个系统,例如,在优步定价,他们使用人工智能来定价。为什么?因为他们需要收集实时数据,或者当他们叫车时,司机在哪里,用户在哪里。他们在司机和骑手之间进行这种匹配。而且它们的价格实际上对公司的目标来说是最佳的。所以所有这些都是一个完整的系统。集合分析和决策合而为一。因此,您可能会使用 AI 进行大量自动化,但有时也会使用基于统计数据和机器学习的简单决策,这些方法是用于理解这些数据的方法。

CURT NICKISCH:

是的,如果你试图预测销售,知道它非常棘手,需要很多时间,而且它不准确,这是很有意义的,这是一个使用 AI 做得更好的机会,做一些你已经在做的事情,但希望以更好的方式去做。

EVA ASCARZA:

我的意思是从历史角度来看,人们谈论的是数据驱动营销,对吧?许多年前,这只是意味着您将使用您的数据,得出一个输出,例如,预测数字,然后您将使用它来做出决定。现在是这样——人们在谈论数据挖掘,因为突然之间你有了更多的数据。所以更多的是挖掘数据。

然后我认为我们从那时到现在越来越多的人开始使用机器学习,而实际上机器学习是指人们用来理解数据和做出预测的工具。现在人工智能封装了更多,可以进行整体集成。现在有很多公司只是在使用一些预测模型,它也是人工智能,但我认为人们更多地使用人工智能作为最新的词,只是因为也封装了越来越多的东西。

CURT NICKISCH:

是的。人们在哪里遇到的问题最多?

EVA ASCARZA:

所以,我们主要与营销领域的公司合作,对吗?公司将人工智能用于许多不同的任务和许多不同的目标。我们在营销中观察到的就是我们所说的错位。为了利用 AI 系统或 AI 预测的价值,无论您预测什么,无论行为,无论您预测什么数字,都必须与公司最终做出的决策非常一致。

我们看到的是最大的问题或不是最大的问题,最常见的是公司采用某些人工智能系统或他们建立数据科学团队的事实。这些团队获取全部数据并开始预测他们可以很好预测的事情以及让他们兴奋的事情。他们从客户的心态中预测了很多行为。

例如,可能来自客户,您预测他们是否会在 Expedia 上做。你预测他们是否会点击某物,他们是否会喜欢某物。产生这些预测的团队对此非常兴奋,因为这是他们知道如何做的事情,也是他们喜欢做的事情。

但与此同时,营销团队并不真正感兴趣,好吧,有多少客户会喜欢这个。他们真的很想知道首先推出什么产品或设定什么价格或谁将获得折扣。因此,预测给您的结果(这是对您没有的某些信息的回答)与实际做出的决定之间存在一些偏差。

所以我给你举个例子。有很多很多公司试图减少客户流失。您不希望您的客户转向竞争对手。你所做的是考虑保持它们的策略,正确的,通常是积极的策略。因此,您会看到许多公司花费大量金钱和精力与他们的团队建立非常复杂且非常准确的模型,以告诉您哪些客户最有可能在下一个时期,下个月,下个月离开年什么的,对吧。现在这只是故事的一部分,因为该预测可能有用,但是预测谁会非常有用,您能告诉我我的客户中有哪些人会被我的报价说服吗?

所以我经常做的比较就像,假设你希望有人投票给你。这是一次选举。你希望人们为你投票。AI 可以告诉你谁会投票给你,谁会投票给另一个人,但这对你没有用。对你有用的是,如果人工智能可以告诉你谁是有说服力的选票,谁是通过听取你的意见将比以前更有可能投票给你的人。这就是为什么我们称其为未对齐的原因,因为预测会为您提供一种行为。但决定是改变这种行为,而不是预测,而不是像算命先生那样。

所以我认为这是开处方和治疗的医生或告诉你将要发生的事情的算命先生之间的区别。

CURT NICKISCH:

是的。这很有趣,因为您描述的场景听起来几乎与 AI 毫无关系。对。它与决策有关,思考问题——

伊娃·阿斯卡扎:当然。这很笼统,是问题本身与AI无关。然而,人工智能增强了这个问题。让我告诉你为什么。如果我们采用复杂的技术进行预测,很容易失去对业务目标的跟踪。例如,如果您不使用任何 AI 进行这些预测,而营销人员根据她的直觉做出决定,例如,对吗?假设我是营销人员。我将决定将此活动发送给谁。如果我只是凭直觉做这件事,因为我有过去的经验,或者没有,我会考虑我刚刚告诉你的这个有说服力的客户的故事,因为这是常识,那就是思考行动的方式。

但我想采用 AI 使我的预测更加精确,对吗?这就是为什么人们采用 AI 的方式更加精确,以利用这些海量数据。因此,通过采用这些 AI,我所做的是将决策者与预测者分开,而预测者现在可能是一个不同的团队。大多数情况下,不同团队最有可能是与 AI 交互的人。这就是失调的发生方式,因为现在人们最终会做他们知道如何做的事情。所以人们称之为,我们也称之为路灯效应。数据科学团队将倾向于以他们知道如何做的方式预测和分析数据。

但他们还没有想过真正改变人们行为的方法是什么,而营销人员则坐在不同的房间里。而这两个团队之间的这种错误沟通使这种错位更加严重。因此,并不是人工智能导致了问题,根本不是,而是可以说是它的一种推动者。

CURT NICKISCH:

哇。这总是有点令人担忧,但看到如此多的事情刚刚回到组织结构和管理,也令人耳目一新。对。

伊娃·阿斯卡扎:没错。问题是,我认为在 20、30 年前,在不确定性下的决策制定方面有很多非常有趣、惊人的工作。而其中的大部分都被遗忘了。我相信,至少与我的意思是,我们一直在与团队交谈,他们没有考虑过在不确定性下的决策。这正是利用 AI 的方式。有一个未知数。有些事情你不知道,你将使用人工智能给你预测。

这些预测将具有不确定性。因此,您必须了解这些不确定性的结果是什么?公司的成本是多少,并将其整合到整个决策框架中。

CURT NICKISCH:

您已经工作和学习过,您曾与大量在营销工作中实施人工智能的公司合作并研究过这些公司。他们似乎还遇到了哪些其他关键陷阱?

EVA ASCARZA:

所以,我不知道,过去几年营销领域发生的一件事是,数据更多,因此预测更多,精确度更高。因此,在我们可以更精细地为客户提供服务的意义上,精确度非常高。

现在,我们在市场上看到的另一个陷阱是,一些决策者,在这种情况下是一些营销人员,没有将他们的决策速度或决策频率调整到人工智能可以提供的这种粒度级别。所以这就是,我们称之为聚合问题,很多时候人工智能可以给你非常、非常、非常精细的预测,不仅你应该为本周设定的价格是多少,而且可能你应该设定的价格是多少设置为这一天的这个小时?

例如,我正在谈论,例如,来自大型连锁酒店,在他们的案例中,是定价问题。因此,过去存在的缺陷是,他们每周都在做出这些决定。这是人们开会的时候。现在你有系统、数据和信息来为你提供这些信息,现在这些预测在更细粒度的层面上,但它们没有跟上例如,这样的速度。

CURT NICKISCH:

所以你举了一些例子,说明公司如何在营销能力方面没有真正利用人工智能。其中很大一部分与决策框架以及营销和数据科学团队之间的沟通有关。您认为公司可以采取哪些措施来改变这种状况?

EVA ASCARZA:

是的,所以我们已经看到了很多案例。我们开发的框架是一种实现这种沟通的方式,它是一种帮助营销人员更接近数据科学团队正在做的事情并让数据科学团队了解他们的预测将用于什么的方式。起初看到很多很多次数据科学团队甚至不知道他们的预测是如何被使用的,这让我们感到非常惊讶。

因此,您无法真正以这种方式利用 AI。所以在这个框架中,我们将拥有一个非常简单的框架。这真的迫使团队提出正确的问题。这是一个三步走的框架。它应该实施的方式实际上是与两个团队一起开会或举办研讨会。我们做的第一件事就是把它们放在一起,然后问一个问题,我们目前正在努力解决的问题是什么?这个答案必须相对准确,因为人们往往一开始就非常模糊或喜欢提高盈利能力。

不,你必须准确,你必须用真正的英语,每个人都明白问题是什么。那么这个框架的第二步是好的,现在,考虑到问题是什么。考虑到我们都知道我们在做什么,我们正在做的事情有什么浪费和错失的机会?他们如何开始思考总是很有趣,哦,是的,如果我知道这一点,那么我就可以做到这一点,而我不会这样做。并且团队开始意识到,有很多事情他们的预测并没有给他们,但对于实际解决问题可能非常有用。

在他们开始对话的那一刻。第一步实际上是让他们彼此沟通并达成一致。

CURT NICKISCH:

所以首先你把人们聚集在一起,你定义问题,让每个人都明白你真正想要解决的问题。然后,您还可以退后一步,分析当前在使用 AI 回答问题的过程中做错了什么以及故障发生的位置。那你怎么办?

EVA ASCARZA:

那实际上是实际分析的时刻,实际上是真正的分析。然后,您必须查看数据,并开始根据数据评估错误或错失机会的确切程度。

所以目标如下。首先,您要在预测和决定之间创建一个映射。就像开始问这个问题一样简单:好吧,既然你们都知道问题出在哪里,那么理想情况下,您最想知道什么可以完全、完全消除团队发现的任何浪费或错失的机会?在那里你正在做的事情,你正在带走人工智能,因为人工智能所做的是查看数据并为你提供最好的预测。

对吗?所以在这种情况下,我们会说,好吧,让我们暂时忽略人工智能。您想要获得的理想信息究竟是什么?这对他们来说非常容易,因为他们已经就步骤达成一致。第一步和第二步将它们放在正确的位置。

现在,当您看到理想世界时,现在您所做的就是将 AI 带入并说,好吧,理想世界不存在,对吗?这就是我们所拥有的。这就是我们现在偏离这个理想世界的可能性。然后你查看数据并计算做错一件事的成本,做错另一件事的成本。这就是团队现在开始实际衡量他们在当前决策方法中存在的所有浪费或错失机会的时候。通过偏离,通过了解人工智能并不完美,并了解这些偏离如何导致公司损失资金或错失公司机会。

然后最后一步的决赛步骤有三个步骤,对吗?首先,什么是理想的?这种决策预测决策之间的映射。第二个是,好吧,现在你偏离了这个世界,现在你衡量它。您查看数据并对其进行量化。最后,现在你将在你之前提到的不确定性下应用这个决策框架,你说,好吧,如果我扩大我的决策空间会发生什么?我可以通过更频繁地做出这个决定或通过添加其他干预来解决这个问题吗?因此,它正在从营销人员的角度改变决策空间。同时你做相反的事情。

你说,好吧,如果我开始让我的预测越来越细化,会发生什么?这能解决发现的问题吗?再做一次这个练习,我的意思是,这不仅仅是你坐下来,你很容易地做到这一点,因为第三步需要一些工作,当团队意识到他们没有从人工智能中利用的所有这些价值时。它在哪里?然后很容易从那里制定行动计划。

CURT NICKISCH:

是的。这有点迷人,对吧?这不仅仅是,我的意思是,你不会站出来说,你需要更好的人工智能,或者你需要更好的技术向导来实施这些系统。你真的在谈论一个团队一个团队,良好实践的管理应用。

伊娃·阿斯卡扎:当然。我的意思是,当然,我们使用的算法或我们收集的数据类型总是有改进的余地,营销人员将继续从观察更多事物、预测新事物和更准确中获得价值。毫无疑问。然而,我相信实际上人工智能已经走了很远很远,决策科学家在这个领域做了惊人的工作。现在我认为问题是在哪里定义这些工作并且实际上现在正在工作。我们在这篇文章中总结的是人,所以主要是,我认为你实际上可以总结为三个。我不是心理学家,但你可以将这些总结为,首先,人类倾向于做他们觉得舒服的事情。这就是我们所说的路灯效应。你,你做你知道的,对。所以你预测你知道如何预测。你做你知道如何做的事情。

其次,人类不愿改变。我们所有人都是这样,所以你在某个层面做出决定,现在你有了新的帮助,但你可能没有处于正确的层面。而人类,有时我们不太擅长展示我们不知道的东西。如果您的营销人员不了解 AI 可以对他们做什么,他们就不会在这些会议上发言。如果你的科学家不知道真正的价值是什么,他们就不会在这些会议上发言。而这三个就像是实现这一点,这是一种价值分散,可以这么说,因为可以提供更多未被其他人捕获的价值。所以说实话,这真的是人性化的。是的。我相信人工智能也会有问题,但这不是我们已经确定的问题。

CURT NICKISCH:

是的。如果你是这些人中的一员,对,在这​​种情况下,假设你是营销团队或数据科学团队的成员,或者你是试图将两者联系起来的人,什么是好的心态来处理这一切与?

EVA ASCARZA:

哦,心态总是迭代,而不是一开始就追求完美。所以这个过程,我刚刚描述的这个框架实际上是关于迭代的,它是关于,好吧,我们一开始不会把它做好,但我们会改进我们目前正在做的事情。而下一次我们会更进一步、更远地改进它。所以这真的是我们的心态不是最大的蛋糕,也不是一开始的成功,而是持续改进,通过重复不断改进。

CURT NICKISCH:

这是否意味着一开始就做小实验,或者只是在更小、更易于管理、更简单的问题上使用人工智能,只是为了开始?

EVA ASCARZA:

老实说。所以我认为这里的规模不是问题。数据科学团队习惯于处理大规模数据集。这不是为了减少他们的问题。我认为在这两者之间的沟通中采取更小的步骤是好的。因此,当我们与这些公司举行这些会议时,这不是关于,让我们利用这些较小的数据集了解正在发生的事情。更多的是,让我们一次一个地解决问题,看看人工智能如何帮助它。

个人点评:

本分来自哈佛商学院的副教授伊娃·阿斯卡扎 (Eva Ascarza)。她是文章的合著者,“为什么你没有从你的营销人工智能中获得更多。” 它出现在 2021 年 7 月/8 月的《哈佛商业评论》和 HBR.org 上。

上一篇4人人体悬挂打破世界纪录,残忍的皮肤和肉体被

下一篇Weekly NFT roundup April 21-27: IBM, white label platforms,

热点资讯

精选资讯