Ešte predtým, než sa rozhodnete do AI investovať svoje ťažko zarobené peniaze, mali by ste vedieť, čo presne chcete dosiahnuť. Ukážeme vám pár príkladov pre lepšie pochopenie toho, ako by malo vyzerať plánovanie vašich zámerov a stanovenie si konkrétneho cieľa:
Chcete zvýšiť predaj či podiel zákazníkov využívajúcich vernostný program?
Chcete zvýšiť odpredaj starých skladových položiek za najvyššiu možnú cenu alebo zlepšiť hodnotenie mobilných aplikácií? Chcete zvýšiť doručiteľnosť a výtlak newslettera?
Ak chcete napríklad zvýšiť doručiteľnosť newslettera a zlepšiť konverzie (predaj), zo všetkých dostupných interných dát vás bude zaujímať predovšetkým tabuľka s odberateľmi. Pri kontrole dátovej kvality sa v prvom kroku zamerajte na polia, ktoré sú pre túto úlohu kľúčové, napríklad meno, priezvisko, e-mail.
Celý proces kvalitnej implementácie AI stojí a padá na dátach a ich kvalite. Ak totiž nebudete pracovať s kvalitnými dátami, všetky ďalšie procesy budú mať nedôveryhodné výstupy a celá analytika bude nespoľahlivá.
Povedané ľudskou rečou: vrazíte strašne veľa peňazí do niečoho, čo vám bude na nič. Výsledok bude nespoľahlivý a v dlhodobom horizonte dokonca škodlivý pre váš biznis.
Dáta musíte identifikovať a správne určiť, ktoré sú pre vás užitočné. Aby vás nič nezaskočilo na obchodnom rokovaní, kde vás bude chcieť nachytať nejaký prešpekulovaný IT obchodník, nezaškodí vám poznať aspoň základné typy analytických nástrojov:
Deskriptívna analytika – základná analýza, ktorá štandardne dáva odpoveď na otázku Čo sa stalo? Skúste si ju predstaviť ako kontingenčnú tabuľku v Exceli.
Diagnostická analytika – ide o prvú z foriem pokročilej analytiky, odpovedá na otázku Prečo sa to stalo? V tomto prípade podrobujete analýzu dát ďalším technikám ako sú drilldowny, aplikácia štatistických metód, data mining a podobne.
Prediktívna analytika – jeden z primárnych nástrojov umelej inteligencie a neurónových sietí. Štandardne dáva odpoveď na otázky Čo sa stane? Ako sa budú v budúcnosti vyvíjať kľúčové ukazovatele? Koľko ľudí môžeme očakávať v kamenných prevádzkach? atď.
Preskriptívna analytika – často označovaná ako konečná hranica analytických možností podniku, len veľmi málo firiem ju má dobre zvládnutú. Odpovedá na otázku Čo mám urobiť/Čo by som mal urobiť? Používajú ju hlavne veľké firmy ako napríklad Google či Amazon, ktoré majú k dispozícii obrovské množstvo dát.
Už sme si povedali, že základným predpokladom na nasadenie akejkoľvek technológie vo vašej firme sú kvalitné dáta. Tie existujú zväčša len v ideálnom prostredí, v realite sú skôr raritou a kvalita dát sa nedá spraviť plošne.
Rovnako viete, že ak chcete zmysluplne využiť technológie, a teda aj AI a strojové učenie, mali by byť všetky riešenia podriadené biznisovému cieľu. Až keď máte konkrétny cieľ, môžeme vybrať dáta vhodné na tento účel a práve ich kvalita by vás mala zaujímať najviac.
Bolo by pre vás veľmi komplikované a nákladné opraviť a zjednotiť všetky dáta, ktoré máte. Myslite aj na to, že zlepšovanie kvality dát nie je len o samotnom dopĺňaní databáz. To, že opravíte vašu databázu ešte neznamená, že o rok sa opäť nedostanete do nevyhovujúceho stavu.
Zvlášť retailová sieť, ktorá obsluhuje veľa pobočiek, má k dispozícii obrovské množstvo interných dát. (teda takých, ktoré v podstate patria vám – informácie o zákazníkoch, predajné dáta, skladové dáta, údaje z vernostného systému a podobne).
Výhodou e-shopov a firiem, ktoré sa zameriavajú na predaj je, že majú k dispozícii veľké množstvo štruktúrovaných dát použiteľných aj pre strojové učenie.
Skutočný poklad sa však ukrýva v neštruktúrovaných dátach. Pod týmto pojmom si predstavte napríklad e-mailovú komunikáciu, nahrávky telefonických rozhovorov, videá z in-store kamier, ale aj facebookové príspevky a komentáre, diskusie a rôzne iné formy online komunikácie.
Prepojením týchto dát so štruktúrovanými dátami získate úplne nový pohľad na zákazníka a viete sa zamerať na kľúčové ukazovatele, ktoré majú vyššiu pridanú hodnotu.
V retaile je veľmi dôležitá analytika a rýchle vyhodnocovanie zákazníckych dát. Tá primárne vychádza z transakčných dát (vydané bloky, faktúry). Na tieto dáta viete následne naviazať dáta z ďalších zdrojov.
V tretej časti si povieme o potrebnej infraštruktúre a tiež o tom, že AI sa nedá aplikovať bez kvalitného tímu.
Ak sa vám blog páčil, zdieľajte ho ďalej 😊.