კომპანიების უმრავლესობა ხელოვნურ ინტელექტს ანალიტიკაში მონაცემებთან წვდომის გასამარტივებლად იყენებს – მთავარი ამოცანაა, რაც შეიძლება მეტ ადამიანს მიეცეს საშუალება დასვას მეტი შეკითხვა. თუმცა, ეს მცდარი საწყისი წერტილია. მაინც, როგორ დავეხმაროთ გუნდებს, მიღებული პასუხების საფუძველზე უკეთესი ბიზნესგადაწყვეტილებები მიიღონ? ამ პროცესში გადამწყვეტია განსხვავების დანახვა თვითმომსახურების ანალიტიკასა და გადაწყვეტილებაზე ორიენტირებულ ანალიტიკას შორის. პირველი იწყება მომხმარებლის კითხვით, თუ რა აინტერესებს მას, ხოლო მეორე სვამს ფუნდამენტურ შეკითხვას – რომელი ბიზნესგადაწყვეტილების გაუმჯობესებას ვცდილობთ?
ეს განსხვავება კრიტიკულად მნიშვნელოვანია. როდესაც მენეჯერი იკვლევს, რომელ კამპანიას ჰქონდა კონვერციის ყველაზე მაღალი მაჩვენებელი, AI პასუხს წამებში გენერირებს. თუმცა, თუ რეალური ამოცანა მომავალი კვარტლის მარკეტინგული ბიუჯეტის გადანაწილებაა, უფრო სწორი შეკითხვა იქნება: რომელმა კამპანიამ მოიტანა ყველაზე მეტი დამატებითი მოგება იმ მომხმარებლებისგან, რომლებიც რეკლამის გარეშე პროდუქტს არ შეიძენდნენ? ამას სულ სხვა ტიპის ექსპერიმენტები და გაზომვის მოდელები სჭირდება.
AI-ს შეუძლია რუტინული საქმის შემცირება, კოდის წერა, მონაცემების გამოკვლევა და ჰიპოთეზების გენერირება, თუმცა მისი პოტენციალი ავტომატურად არ ამოქმედდება. საშუალო კომპანიები მას ეფექტიანობისთვის იყენებენ, უკეთესები – სანდოობისთვის, ხოლო საუკეთესოები – უშუალოდ გადაწყვეტილების ხარისხის გასაუმჯობესებლად.
დაიწყეთ გადაწყვეტილებით
AI ანალიტიკა არ უნდა განვიხილოთ პასუხების გენერირების უბრალო ინსტრუმენტად. იგი უნდა ჩაშენდეს გადაწყვეტილებაზე ორიენტირებულ ოპერაციულ მოდელში. ამ პროცესის პირველი ნაბიჯი თავად გადაწყვეტილებით დაწყებაა. Amazon-ში დამკვიდრებული უკუსვლით დაგეგმვის მეთოდის მსგავსად, სადაც პროდუქტის შექმნამდე ჯერ პრესრელიზისა და ხშირად დასმული კითხვების შაბლონები იწერება, ანალიტიკაშიც ჯერ იმ ნაბიჯის განსაზღვრაა საჭირო, რომლის გადადგმასაც კომპანია გეგმავს.
ამის გარეშე ანალიტიკა უბრალოდ საინტერესო ფაქტების შეგროვებად ან სასურველი შედეგების ლამაზი დიაგრამებით გამართლებად იქცევა. დაფაზე გამოჩენილი მონაცემი, რომ მომხმარებელთა ერთ ჯგუფს უკეთესი შენარჩუნების მაჩვენებელი აქვს, თავისთავად არ კარნახობს მენეჯერს მოქმედების გეგმას.
ამასთანავე, უმნიშვნელოვანესია შეკითხვის ტიპის ზუსტი მარკირება. ანალიტიკაში შეცდომები ხშირად იწყება იმით, რომ გაურკვეველია, კითხვა აღწერითია, პროგნოზულია თუ მიზეზ-შედეგობრივი. ხელოვნურ ინტელექტს შეუძლია ეს ზღვარი წაშალოს. მაგალითად, კითხვაზე – იმუშავა თუ არა ფასდაკლებამ – სისტემა პასუხობს, რომ მომხმარებლებმა, ვინც ის მიიღო, მეტი პროდუქტი იყიდეს. ეს არის აღწერითი შედარება და არა მიზეზ-შედეგობრივი პასუხი. ანალოგიურად, პროგნოზი იმის შესახებ, თუ ვინ შეიძლება წავიდეს კომპანიიდან, არ ნიშნავს იმის ცოდნას, თუ ვისზე იმოქმედებს შენარჩუნების შეთავაზება.
მართეთ მეტრიკები
ხარისხიანი ანალიტიკა არ შემოიფარგლება მხოლოდ ციფრების ჩვენებით – იგი ააშკარავებს დაშვებებსა და ალტერნატიულ სცენარებს. AI ანალიტიკამ ნაგულისხმევად გამჭვირვალე უნდა გახადოს ის პირობები, რომლებზე დაყრდნობითაც პასუხი მომზადდა. eBay-ს გამოცდილება აჩვენებს, რომ როდესაც ბრენდირებულ საძიებო სიტყვებზე რეკლამის ეფექტიანობა ექსპერიმენტულად შემოწმდა, აღმოჩნდა, რომ მომხმარებელთა უმრავლესობა საიტზე რეკლამის გარეშეც შედიოდა. ამ ალტერნატიული სცენარების გათვალისწინებამ კომპანიის მარკეტინგული ბიუჯეტის გადანაწილება ძირფესვიანად შეცვალა.
გარდა ამისა, AI ანალიტიკაში შეცდომების დიდი ნაწილი გამოწვეულია მონაცემთა ბუნდოვანი გარემოთი. შემოსავალი, მომხმარებლის დაკარგვის მაჩვენებელი ან აქტიური მომხმარებლის ცნება შესაძლოა სრულიად განსხვავებულად იყოს განმარტებული ფინანსურ და პროდუქტის გუნდებში.
მაღალი რისკების ვალიდაცია
ყველა პასუხს არ სჭირდება სპეციალური კომისიის განხილვა, თუმცა მაღალი რისკის შემცველი გადაწყვეტილებები – მსხვილი ბიუჯეტების გადანაწილება, ფასწარმოქმნა, ანაზღაურების სისტემები თუ სტრატეგიული ცვლილებები – განსაკუთრებულ ვალიდაციას მოითხოვს. საბანკო სექტორში არსებული რისკების მართვის მსგავსად, AI-ს მიერ გენერირებული მაღალი პასუხისმგებლობის ანალიზი უნდა გადამოწმდეს შესაბამისი სტატისტიკური და ბიზნესგამოცდილების მქონე პროფესიონალების მიერ.
თუმცა, უკეთესი ანალიტიკის მთავარი ბარიერი ხშირად არა ტექნოლოგიური, არამედ ორგანიზაციულია. თუ გუნდები ჯილდოვდებიან იმის დამტკიცებისთვის, რომ მათმა ინიციატივებმა იმუშავა, ისინი ყოველთვის იპოვიან ამის დამატებით მტკიცებულებებს. თუ ხელმძღვანელობა ცუდ ამბებს სჯის, ანალიტიკოსები ისწავლიან მონაცემების შელამაზებას.
Amazon-ის ერთ-ერთი მთავარი პრინციპი – გქონდეს პოზიცია, გამოხატო უთანხმოება და მიჰყვე გადაწყვეტილებას – სწორედ ამ კულტურას ემსახურება. ორგანიზაციაში მონაცემები გამოიყენება არა კამათში გასამარჯვებლად ან უკვე მიღებული გადაწყვეტილებების გასამართლებლად, არამედ ჭეშმარიტების დასადგენად.
წყარო: HBR
