Mikä on Amazonin ja Googlen avain liikevaihdon menestys ? Kaikki tietävät vastauksen: Data.
Syy Facebookin sosiaalisen median imperiumiin ja Spotifyn nousuun musiikin suoratoistoliiketoiminnassa? Tiedot.
Kaikki nämä yritykset ovat onnistuneet hyödyntämään suuria määriä tietoa, jonka he saavat monilta käyttäjiltä - olivatpa ne sitten hakutottumuksia, jakamiaan viestejä, ostamiaan tuotteita tai kuunneltavaa musiikkia - suuriin tulovirtoihin. Kyse ei ole vain siitä, että nämä yritykset ovat kyenneet keräämään tietoja miljoonista (tai miljardeista, joidenkin näiden yritysten tapauksessa); se on, että nämä yritykset ovat onnistuneet hyödyntämään näitä tietoja tehokkaammin ymmärtämään ja markkinoimaan käyttäjilleen. Kaikki nämä yritykset käyttävät tähän tekoälyä (tai tarkemmin sanottuna syvällistä oppimista).
kuinka pitkä on marg helgenberger
Tietenkin on tärkeää huomata, että sinun ei tarvitse olla hallitseva yritys, kuten Amazon tai Google, jotta data muuttuu kilpailuetuksi. Kun tekoälystä tulee yhä kehittyneempää ja laajemmin omaksuttua, alamme nähdä, kuinka monet yritykset - niin suuret kuin pienetkin - kääntyvät tekoälyn puoleen parempien tietostrategioiden keksimiseksi, asiakkaiden omaksumiseksi ja kilpailemiseksi paremmin kilpailussaan .
Jeremy Fainin mukaan avain kilpailun voittamiseen uraauurtavassa hermoverkkotekniikassa kognitiivisesti , on parempia tietoja - ei välttämättä enemmän, mutta tietoja, joita kilpailijoillasi ei ole. Teoriassa jokainen brändi pystyy kehittämään omat ainutlaatuiset tietovarallisuutensa, koska jokaisen tuotemerkin on oltava hieman erilainen kilpailemaan. Tämä tarkoittaa, että tuotemerkin asiakkaat ovat ainakin hieman erilaiset kuin kilpailijansa, mikä tarkoittaa, että heillä on ainutlaatuinen kulma, jota he voivat hyödyntää. Jokainen asiakastasi tai potentiaalisesta asiakkaastasi saamasi tieto on siis toinen tieto, jonka avulla voit luoda tehokkaan markkinointi- tai mainostrategian.
kuinka pitkä michelle beadle on
Jotta voit käyttää näitä tietoja tehokkaasti, sinun on ensin päätettävä, mikä on tavoitteesi. Etsitkö lisää myyntiä? Yritätkö lisätä jalankulkuliikennettä kaupoissa? Onko tavoitteesi olla markkinoiden parempi tuntemus tuotteestasi? Kun olet tehnyt sen, voit tarkastella tietoja siitä, ovatko ne oikeassa muodossa käytettäväksi syvällisen oppimisen kanssa. Tätä on vaikea selittää yksinkertaisesti, mutta pohjimmiltaan tietojen on oltava eriteltyinä - toisin sanoen niiden on oltava peräisin useista lähteistä, jotta siitä voidaan tehdä perusteellisempia johtopäätöksiä. Tämä tarkoittaa, että sinun ei tarvitse tietää vain kuinka monta ihmistä kävi myymälässä, vaan sen sijaan, milloin kukin henkilö kävi. Sinun ei enää tarvitse tarkastella, kuinka monta myyntiä olet tehnyt, vaan myös sitä, mikä kukin myynti oli ja kenelle. Saadaksesi yhden askeleen pidemmälle, sinun on tunnistettava, mitä kosketuspisteitä sinulla oli asiakkaan kanssa ennen kuin he tekivät kanssasi kauppaa, mitä mainoksia heille näytettiin ja milloin ja missä kaikki vuorovaikutukset tapahtuivat. Etkö kerää vielä tämän tyyppisiä tietoja? No, se on ensimmäinen kotitehtäväsi.
Tämä tarkoittaa, että sinulla on paljon enemmän tietoja tallennettavaksi kuin olet tottunut, mutta hyvä uutinen on, että tallennus on halpaa. Lisäksi ilman näitä tietoja et voi hyödyntää syvällisen oppimisen voimaa ja kilpailla tässä uudessa maailmassa.
Stephanie Courtneyn nettovarallisuus 2017
Vuonna 2016 tehty tutkimus Fortune 1000 -johtajista paljasti sen vain 48,4% kyselyyn osallistuneista ilmoitti mitattavissa olevat tulokset data-aloitteidensa seurauksena - mutta 80,7% koki ponnistelujen onnistuneen ja välttämättömäksi. Tämä tarkoittaa sitä, että kaikki tietävät, että heidän on tehtävä paremmin, eivätkä näe vaihtoehtoa, mutta tarvitaan jotain enemmän, ennen kuin mitattavat edut saavutetaan kautta linjan.
Useimmista data-aloitteista puuttuu yksi yksinkertainen ainesosa: syvä oppiminen. Se on usein väärinymmärretty aihe, jonka Cognitiv's Fain on määritellyt `` edistyneemmäksi koneoppimiseksi, joka kykenee tuottamaan ihmisen kaltaista näkemystä ''. Syvän oppimisen kyky saada tuloksia datasta on nyt välttämätöntä paitsi kilpailusyistä myös aikaisempien investointien maksamiseksi kannattavaksi. Valitettavasti, 39,3% kyselyyn osallistuneista sanoivat edelleen, että heidän organisaatioillaan puuttui yritystietojen Big Data -strategia tai he eivät muuten tienneet, jos sellaisia olisi - näillä yrityksillä on pitkä mäki kiivetä. Itse asiassa useimmilla datalähtöisillä ammattilaisilla on jyrkkä nousu edessämme. '' Osa haastetta on, että teollisuus itsessään on epäkypsä tietojen suhteen. Katsomme 15 vuoden kuluttua taaksemme, mitä teemme, ja sanomme: 'Eikö se ollut söpö?', Sanoi eräs äskettäin haastatellun globaalin mediatoimiston ohjelmallisen median johtaja. Winterberry Group IAB -tutkimus .
Suuret tiedot, data-analytiikka ja tekoäly kulkevat hyvin käsi kädessä. Tekoäly - ja laajemmin syvällinen oppiminen - vaatii tietoja, reagoi ja reagoi niistä. Ainoa tapa, jolla syvällinen oppiminen voi olla tehokasta organisaatiollesi, on, jos sinulla on tasainen tietovirta sen syöttämiseksi. ' Tämän tiedon avulla syvällinen oppiminen ja hermoverkot voivat luoda algoritmeja ja strategioita, jotka ovat ominaisia tuotemerkillesi - varmistaen siten, että brändi pysyy kilpailukykyisenä ja innovatiivisena. Kuten Fain huomauttaa '' Kyky kuvata ja ymmärtää täydellisemmin kuluttajan käyttäytymistä on täydellisempi kuin koskaan ennen, ja tällaiset tiedot tekevät tekoälyn markkinointityökaluista entistä tehokkaampia lähivuosina. '
Tässä vaiheessa kaikki tuotemerkit tarvitsevat vahvan tietostrategian. Katsokaa vain sellaisia tuotemerkkejä kuin Macy's ja J.C.Penney's tänään, jotka kamppailevat verkkokaupan jättiläisten, kuten Amazon ja eBay, datakeskeisten lähestymistapojen seurauksena. Oikean strategian ja yhtä tärkeän työkalun avulla saat kaiken irti tiedoistasi, mikä auttaa pitämään yrityksesi kilpailukykyisenä ja menestyvänä.
