Hvad er nøglen til Amazon og Googles indtægtssucces ? Alle kender svaret: Data.
Årsagen til Facebooks sociale medieimperium og Spotifys ophøjelse af musikstreamingsvirksomheden? Data.
Alle disse virksomheder har formået at udnytte de enorme mængder information, de får fra deres mange brugere - hvad enten det er deres søgevaner, de indlæg, de deler, de produkter, de køber eller den musik, de lytter til - i store indtægtsstrømme. Det er ikke kun det faktum, at disse virksomheder har været i stand til at indsamle data om millioner (eller milliarder, i tilfælde af nogle af disse virksomheder); det er, at disse virksomheder har formået at udnytte disse data effektivt til bedre at forstå og markedsføre til deres brugere. Alle disse virksomheder bruger kunstig intelligens (eller mere præcist, dyb læring) til at gøre dette.
lauryn hill nettoværdi 2017
Det er selvfølgelig vigtigt at bemærke, at du ikke behøver at være en dominerende virksomhed som Amazon eller Google for at gøre data til en konkurrencemæssig fordel. Efterhånden som kunstig intelligens bliver mere avanceret og mere udbredt, begynder vi at se mange virksomheder - store og små - henvende sig til AI for at komme med bedre datastrategier og vinde kundeadoptagelse og bedre konkurrere mod deres konkurrence. .
Nøglen til at slå din konkurrence, ifølge Jeremy Fain, inden for banebrydende neuralt netværksteknologi kognitivt , har bedre data - ikke nødvendigvis mere af det, men de data, som dine konkurrenter ikke har. I teorien er hvert brand i stand til at udvikle deres egne unikke dataaktiver, fordi hvert brand skal være lidt anderledes for at konkurrere. Dette betyder, at et brands kunder i det mindste er lidt forskellige fra deres konkurrences, hvilket betyder, at de har en unik vinkel, som de kan udnytte. Hvert stykke data, du får om din kunde eller potentielle kunde, er derfor et andet stykke information, du kan bruge til at skabe en effektiv marketing- eller reklamestrategi.
hvor gammel er kelly o'donnell
For at kunne bruge disse oplysninger effektivt skal du først beslutte, hvad dit mål er. Leder du efter mere salg? Forsøger du at opnå højere fodtrafik i butikkerne? Er dit mål at have større markedsbevidsthed om dit produkt? Når du har gjort det, kan du se på dataene for at se, om de er i det rigtige format til brug med dyb læring. Dette er noget, der er svært at forklare simpelt, men grundlæggende skal data være i en adskilt tilstand - det vil sige, de skal komme fra flere kilder, så der kan drages mere dybtgående konklusioner ud fra det. Det betyder, at du ikke rigtig kun behøver at vide, hvor mange mennesker der besøgte en butik, men i stedet hvornår nøjagtigt hver person besøgte. Du behøver ikke længere se på, hvor mange salg du har foretaget, men også hvad hvert salg var, og til hvem. For at komme et skridt videre skal du identificere, hvilke berøringspunkter du havde med en kunde, før de handlede med dig, hvilke annoncer de blev vist, og hvornår og hvor alle interaktionerne fandt sted. Samler du ikke denne type data endnu? Nå, det er din første lektieopgave.
Det betyder, at du vil have meget mere data at gemme, end du har været vant til, men den gode nyhed er, at opbevaring er billig. Plus uden disse oplysninger vil du ikke være i stand til at udnytte kraften i dyb læring og konkurrere i denne nye verden.
er louie anderson homoseksuel
En 2016-undersøgelse af Fortune 1000-ledere afdækket det kun 48,4% af de adspurgte rapporterede målbare resultater som et resultat af deres datainitiativer - men 80,7% mente, at indsatsen var en succes og væsentlig. Dette betyder, at alle ved, at de skal gøre det bedre og ikke se et alternativ, men der er brug for noget mere, før målbare fordele opnås overalt.
De fleste datainitiativer savner en enkel ingrediens: dyb læring. Det er et ofte misforstået emne defineret af Cognitiv's Fain som 'en mere avanceret type maskinindlæring, der er i stand til at skabe menneskelignende indsigt.' Dyb lærings evne til at få resultater fra big data er nu afgørende ikke kun af konkurrencemæssige årsager, men også for at få tidligere investeringer i big data til at betale sig. Desværre 39,3% af de adspurgte sagde stadig, at deres organisationer manglede en Big Data-strategi for virksomheden, eller på anden måde var uvidende om en eksisterede - disse virksomheder har en lang bakke at bestige. Faktisk har de fleste datadrevne fagfolk en stejl stigning foran os. 'En del af udfordringen er, at industrien selv er umoden omkring data. Vi ser tilbage på 15 år fra nu af, hvad vi laver, og siger 'Var det ikke sødt?', 'Sagde en direktør for Programmatic Media for et globalt mediebureau, der blev interviewet for nylig Winterberry Group IAB-undersøgelse .
Big data, dataanalyse og kunstig intelligens går meget hånd i hånd. Kunstig intelligens - og i forlængelse heraf dyb læring - kræver data, reams og reams af den. Den eneste måde, hvorpå dyb læring kan være effektiv for din organisation, er, hvis du har en jævn strøm af information, der kan føde den. ' Bevæbnet med denne information kan dyb læring og neurale netværk skabe algoritmer og strategier, der er unikke for dit brand - og dermed sikre, at brandet forbliver konkurrencedygtigt og innovativt. Som Fain påpeger , 'Evnen til mere detaljeret at beskrive og forstå en forbrugers adfærd er mere komplet end nogensinde før, og den slags data vil gøre AI-marketingværktøjer endnu mere effektive i de næste par år.'
På dette tidspunkt har alle mærker brug for en stærk datastrategi. Se bare på mærker som Macy's og J.C. Penney i dag, der kæmper som et resultat af de datacentrerede tilgange fra e-handelsgiganter som Amazon og eBay. At have den rigtige strategi og lige så vigtigt de rigtige værktøjer til at få mest muligt ud af dine data er, hvad der hjælper med at holde din virksomhed konkurrencedygtig og succesrig.
