Analytiikan koontinäyttö kertoo, että konversio laski tällä viikolla 12 prosenttia. Ihmisanalyytikko käyttää kaksi päivää selvittämiseen, ajaa kymmeniä raportteja, vertaa dataa ristiin ja etsii syytä. Tekoäly huomaa sen 30 minuutissa: tiistaina julkaistu tietyn sivun uudistus vaikutti suhteettomasti mobiilikävijöihin. Tämä on tekoälyanalytiikkaa. Se ei korvaa ihmisiä vaan tekee heistä nopeampia ja löytää sen, minkä he muuten ohittaisivat.
Tekoälyanalytiikka käyttää koneoppimista kaavojen etsimisen automatisointiin. Sen sijaan, että sinä metsästäisit oivalluksia, tekoäly seuraa dataasi jatkuvasti, tunnistaa poikkeamat, ennustaa, mitä tapahtuu seuraavaksi, ja ryhmittelee kävijät käyttäytymisen mukaan tavoilla, joita et olisi koskaan huomannut. Tavoitteena ei ole poistaa analyytikkoa. Tavoitteena on poistaa rutiinityö ja nostaa esiin oivallukset, joilla on merkitystä.
Miten koneoppiminen oikeasti toimii analytiikassasi?
Katso mitä tahansa analytiikkajärjestelmää, niin löydät saman pullonkaulan: dataa on liikaa, eikä sen analysointiin riitä aikaa. Sinulla on miljoonia kävijätapahtumia, tuhansia sivuja ja kymmeniä liikennelähteitä. Ihminen voi katsoa yhteenvetolukuja. Ihminen ei voi katsoa kaikkia yhdistelmiä: sivu A, liikennelähde B, laite C ja kellonaika D. Siinä kohdassa koneoppiminen astuu kuvaan.
Koneoppimismallit koulutetaan historiallisella datalla. Ne oppivat normaalit kaavat. Millainen on tyypillinen kävijä? Mikä on odotettu konversioaste tälle segmentille? Kuinka moni käyttäjä palaa yleensä 7 päivän sisällä? Kun malli tietää, mikä on "normaalia", se huomaa, kun jokin poikkeaa. Kävijä, joka käyttäytyy täysin eri tavalla kuin kaava, merkitään. Liikennelähde, joka alisuoriutuu historialliseen suorituskykyyn verrattuna, nostetaan esiin. Käyttäytymisessä nouseva trendi tuodaan näkyviin, ennen kuin se tulee ilmeiseksi.
Malli ei ajattele kuten ihminen. Sillä ei ole intuitiota. Sillä on matematiikka. Tarkemmin sanottuna se katsoo datan suhteita: jos X tapahtuu, Y on todennäköisempi. Jos kävijä tekee toiminnot A ja B nopeasti peräkkäin, hän konvertoi todennäköisemmin. Jos hän viettää sivulla alle 5 sekuntia, hän ei lähes koskaan palaa. Nämä suhteet ovat kaavoja, joskus ilmeisiä, usein piileviä, ja koneoppiminen löytää ne suuressa mittakaavassa.
Eri koneoppimisen tyypit hoitavat eri tehtäviä. Ohjatun oppimisen mallit (koulutettu historiallisella datalla, jossa lopputulos tunnetaan) ennustavat konversioita, asiakaspoistumaa tai kulutusta. Ohjaamaton oppiminen ryhmittelee kävijät segmentteihin ilman, että kerrot, mikä tekee segmentin. Poikkeamantunnistusmallit huomaavat epätavalliset muutokset. Luonnollisen kielen käsittely tulkitsee kysymykset, jotka esität tavallisella kielellä. Jokainen ratkaisee tietyn analytiikkaongelman.
Mitä kaavoja tekoäly löytää, jotka ihmiset ohittavat?
Katso analytiikan koontinäyttöäsi, niin näet sen, minkä ihmiset huomaavat luonnostaan: suosituimmat sivut, suurimmat liikennelähteet, konversioasteen ja poistumisprosentin. Nämä ovat kaavoja, jotka hyppäävät silmille. Mutta ne ovat ilmeisiä kaavoja. Kun katsot tarkemmin, huomaat, että tekoäly löytää kaavat, jotka piilevät silmiesi edessä.
Tekoäly löytää yhteisvaikutukset. Datasi mukaan sähköpostikampanjat konvertoivat 3 prosentin ja laskeutumissivut 2 prosentin tahtiin. Tekoäly kuitenkin huomaa, että kun joku tulee sähköpostista suoraan tietylle laskeutumissivulle, konversio hyppää 8 prosenttiin. Tämä yhdistelmä oli näkymätön, kunnes malli testasi tuhansia yhdistelmiä. Nyt voit toistaa sen.
Tekoäly löytää ajalliset kaavat. Huomaat, että maanantaisin konversio on matalampi. Ihminen voisi olettaa, että ihmiset ovat hajamielisiä. Tekoäly kaivaa syvemmälle: maanantain konversio on matalampi vain maksetusta mainonnasta tuleville ensikertalaisille mobiilikävijöille. Muut segmentit konvertoivat samoin. Tietokonekävijät konvertoivat maanantaisin jopa paremmin. Nyt sinulla on täsmällinen oivallus: uudet mobiilikävijät tarvitsevat maanantaisin erilaisen kokemuksen.
Tekoäly löytää mikrokohortit. Sen sijaan, että käyttäjät jaettaisiin laajoihin segmentteihin (maksettu ja orgaaninen, mobiili ja tietokone), tekoäly voi tunnistaa, että käyttäjillä, jotka (a) tulivat tietystä lähteestä, (b) kävivät näillä sivuilla tässä järjestyksessä, (c) viettivät tämän verran aikaa ja (d) tekivät yhden tietyn toiminnon, konversio on 60 prosenttia, kun kaikilla muilla se on 2 prosenttia. Se on pieni segmentti. Ihminen ei koskaan huomaisi sitä. Mutta jos optimoit kyseiselle mikrokohortille, löydät arvokkaan yleisön.
Tekoäly löytää varhaisvaroitusmerkit. Mitkä käyttäjät lopettavat seuraavan 30 päivän aikana? Mitkä kävijät eivät koskaan palaa? Mitkä asiakkaat ovat vaarassa vaihtaa halvempaan pakettiin? Ihminen voi tarkastella asiakaspoistumaa vasta sen tapahduttua. Tekoäly ennustaa sen ennen kuin se tapahtuu löytämällä varhaiset merkit: sitoutuminen laskee kynnyksen alle, toimintojen väli pitenee, tietyt ominaisuudet jäävät yhtäkkiä käyttämättä. Kun huomaat nämä merkit ajoissa, voit puuttua asiaan.
Miksi käyttää tekoälyanalytiikkaa käsityön sijaan?
Kysy keneltä tahansa analytiikan ammattilaiselta, miten hän käyttää aikansa, niin kuulet saman vastauksen: suurin osa ajasta ei mene ajatteluun vaan etsimiseen. Datan hakemiseen. Saman raportin ajamiseen viisi kertaa eri suodattimilla. Sen tarkistamiseen, onko mittari muuttunut viime viikkoon verrattuna. Lokien kaivamiseen sen ymmärtämiseksi, miksi jokin luku näyttää oudolta. Tämä rutiinityö on välttämätöntä, mutta se ei ole arvokasta työtä.
Tekoäly kääntää asetelman. Sen sijaan, että käytät 10 tuntia datan keräämiseen voidaksesi käyttää 2 tuntia analysointiin, tekoäly käyttää keräämiseen ja analysointiin millisekunteja, ja sinä käytät omat 2 tuntisi päättämiseen, mitä asialle tehdään. Ihmisen tehtävä siirtyy kohdasta "löydä oivallus" kohtaan "ymmärrä oivallus ja toimi sen mukaan". Se on parempi tapa käyttää analyytikon aikaa.
Nopeudella on liiketoiminnassa väliä. Konversion pudotus, jonka selvittäminen vie kaksi päivää, maksaa myyntiä joka tunti. Tekoälyjärjestelmä nostaa pudotuksen esiin minuuteissa. Tiedät, mikä meni rikki ja milloin. Voit korjata sen samana aamuna sen sijaan, että huomaisit sen vasta päivän päätteeksi. Vuoden aikana tämä nopeusero kasautuu merkittäväksi rahasummaksi.
Tekoäly hallitsee mittakaavan paremmin. Kun kävijöitä on satoja tuhansia, sivuja tuhansia ja kampanjoita kymmeniä, yhdistelmiä on äärettömästi. Ihminen ei voi seurata kaikkia. Koneoppimismalli voi seurata kaikkia samanaikaisesti. Jokaista sivua, liikennelähdettä, laitetta ja kohorttia: malli seuraa kaikkea ja hälyttää vain, kun jollakin on merkitystä.
Milloin tekoälyanalytiikkaa kannattaa oikeasti käyttää?
Kaikki analytiikkaongelmat eivät tarvitse tekoälyä. Jos kysymyksesi on "mikä on konversioasteeni?", et tarvitse koneoppimista. Koontinäytön luku riittää. Jos kysymyksesi on "miksi konversio muuttui?", saatat tarvita tekoälyä. Jos kysymyksesi on "mitkä kävijät ostavat seuraavaksi?" tai "mikä kaava erottaa asiakkaat poistujista?", tekoäly on oikea työkalu.
Tarvitset tekoälyanalytiikkaa, kun käsin tehtävä analyysi on liian hidasta. Jos tarkistat koontinäyttöjä päivittäin ja etsit ongelmia, se on käsin tehtävää analyysia. Pienessä mittakaavassa se käy. Isommassa mittakaavassa ongelmat piiloutuvat. 0,5 prosentin konversiopudotus 500 000 kävijän joukossa tarkoittaa 2 500 vaikutuksen kohteeksi joutunutta asiakasta. Se on merkittävää. Mutta se on näkymätöntä kokonaisluvuissa. Tekoäly löytää sen.
Tarvitset tekoälyä, kun hukut dataan mutta et saa oivalluksia. Jos sinulla on pääsy kaikkeen analytiikkadataasi mutta käytettävissä olevat työkalut (Google Analytics, perusnäkymät) eivät vastaa kysymyksiisi, tekoälyanalytiikka täyttää aukon. Data on olemassa. Tarvitset apua sen ymmärtämiseen.
Et tarvitse tekoälyä, jos nykyinen tapasi toimii. Jos tiimilläsi on aikaa tutkia jokainen poikkeama, jos kaavat ovat ilmeisiä ja kysymyksesi yksinkertaisia, tekoäly on turhaa lisäkuormaa. Mutta kun kasvat ja kysymykset monimutkaistuvat, ero sen välillä, mitä voit analysoida käsin ja mitä sinun täytyy tietää, kasvaa. Tekoäly täyttää tuon aukon.
Miten pääset alkuun tekoälyanalytiikan kanssa?
Nykyaikaiset analytiikka-alustat lisäävät tekoälyominaisuuksia. Joissakin tuoteanalytiikan alustoissa on tekoälyvetoisia oivalluksia, jotka nostavat esiin poikkeamat ja tärkeät segmentit. Toiset tarjoavat kohorttisuosituksia. Google Analyticsissa on automaattisia oivalluksia. Aloita näistä sisäänrakennetuista ominaisuuksista. Ne eivät vaadi datatieteen osaamista. Ne toimivat nykyisellä datallasi.
Tärkein toteutusvaihe on datan laatu. Koneoppiminen toimii parhaiten puhtaalla datalla. Jos tapahtumasi on nimetty epäjohdonmukaisesti (välillä "purchase", välillä "buy", välillä "checkout complete"), malli menee sekaisin. Jos et seuraa tärkeitä ominaisuuksia (mikä kampanja, mikä laite, mikä käyttäjäsegmentti), malli ei löydä niihin liittyviä kaavoja. Ennen tekoälyanalytiikan käyttöönottoa varaa aikaa sen varmistamiseen, että datasi on nimetty johdonmukaisesti ja se on täydellistä.
Aloita yhdestä tietystä kysymyksestä. "Mitkä kävijät lopettavat?" tai "Mikä ajaa uusintaostoja?" tai "Mitkä liikennelähteet tuovat arvokkaita asiakkaita?" Valitse yksi. Aja koneoppimismalli sen pohjalta. Katso, vastaavatko tulokset intuitiotasi. Jos vastaavat, olet löytänyt luotettavan signaalin. Jos eivät, selvitä, miksi malli on eri mieltä kuin intuitiosi. Usein malli on oikeassa ja paljastaa jotain, minkä ohitit. Joskus löydät datan laatuongelman.
Kun tekoälyn oivallukset osoittautuvat arvokkaiksi, laajenna käyttöä. Käytä tekoälyä poikkeamien tunnistamiseen kaikissa avainmittareissasi. Käytä tekoälyä asiakassegmentointiin. Käytä tekoälyä asiakaspoistuman tai elinkaariarvon ennustamiseen. Jokaisen lisäyksen pitäisi ratkaista tietty ongelma, ei vain lisätä kykyjä niiden itsensä vuoksi.
Mitkä ovat tekoälyn todelliset rajat analytiikassa?
Tekoäly on tehokas mutta ei taianomainen. Koneoppiminen löytää dataan kätkeytyviä kaavoja. Se ei ymmärrä syy-seuraussuhteita. Se voi kertoa, että hinnoittelusivulla käyvien käyttäjien pysyvyys on heikompi. Se ei voi kertoa, aiheuttiko hinnoittelusivu heikomman pysyvyyden vai käyvätkö lähtöä harkitsevat käyttäjät vain ensin hinnoittelusivulla. Tarvitset yhä ihmisen harkintaa tulkitsemaan, mitä data tarkoittaa.
Tekoäly tarvitsee dataa. Jos historiaa on yhden kuukauden verran, malli ei ole vielä oppinut kaavoja. Jos kävijöitä on 100 päivässä, signaalin ja kohinan suhde on liian huono. Tekoäly toimii parhaiten suuressa mittakaavassa, kun opittavaa dataa on kuukausien tai vuosien ajalta. Yritys, jolla on 1 000 kuukausittaista kävijää, ei hyödy tekoälyanalytiikasta paljoa. Yritys, jolla on miljoona kuukausittaista kävijää, hyötyy.
Tekoälymallit voivat oppia vääriä kaavoja. Jos historiallinen datasi on vinoutunutta (palvelit vain yhtä asiakastyyppiä, yhtä maantieteellistä aluetta tai yhtä vuodenaikaa), malli oppii nämä rajoitukset. Se luulee niitä normaaleiksi, vaikka ne eivät ole. Sinun täytyy aktiivisesti korjata tätä vinoumaa.
Tekoäly ei korvaa strategiaa. Se voi kertoa, että yksi liikennelähde alisuoriutuu. Se ei voi kertoa, kannattaako siihen panostaa tuplasti vai luopua siitä. Se voi ennustaa asiakaspoistumaa. Se ei voi kertoa, paljonko pysyvyyteen kannattaa käyttää rahaa. Nämä päätökset vaativat edelleen ihmisen harkintaa, liiketoimintatuntemusta ja strategista ajattelua.
Tarvitsenko datatiedetiimin tekoälyanalytiikan käyttöön?
Et. Useimmat nykyaikaiset analytiikka-alustat sisältävät tekoälyominaisuuksia, joita voit käyttää käyttöliittymän kautta. Et tarvitse datatieteilijöitä aloittaaksesi. Jos kuitenkin haluat rakentaa omia koneoppimismalleja, tarvitset datatieteen osaamista. Useimmat yritykset aloittavat alustan omalla tekoälyllä ja rakentavat omia malleja vain tarvittaessa.
Miten tekoälyanalytiikka eroaa tavallisista analytiikan koontinäytöistä?
Tavalliset koontinäytöt näyttävät lukuja. Tekoälyanalytiikka näyttää kaavoja ja poikkeamia. Tavalliset koontinäytöt ovat reaktiivisia (sinä tarkistat ne). Tekoälyanalytiikka on proaktiivista (se hälyttää sinulle). Tavalliset koontinäytöt näyttävät kokonaisuuksia. Tekoälyanalytiikka erittelee mikrokaavat. Molemmat ovat hyödyllisiä. Tekoäly lisää päälle automaattisen oivallusten löytämisen kerroksen.
Korvaako tekoälyanalytiikka ihmisanalyytikot?
Ei, se muuttaa heidän työtään. Sen sijaan, että analyytikot käyttäisivät 80 prosenttia ajasta datan keräämiseen ja raporttien ajamiseen, he käyttävät 80 prosenttia ajasta tulosten tulkintaan ja päätösten tekemiseen. Tekoäly hoitaa rutiinityön. Ihmiset hoitavat harkinnan. Parhaat analytiikkatiimit käyttävät tekoälyä täydentämään ihmisen ajattelua, eivät korvaamaan sitä.
Paljonko tekoälyanalytiikka maksaa?
Useimmat analytiikka-alustat sisällyttävät tekoälyominaisuudet vakiohinnoitteluunsa. Saat siis poikkeamantunnistuksen ja kaavaehdotukset osana tilaustasi. Räätälöidyt koneoppimismallit maksavat enemmän ($5 000-50 000+ per projekti). Aloita sisäänrakennetuista tekoälyominaisuuksista (yleensä ilmaisia tai edullisia). Investoi räätälöityihin malleihin vasta, kun alustan mahdollisuudet on käytetty loppuun.
Kuinka tarkkoja tekoälyn ennusteet ovat?
Riippuu datan laadusta ja siitä, kuinka tarkka ennuste on. "Konvertoiko tämä käyttäjä?" on vaikea ennustaa (60-75 prosentin tarkkuus on tavallinen). "Onko tämän segmentin elinkaariarvo korkeampi?" on helpompaa (80-90 prosentin tarkkuus on tavallinen). Koneoppimismallit ovat todennäköisyyspohjaisia, eivät deterministisiä. Ne paranevat, kun syötät niille enemmän dataa. Pidä kaikkea yli 70 prosentin tarkkuudella tutkimisen arvoisena.
Voiko tekoälyanalytiikka auttaa tietosuoja-asetusten, kuten GDPR:n, kanssa?
Osittain. Tekoäly voi auttaa tunnistamaan, mitä dataa oikeasti tarvitset (ja lopettamaan tarpeettoman datan keräämisen). Se voi auttaa segmentoimaan ja anonymisoimaan dataa. Vaatimustenmukaisuus on kuitenkin yhä juridinen ja operatiivinen kysymys, jota tekoäly ei ratkaise yksin. Käytä tekoälyä datankeruun optimointiin ja sovella tietosuojasääntöjä sen päälle.