Deltag i vores gratis webinar: Next-level Digital Marketing anno 2020Læs mere
Kontakt os

Bedre beslutninger drevet af AI – Forstå din modenhed og tag det næste skridt på stigen

Viden > Blog > Bedre beslutninger drevet af AI – Forstå din modenhed og tag det næste skridt på stigen
Del på Facebook Del på LinkedIn
4.8/5 (7 anmeldelser)
4.8 7

Langt de fleste virksomheder arbejder datadrevet med beslutningstagen, i hvert fald i nogen grad – der findes selvfølgelig også stadigvæk de klassike: ”en-mand-gallup” eller mavefornemmelser.
I dette blog indlæg kigger vi nærmere på hvilke stadier af data- og AI-drevne beslutninger der findes og hvilke typer af analyser der findes til at understøtte dem. Måske kan man kende sig selv i nogen af dem. Emnet er i høj grad en del af arbejdet med digital transformation; for os er det et emne vi dagligt taler med vores kunder om, om det så er igennem business cases til at flytte budgetter eller nye features eller kanaler der skal bringes i spil varierer. Uanset hvad er den analytiske forståelse og anvendelse et centralt element i denne proces, hvorfor indlægget her er relevant. 

Termen datadrevet kan i virkeligheden favne relativt bredt, fra at have kigget på meget få datapunkter i sin beslutningstagen, til at have analyseret en varierende grad af datasæt, til større statistiske og algoritmiske modeller og egentlige end-to-end løsninger, hvor beslutningstagen automatiseres uden menneskelige interaktioner eller supervision – det er i sidstnævnte at den kunstige intelligens kan tage processen til det næste niveau og dermed have direkte indflydelse på forretningsvæksten.

Indenfor digital marketing findes der et hav af muligheder og værktøjer der også bruger varierende grader af algoritmer eller AIs indenfor discipliner, kanaler og også helt overordnet til mere strategiske beslutninger. 

Lad os se nærmere på hvilke grader af modenhed der findes indenfor datadrevet beslutningstagen, for at forstå de forskellige stadier man som virksomhed kan operere på. – herunder hvilket niveau af datadrevet en organisation er, på hvilket niveau analyserne kan levere beslutningsstøtte.

Vidste du at:

– Sessioner hvor der bruges prædiktiv intelligens i gennemsnit har 22% højere konverteringsrater ~ Salesforce.com

– Personaliserede og automatiserede mail flows, der bygger på prædiktive modeller højner interaktion og engagement og leder til 6x så høje konvertingsrater, sammenlignet med ikke personaliseret indhold og budskaber ~ Salesforce.com

3 grader af modenhed i datadrevet beslutningstagen

For at få den bedste forretningsværdi ud af en datadrevet tilgang, skal man bruge den kunstige intelligens og i sidste ende bringe denne intelligens ind i de processer og workflows, som man traditionelt bruger i hverdagens opgaver.
Data i sig selv hjælper ikke nemlig beslutningstagen, men det gør den måde man strukturerer, anvender, evaluerer og implementerer data på, hvilket AI gør hurtigere og bedre end man kan manuelt. Hvis – vel at mærke – at man bruger data rigtigt.

Der er masser af kommerciel værdi at hente, hvis man gør det rigtigt, men rejsen derhen er ikke nødvendigvis lige til.


Subjektiv beslutningstagen

Det er mindre en 70 år siden, at menneskelig bedømmelses evne blev brugt som den eneste centrale proces, når der skulle tages en forretningsmæssig beslutning. Med andre ord sad man med sin intuition og sin fornemmelse i maven og bestemte om man som virksomhed skulle gå til højre eller venstre. Derfor er den første model helt simpel fra menneskelig intuition til beslutning, intet andet.

I dag er det selvsagt, at denne model langt fra er optimal, selvom vi stadig løber på denne fra tid til anden. Vi er som individer præget af kognitive biases, som påvirker vores beslutningstagen både bevidst og ubevidst. Derfor er det også sjældent (aldrig) ret positivt for en beslutning der har indvirkning på en hel organisation, at tage den baseret på mavefornemmelsen.

 

Datadrevet beslutningstagen

Datakilder er i dag til rådighed i uendelige volumener, hvad enten det er data om adfærd i en webshop, om hvilke værdier nye generationer eller individer værdsætter, hvad vælgerne vægter til det kommende valg eller noget helt andet – data findes allerede eller kan findes til at informere og give et optimeret grundlag for beslutningstagen.
– Denne præmis har gjort os istand til at tilpasse vores metoder til beslutningstagen og bevæge os væk fra den rent subjektive model. IT værktøjer, databaser, DMPer, CDPer mv. gør os i højere og højere grad i stand til at strukturere vores data og viden indenfor det område vi har brug for at tage beslutninger. Heri ligger også muligheden for at aktiviere AI. 

Det er på dette stadig langt de fleste virksomheder ligger i dag – der anvendes data og analyse til at se bestemte og foruddefinerede sammenhænge, som man ønsker at svare på. Data bidrager altså i nogen til høj grad til at tage beslutninger, men stadig med en definerende grad af menneskelig beslutningskraft involveret, ingen beslutning tages uden det er verificeret at et menneske. Data kvalificerer med andre ord, men mennesker er fortsat den centrale enhed der tager beslutningen.

Den datadrevne model er altså bedre end den rent subjektive, fordi vi bruger data til at gøre beslutningerne vi tager til at være mere objektive.

Udfordringen er, at man ikke udnytter data i den grad der er muligt.
Idet det tit er forudbestemte hypoteser man forsøger at svare på, finder man ikke alle de relevante mønstre som gemmer sig i datasættene, fordi den menneskelige hjerne ikke kan håndtere alle de sammenhænge der ligger i så store datasat på en gang og derfor kigger man i stedet på det, som man godt kan kapere – hvor meget vores gennemsnitlige salgspris er, eller om vi er mest tilbøjelige til at kunne drive trafik på kanal a b elle c. Med andre ord så minimerer vi værdien af data ved at summere den til noget vi forstår, selvom den reelle værdi for virksomheden ikke bliver forløst heri. Derudover vil vores menneskelige bias også stadig spille ind, selvom data kan hjælpe til at kvalificere –  dét spørgsmål eller den hypotese man gerne vil finde svar på jo også defineret af en person, som har et bias med sig helt implicit.

 

AI drevet beslutningstagen

Så for at komme videre fra den datadrevne tilgang og udnytte vores data endnu bedre, skal vi bruge et workflow der kan håndtere de store mængder af data og træffe de bedste beslutninger. Det er her AI bliver rigtig interessant.

De mange former for AI der efterhånden findes kan nemlig i langt højere grad trænes til at forklare sammenhænge man gerne vil forstå og agere på, uden et menneskeligt bias. I et andet blogindlæg vil vi gå mere i dybden med, hvordan man så træner sine algoritmer – bruger man de ’forkerte’ data, så løber den kunstige intelligens vild i junglen af sammenhænge, konkluderer unfair resultater og tager uhensigtsmæssige beslutninger: Så det er utrolig vigtigt at bruge de rigtige data til at træne algoritmerne i første omgang, men som sagt, mere om det i et kommende indlæg.

Så i forhold til den datadrevne tilgang er den store forskel, at vi nu automatiserer vores beslutningstagen, uden der er menneskelig interaktioner i workflowet imellem data bliver behandlet og til en beslutning tages og implementeres. – Et godt (og karikeret) eksempel på dette er Facebook learner flow der, baseret på mere end 1 milliard AI modeller laver mere en 6 mio forudsigelser i sekundet og automatisk beslutter hvordan vores elskede news feed ser ud når vi åbner Facebook appen. Det er selvfølgelig et af de mere ekstreme tilfælde.
 – et mere jordnært eksempel er når vi lader en AI model i vores marketing automation platform bestemme, hvornår det er bedst at udsende et nyhedsbrev, for at få den bedste respons på vores nyhedsmail. I begge tilfælde er data stuktureres til sat op til at forstå og agere på modellen resultater uden et menneske skal verificere det. 

Med andre ord anvendes modellerne både til at forudsige sammenhænge i gigantiske mængder af data, men også i optimeringen af vores daglige marketing opgaver og på et niveau vi som individer ikke kan håndtere. På den måde hjælper teknologierne os med at gøre arbejdet bedre end vi selv kan. 

Er mennesker så overflødige? Langt fra.
– AI er ikke en magisk knap man kan trykke på og så virker alting pludselig meget bedre. Struktureringen af data og marketing håndværket har stadig en signifikant værdi i hele arbejdet med digital marketing og beslutningstagen. Men AI hjælper os med de ting vi allerede gør, meget bedre end vi selv kan og dét er værd at forfølge værdien af som virksomhed. At være visionær, at sætte den rette retning i strategierne og at bygge en stærk kultur med menneskelige værdier er forsat kritiske opgaver for enhver virksomhed, som ikke alene kan træffes af AI, men har brug for menneskelig beslutsomhed og vil have det i mange mange år frem endnu.

 

4 grader af AI og datadrevne analyser

Meget i tråd med hvilken datadrevet modenhed man befinder sig på, i sin beslutningstagen, skelnes der også i forskellige niveauer af analyser og værktøjer, der kan levere på det behov man har.

Overordnet opdeles disse analyser i 4 stadier (Gartners analytics); Deskriptive, diagnosticerende, prædikativ og præskriptiv analyser. Kort sagt kan man sige at jo mere komplekse modellerne bagved er, jo mere værdi skaber de.

Deskriptive  analyser summerer på datasæt og bliver brugt at beskrive eller summere rå data, så det er forståeligt for mennesker. Data bygger på historiske datapunkter og giver et beskrivende svar på ”hvem, hvad, hvor, hvornår, eller hvor mange gange skete der?”. Det er altså en form for analyse der gør os i stand til at forstå hvad en historisk event var, men ikke hvorfor den indtraf,  eller hvad vi skal gøre ved den. Med andre ord er den beskrivende.
– Et simpelt eksempel på en deskriptiv analyse udviklingen i hvor mange brugere der gennemfører, eller ikke gennemfører salgsflows på en webshop.

Det næste stadie, de diagnosticerende analyser, fortæller et næste relevante spørgsmål, efter vi har fundet ud af, hvad vores udvikling er – altså ”hvorfor skete det?”. Typisk kigger man i denne kategori på historiske data, laver data minings og korrelationer for at kunne forklare grunden til udviklingen fandt sted – altså mulige svar på ”hvorfor falder brugeren af i købsflowet”, men ikke hvad der kommer til at ske efterfølgende og i fremtiden – så meget bagudrettet indsigt, der ikke nødvendigvis skaber et godt fundament for at tage beslutninger om fremtiden.

Det næste niveau er de prædiktive analyser, dvs. analyser der sigter at forudsige spørgsmålet ”hvad kan der ske?”.
– Typisk er det i form af scenarie analyser, hvor det estimeres et sansynlighedsniveau for at et givent resultat vil ske og kan derfor brugs i beslutningsstøtten til at kvalificere med hvilken risiko det er forbundet at tage beslutning x, y eller z.
Et eksempel fra digital marketing kan være: hvordan man kan forbedre sin lead scorings model ved hjælp af en prædiktiv model: normalt har en virksomhed, baseret på menneskelige input, bestemt sig for, hvordan et leadscoring system skal se ud: hvor mange points brugere for forskellige værdifulde handlinger. Dermed fastslår de også hvornår et lead kan gå fra at være et såkaldt MQL (marketing kvalifiseret lead) og til at være et SQL (salgs Kvalifiseret lead) og dermed om leadet er klar, til at blive kontaktet af salgsadelingen. Med prædiktiv modellering kan man forudsige hvornår lead er ”varmt” nok til at skulle kontaktes, baseret på modellens foudsigelser. Dette t giver et bedre beslutningsgrundlag, fordi modellen behandler langt flere datapunkter end den traditionelle og simple metode og derfor også beviser sig mere effektiv i af forudsige hvilken adfærd (data) der bedst forklare, om et lead er klar til at overgå til SQL-status og blive kontaktet, eller skal fortsætte sit nurture flow lidt endnu.

Det sidste og øverste stadie af modenhedsmodellen er de præskriptive modeller. Ligesom ved de prædiktive modeller anvendes der maskinlæring til dette stadie.

Hvor de prædiktive modeller forudsiger hvad der kan ske, så svarer de præskriptive modeller, ”hvordan får vi det til at ske?” og giver dermed input til konkret og direkte beslutningstagen, enten fuldt automatiseret eller med en grad menneskelig verifikation. algoritmiske og automatiserede biddings er et eksempel på, hvordan en AI kan arbejde helt uafhængigt og optimere en kampagne eller en specific kanal, baseret på præskriptive modeller og en række afgrænsende faktorer, som eksempelvis hvor meget man er villig til at betale for et lead på den pågældende kampagne.

Meget få virksomheder arbejder struktureret med både prædiktive og præskriptive modeller i dag på tværs af alt marketing og endnu færre på tværs af hele virksomheder. Men “prescriptive Analytics er et marked som forventes meget af i de nært kommende år – Iflg Gartner, vil software markedet indenfor prescriptive tools – altså de udbydere der leverer præskriptive modeller til beslutningsstøtte, være 1.57 milliarder dollarsv ærd i 2021, svarnede til ca. årlig vækst på 20+% siden 2016.

 

Er du klar til at komme igang eller tage de næste skridt?
Kontakt os og hør mere om dine muligheder i dag.

Kategorier

Tilmeld dig KYNETIC Insight og hold dig opdateret på digitale trends, analyser og brugbare guides til jeres digitale vækst.

  • Vi er drevet af kunstig intelligens Verdens første og førende digital marketing bureau drevet af kunstig intelligens
  • Dyb viden og indgående erfaring +15 års erfaring med digital marketing og intelligent online annoncering
  • Vi skaber fremtidens digitale vindere +100 cases med 5-10X vækst af forretningskritiske KPI’er
  • Førende digital marketing konsulenthus Skandinaviens førende digital marketing eksperter
Skrevet af: Jeppe Juul Sørensen Head of Strategy & Growth Tlf: 2489 1191 / Mail:
Udgivet d.

 

Tilmeld dig KYNETIC Insight og hold dig opdateret på digitale trends, analyser og brugbare guides til jeres digitale vækst.