Store data og hvor best å utnytte det har blitt et flerårig emne, og de endeløse debattene rundt det kommer sjelden til en tilfredsstillende konklusjon. Det er imidlertid teknologi som vil låse opp fordelene, og smale AI (kunstig intelligens) spesielt som vil samle store data og andre kilder til informasjon for å lage store og informative datafilder.

Store data handler mest om forbrukere og markedsføring, og fra dette perspektivet var 1960-tallet til begynnelsen av 1990-tallet en enkel gylden periode. Det var et begrenset antall personer som kontrollerte kommersielle medier, de store avisgruppene, TV og deretter radiokanaler. Massive visningstall rundt programmer som Coronation Street og store avis sirkulasjoner mente det var relativt enkelt å sette reklame foran nesten alle forbrukere raskt og enkelt.

Forbrukere nå i kraft

Men ting har endret seg radikalt. Forbrukerne har tatt eierskap til media. TV-publikum har svindlet, avisleserskapet har gått ned, det er mer enn dobbelt så mange forbrukermagasintitler som 20 år siden, og TIVO og bredbåndsforbrukerne kan bestemme hva de ser og hører på, og når. De kan også kutte ut TV-reklame. Oppløsning av media betyr at offentligheten er i full kontroll, og det er ingenting de gamle eierne kan gjøre med det.

Nå er forbrukere enormt kraftige mennesker, og de må behandles som sådan. Dette betyr igjen at merkevarer må forstå så mye om dem som mulig for å kunne kommunisere med dem med hell, fordi når de kommer ut med en melding, må de få det riktig første gang. Hvis merkene er heldige, kan de få et sekund eller to hensyn før meldinger blir avvist, eller blir engasjert videre. Det er svært få andre sjanser hvis de får feil.

I denne situasjonen er data og datamodellering avgjørende hvis du vil vite hva forbrukerne tenker og hva de sannsynligvis vil reagere positivt på. Dette binder også inn i store data og hvordan man bruker den til beste effekt. Svaret ligger i å bruke smale AI for å spore forbrukernes følelser, og trekke ut spesifikke relevante opplysninger fra store data separat.

Smale fordeler

Smal AI er i stand til å gjøre dette fordi den har mulighet til å trawle enorme mengder informasjon umiddelbart og deretter rapportere spesifikk nødvendig informasjon kontekstuelt for å opprette nøyaktige rapporter. Selv om informasjonen må defineres snevt innenfor et hvilket som helst søk, betyr muligheten for å utføre flere relaterte søk samtidig, at den kan gi nøyaktig modellering.

Den beste måten å spore følelsen av nesten alle demografi på, er å overvåke sosiale medier. For tiden er det en rekke smale AI-baserte abonnementstjenester som gir mulighet til å spore forbrukerkommentarer i sanntid. Imidlertid er de dyrt og de fleste tilbyr begrenset fleksibilitet.

Sosialmediaovervåkningskonsulenter anbefaler at konklusjoner ikke umiddelbart hentes fra rånumre samlet gjennom overvåking. De tror at det er viktig å lese mellom linjene og prøve å utforske mønstre i større detalj. Smal AI kan gjøre dette, men ikke nødvendigvis gjennom de nåværende overvåkingspakker, og det er uunngåelig at de nødvendige DIY smale AI-pakkene blir tilgjengelige.

Tescos problemer

Når det gjelder store data, er smal AI igjen svaret fordi det gjør det mulig for brukeren å skape verdifull analyse basert på å trekke ut lag av kontekstuell informasjon. En av de beste måtene å illustrere dette er å markere et problem Tesco hadde i mange år knyttet til sine lojalitetskortdata. Forhandleren hadde massive mengder informasjon om hva forbrukerne kjøpte, men hva det ikke kunne se var hva kundene ikke kjøpte fra sine butikker.

For eksempel kunne Tesco se at enkelte forbrukere kjøpte vin og fransk brød på lørdager, men det kunne ikke identifisere at kunder ikke kjøpte ost. Det kan se folk kjøpe tannbørster, men ikke se at de ikke kjøpte tannkrem.

Det var klart at det ble gjort komplementære kjøp andre steder, og smal AI kunne vært brukt til å forhøre dette scenariet og gi svarene. Tesco kunne da ha fulgt opp gjennom kupongbaserte kampanjer for å plugge innkjøpsgapene.

Øyeblikkelig innsikt

Avhengig av datastyring av bestemte land kan smal AI også tillate datamarkedsførere å legge til informasjon som finnes på nettet til eksisterende forbrukerfiler. Selv om dette ikke er tillatt i kommunikasjonen med forbrukerne, gir bruken i datamodellering fortsatt merkevareeiere med langt større forståelse av forbrukeradferd.

Videre oppløsning av media betyr at det blir stadig vanskeligere å overvåke forbrukernes følelser og rentemønstre. Igjen er smal AI svaret. Det kan være en veldig enkel teknologi, men hvis den brukes riktig, kan den øyeblikkelig skape innsikt basert på å søke gjennom store mengder informasjon.

  • David Senior er administrerende direktør i Lowdownapp Ltd. Med nesten 20 års erfaring i IT har han jobbet for ledende globale selskaper, men de to siste årene har medvirket to selskaper, Spark33 Ltd, for å gi råd om CxOs på mobil- og mobilapper, og Lowdownapp til fokusere på bruk av smal AI i opprettelsen av flersidede kontekstuelle informasjonsbaserte mobilapper.