Η ανάλυση δεδομένων βοηθά τους επιχειρηματίες να μάθουν για τους πελάτες τους με ακρίβεια, από τις ταινίες που παρακολουθούν στο Netflix μέχρι την αγαπημένη τους μπάλα παγωτό..

Τα δεδομένα είναι πανταχού παρόντα, απαραίτητα και ευεργετικά — εκτός εάν δεν είναι.

Οι ειδικοί προειδοποιούν ότι η ανάλυση δεδομένων βρίσκεται σε σημείο καμπής. Οι αυξανόμενες ανησυχίες σχετικά με τους κινδύνους για την ασφάλεια, την ιδιωτικότητα, την προκατάληψη και τη ρύθμιση συγκρούονται με όλα τα οφέλη που προσφέρει η μηχανική μάθηση και η τεχνητή νοημοσύνη. Επικεντρωθείτε σε αυτές τις ανησυχίες κάνοντας πέρα τις ανησυχίες σχετικά με την πανδημία του κορονοϊού και πώς έχει αλλάξει γρήγορα η συμπεριφορά των καταναλωτών, και οι προκλήσεις  θα γίνουν σαφείς.

Η αναζήτηση της σωστής απάντησης σε αυτές τις προκλήσεις είναι χαώδης. Το μόνο που μπορεί να θεωρηθεί σίγουρο είναι η ανάγκη αλλαγής στρατηγικής.

Η συζήτηση για το μέλλον της ανάλυσης δεδομένων είναι συνεχής. Η Google και άλλοι πάροχοι διαδικτύου ανακοίνωσαν πρόσφατα σχέδια για τη σταδιακή κατάργηση των cookies τρίτων, τα οποία θα αφαιρέσουν από τους εμπόρους έναν πλούτο λεπτών πληροφοριών που συλλέγονται μέσω της παρακολούθησης των καταναλωτών σε ολόκληρο τον ιστό. Οι εταιρείες με προδραστικές στρατηγικές ανάπτυξης (proactive) ήδη προσαρμόζονται, ώστε να είναι έτοιμες για έναν κόσμο μετά τα cookies, μετά την πανδημία.

Εξετάζοντας ένα ευρύ φάσμα θεμάτων κάτω από την ομπρέλα της ανάλυσης δεδομένων, διατηρώντας παράλληλα έντονη εστίαση σε αυτό που είναι μπροστά στον εξελισσόμενο κόσμο της τεχνητής νοημοσύνης, προκύπτει το εξής συμπέρασμα: Οι εταιρείες που πρόκειται να κερδίσουν είναι αυτές που χρησιμοποιούν δεδομένα, όχι εικασίες.

Οι κίνδυνοι και τα οφέλη των δεδομένων

Μεγάλη προσοχή έχει δοθεί σε όλους τους εντυπωσιακούς τρόπους με τους οποίους η τεχνητή νοημοσύνη και η μηχανική μάθηση βοηθούν τις εταιρείες αυτοματοποιώντας τις υπηρεσίες, προβλέποντας μοτίβα και κάνοντας συστάσεις που οδηγούν σε μεγαλύτερες πωλήσεις και αφοσίωση. Για παράδειγμα, σημαντικό μέρος των πωλήσεων μεγάλων εταιρειών που ασχολούνται με την προώθηση – κατασκευή ιστοσελίδων  προέρχεται από τον αλγόριθμο προτάσεων.

Ωστόσο, οι κίνδυνοι που σχετίζονται με την τεχνητή νοημοσύνη χρειάζονται εξίσου προσοχή και προτεραιότητα από τους διευθυντές.

Η τεχνητή νοημοσύνη μπορεί να δημιουργήσει κοινωνικούς, ρυθμιστικούς κινδύνους, ακόμη και για εταιρείες που είναι καλά εξοικειωμένες με την τεχνολογία. Η Amazon διέλυσε ένα λογισμικό στρατολόγησης με προκατάληψη φύλου. Το Twitter έκλεισε ένα chatbot της Microsoft που “έμαθε” πώς να δημοσιεύει tweets ρατσιστών. και το Facebook μηνύθηκε από το Υπουργείο Στέγασης και Αστικής Ανάπτυξης των ΗΠΑ, το οποίο ισχυρίστηκε ότι η στοχευμένη διαφήμιση της πλατφόρμας παραβιάζει τον νόμο περί δίκαιης στέγασης περιορίζοντας το ποιος βλέπει διαφημίσεις στέγασης.

Αυτοί δεν είναι μικροί κίνδυνοι για τις επιχειρήσεις και οι επιχειρήσεις πρέπει να παρακολουθούν και να αξιολογούν συνεχώς τα δεδομένα για μεροληψία.

Η προκατάληψη μπορεί να προκύψει σε αλγόριθμους, χωρίς αυτό να γίνεται συνειδητά από ανθρώπους που τους δημιουργούν. 

Η προκατάληψη των αλγορίθμων μπορεί να είναι κερδοφόρα βραχυπρόθεσμα, αλλά μακροπρόθεσμα ασύμφορη λόγω της μείωσης της καταναλωτικής ζήτησης από στόμα σε στόμα.

Ωστόσο, όταν η  ανάλυση δεδομένων λειτουργεί καλά, αφαιρεί τις εικασίες από τη λήψη αποφάσεων και μπορεί να οδηγήσει σε πιο δίκαια αποτελέσματα. Αλλά η τεχνητή νοημοσύνη πρέπει να παρακολουθείται και να τροποποιείται με επαγρύπνηση. Πρέπει επίσης, οι επιχειρηματίες να εξετάσουν τον τρόπο με τον οποίο αναπτύσσουν την ανάλυση δεδομένων. Είναι πραγματικά απαραίτητο να λυθεί ένα πρόβλημα; 

Ωθούμενοι από την αβεβαιότητα πανδημίας

Η τρέχουσα πανδημία COVID-19 έχει διαταράξει τις επιχειρήσεις με απροσδόκητους τρόπους, καθιστώντας παρωχημένη ορισμένες από τις αναλύσεις δεδομένων που ήταν χρήσιμες πριν οι καταναλωτές αλλάξουν ριζικά τα καταναλωτικά τους πρότυπα. Ίσως να πρέπει να ληφθεί υπόψη ότι οι έξυπνες εταιρείες ανταποκρίνονται μεταβαίνοντας από τη μέτρηση ακριβείας στην πρόβλεψη. Αντί να καταγράφουν περισσότερα δεδομένα, διερευνούν τι μπορούν να κάνουν με τα δεδομένα που έχουν ήδη. Επίσης, μεταβαίνουν από δεδομένα τρίτων που βασίζονται σε cookie σε δεδομένα πρώτου μέρους για να δημιουργήσουν πιο άμεσες σχέσεις με τους πελάτες τους.

Σήμερα οι επιχειρήσεις ενδιαφέρονται λιγότερο για την ιστορική παρακολούθηση των δεδομένων των καταναλωτών, καθώς το παρελθόν δεν έχει σημασία τώρα. Και η αυξανόμενη ανησυχία για την προστασία της ιδιωτικής ζωής οδηγεί τις εταιρείες να εξετάζουν πώς να κάνουν τα δεδομένα τους πιο διαφανή στους πελάτες, καθώς και πιο αξιόπιστα και σχετικά.

Καλό είναι να υιοθετηθεί και μια ομαδική νοοτροπία γύρω από τα δεδομένα. Δεν πρέπει να απομονώνεται σε ένα τμήμα, αλλά να μοιράζεται σε όλες τις επιχειρηματικές λειτουργίες.

Έχοντας τα θεμέλια πολύ συγκεντρωτικών, αξιόπιστων και εύκολα προσβάσιμων δεδομένων που, ωστόσο, στη συνέχεια παραδίδονται σε όλες τις ομάδες,  διευκολύνεται η πρόσβαση των δεδομένων σε όλους τους επιχειρηματικούς χρήστες κατά τη στιγμή της απόφασης.