Przyzwyczajenia cyfrowe tworzą się szybko
Konsumenci bardzo szybko absorbują korzyści, jakie czerpią z rozwiązań technologicznych, zaczynając poszukiwać podobnych usprawnień w kolejnych dziedzinach życia. Wiedzą, że firmy przetwarzają informacje o ich zachowaniach i oczekują w zamian coraz lepiej dopasowanej, szybkiej i inteligentnej obsługi. Oczekują, że każdy sprzedawca będzie potrafił zaoferować im produkt lub usługę w oparciu o ich wcześniejsze wybory. Ktoś, komu smartfon codziennie podpowiada najszybsza trasę powrotu do domu, lub komu aplikacja każdego dnia wybiera kilka najlepiej dopasowanych do jego upodobań płyt z muzyką, zaczyna szukać takiego samego podejścia u sprzedawcy garniturów czy jedzenia.
Samodzielnie nie da się jednak przeanalizować wszystkich dostępnych danych oraz wyciągnąć na ich podstawie odpowiednich wniosków – szczególnie przy ogromnej liczbie klientów. Czy to oznacza, że w niedalekiej przyszłości każda, najmniejsza nawet firma będzie zmuszona do inwestowania w ogromne systemy analityki danych, zespoły inżynierów oraz olbrzymią infrastrukturę technologiczną?
Do stworzenia SI potrzebny jest zespół naukowców i programistów aby wydobyć i przygotować odpowiednie informacje, zbudować odpowiednie modele, a następnie zintegrować wyniki z systemami CRM. Wszystko to powoduje, że SI jest niedostępne dla firm, które nie są w stanie zainwestować olbrzymich ilości pieniędzy, aby zatrudnić specjalistów i przygotować infrastrukturę.
Jednak przyszłość rysuje się przed nami zgoła inna. Tak jak w przypadku kreatorów stron internetowych czy pakietów biurowych udostępnianych w chmurze, nawet małe firmy będą mogły wykorzystać rozwiązania oferujące zaawansowane mechanizmy analityczne oparte o sztuczną inteligencję. Jednym z przykładów takiego podejścia może być zaprezentowany ostatnio przez giganta technologicznego Salesforce system Einstein. System ten nie tylko podpowiada określone rozwiązania w oparciu o analizę danych, ale także pokazuje prawdopodobieństwo osiągnięcia sukcesu przy zastosowaniu zaproponowanych rozwiązań. Szuka on wzorców w posiadanych przez nas danych oraz rekomenduje kolejne kroki, jakie powinniśmy podjąć.
Maszyna nie ulega stereotypom
Pierwsze przykłady zastosowania tego typu rozwiązania przynoszą spektakularne wręcz efekty. Jedna z amerykańskich firm zajmujących się opieką zdrowotną potrzebowała przygotować raport dotyczący przyczyn hospitalizacji pacjentów. Firmy analityczno-doradcze proponowały przeanalizowanie danych i przygotowanie raport zawierającego blisko 250 różnych parametrów (wiek, choroby, wskaźnik BMI, itp.) w ciągu kilku miesięcy. Wykorzystanie Einsteina, analizując jednocześnie zdecydowanie więcej danych, skróciło ten czas do DWÓCH godzin i dało dosyć zaskakujące rezultaty. Okazało się bowiem, że 49 proc. procent kobiet z cukrzycą było hospitalizowanych. Liczba ta wydaje się tak ogromna, że wszyscy powinni o tym wiedzieć, a jednak nikt nie dostrzegł wcześniej takiej zbieżności. Ludzie opierali bowiem swoje analizy na przekonaniach, uprzedzeniach i stereotypach. W związku z tym, generalnie młodzi ludzie oraz kobiety mają niski odsetek hospitalizacji nikomu nie przyszło do głowy, żeby w ogóle przyglądać się takiej grupie docelowej. Podczas takiej analizy wszyscy patrzyli na starszych mężczyzn. Sztuczna inteligencja wykryła jednak pewną regułę – gdy chorzy na cukrzycę nie biorą insuliny ich organizm nie radzi sobie z przetwarzaniem cukru, co prowadzi do utraty masy ciała. Okazało się, że młode kobiety traktowały ten fakt jako swoistą strategię żywieniową i celowo nie przyjmowały insuliny, by stracić wagę – częstym efektem ubocznym były późniejsze hospitalizacje. Odkrycie tego związku pozwoliło na podjęcie rzeczowego dialogu z kobietami – uświadomienie im konsekwencji, a finalnie znaczne zmniejszenie liczby hospitalizacji w tej grupie.
