Want create site? Find Free WordPress Themes and plugins.

Machine Learning – den der tøver taber

Machine Learning er et af tidens helt store buzzwords. Det er nemt at lade sig rive med – og med god grund. Den simple grund er at potentialet er så stort, at der forretningsmæssigt reelt er ved at blive skabt et A & B hold. Kom godt igang med Machine Learning med denne guide, så du ikke mister en afgørende mulighed for at styrke din forretning.

For de fleste virksomheder gælder det dog, at snakken om Machine Learning skal højere op på dagsordenen. Det bliver dog ofte noget vagt sniksnak med en masse store ord og vage termer. Begrebet drukner derfor hurtigt ved siden af alle de andre begreber og buzzwords, som Big Data, digital transformation, IOT, VR og så videre og så videre. Derfor går snakken om den forretningsmæssige betydning ofte tabt, og ledelsen risikerer at miste en afgørende mulighed for at styrke forretningen.

Hvorfor interessere sig for Machine learning netop nu?

Mulighederne i, og behovet for Machine learning har aldrig været større, da denne teknologi kan være med til at styrke forretningen. De menneskelige begrænsninger i forhold til at fortolke og handle på data bliver mere og mere udfordret i takt med den ekspotentielle udvikling i mængden af data. Sidste år blev der skabt lige så meget data på 12 måneder som i hele jordens levetid. Dette vidner om enorme datamængder og hastigheder, der blot bliver ved med at stige.

Er du virkelig datadrevet?

Langt de fleste CMO´er eller marketingansvarlige kan nikke genkendende til, at datamængden har været kraftigt stigende. Det har gjort deres job mere komplekst at navigere rundt i, når der skulle tages beslutninger. Samtidig er der sket en voldsom vækst i antallet af forskellige datakilder fra Facebook, Google, Twitter, 3. part data kilder, Web analytics til e-mail marketingprogrammet, ERPsystemet, CRM systemet, som skal tages med i betragtning, for at der kan dannes et sammenhængende beslutningsgrundlag. For hvem vil ikke gerne sige, at de tager datadrevne beslutninger?

Grundet indsigt og erfaringer baseret på mere end 1.000 analyser er virksomheders brug af data meget begrænset i forhold til deres reelle potentiale. Der er allerede så meget data, at det ofte er nødvendigt at træde et skridt tilbage fra det hele, og lige bruge et øjeblik til at genoverveje hvad formålet med al den data egentlig er. En del af svaret er Machine Learning.

Fra tale til handling – Google trends

Ifølge Google Trends, har der aldrig været så stor interesse for Machine Æearning, som der er nu. Det er fordi, at Machine Learning netop er central i svaret på hvordan vi får data samlet og omsat til forretning. Effekten på bundlinjen, for de fleste virksomheder, estimeres til at være mellem 30 – 50% over blot 1-  3 års horisont med aktiv brug af Machine Learning.

Denne værdi kommer blandt andet gennem områder som:

  •        Mindre spild ved uhensigtsmæssige og ineffektive investeringer
  •        Mere fint kalibreret brug af midler og ressourcer
  •        Mærkbare forbedringer af forretningsprocesser

Start småt – der kan være lige så stor værdi i det

Det behøver ikke altid at være omfattende og komplekse projekter. Tværtimod, kan der opnås god effekt af Machine Learning gennem mange små projekter i organisationen og driften.

I et eksempel fra vores egen verden, har vi bl.a. optimeret load hastigheden med 34% for en større dansk virksomhed udelukkende med brug af Machine Learning. Helt konkret har vi bygget en Machine Learning model. Ved brug af flere datakilder ønskede vi at forstå den enkeltes brugers hensigt på deres website, og på den måde blive i stand til at forecaste hvilken side, vi kan forvente at brugeren ville klikke på, som den næste. Herefter pre-loader Chrome websiderne i baggrunden, så de ligger klar, og kan leveres i samme sekund, når brugeren klikker på det forventede link. Dermed opnår de både at brugeroplevelsen øges samt at load hastigheden nedsættes med 34%.

Men hvad er værdien reelt?

I denne case er værdien meget mærkbar, da den er bundet til et af de meste centrale parametre for digital kommunikation – nemlig hastigheden. Amazon gennemførte, som nogle af de første, nogle omfattende undersøgelser af sammenhængen mellem hastighed og antallet af salg, hvor deres helt entydige konklusion var, at der var en korrelation mellem hastighed og salg. Når annoncøren fra casen eksempelvis bruger mere end 50 mio. kr. om året på annoncering, så giver en 34 % forbedring af load hastigheden en stor forbedring på bundlinjen. Dét er kernen i Machine Learning.

Source: 2014 Radware State of the Union Mobile eCommerce Performance

Andre muligheder for Machine Learning i marketing

I praksis er der næsten uanede muligheder. Den væsentligste forudsætning er dog, at der er en vis mængde data til rådighed, for at det bliver en succes. Samtidig er det væsentligt, at der er en fælles identifikationsnøgle på tværs af de forskellige datakilder, så man kan se hvilket data, der reelt hører sammen. Det er derfor ikke bare vigtigt, at få identificeret de vigtigste touch points –  alt fra TV, content, email, til search, website etc. Men også, at sætte systemer op, som kan sikre, at vi forstår hvad der hører sammen og hvad der ikke gør. På den måde bliver det nemlig muligt for Machine Learning systemerne at identificere korrelationer eller manglende kausalitet.

66% af ecommerce omsætningen kommer fra SEM & SEO ifølge Google

Ifølge Google stammer mere end 66% af omsætningen i en ecommerce typisk fra enten betalt eller organisk search. Med udgangspunkt i SEM (betalt annoncering), har vi gennem brug af web analytics data, CRM og ERP data udarbejdet vores egen Machine Learning model i forhold til identificering af:

  • Lokal budgivning på demografiske variabler (køn, alder, indkomst og by)
  • At udelukke løbende displayannoncering, hvor der ikke har været assisterende konverteringer
  • Ændringer i budskaber afhængig af vejrdata og alder

Effekten af ovenstående har betydet besparelser for ca. 10% og en øget konvertering på knap 20%.

Hvornår åbner dine kunder mailen?

Et andet interessant Machine Learning projekt kunne være, at tilpasse kommunikationen til hvornår modtagerne reelt læser jeres nyhedsbrev. Det er nemlig meget forskelligt fra person til person, hvornår og hvordan vi læser nyhedsbreve. Nogen åbner det på mobilen, andre åbner det stadigvæk kun på en desktop. Gennem Machine Learning bliver det muligt at indsamle modtagernes præference. Således at man over tid kan samle data ind om hver enkelt brugers adfærd, og derved ramme dem når der er størst sandsynlighed for et træf.

Hvordan kommer man i gang med Machine learning?

I vores øjne er Machine learning kronen på værket, da det er rent operationelt.

  • 1. stadie: Du har data til at kunne fortælle, hvad der skete
  • 2. stadie: Du har data og indsigt til at fortælle, hvorfor skete det
  • 3. stadie: Du har data og indsigt til at fortælle, hvad der sker lige nu og hvorfor
  • 4. stadie: Du har data og indsigt til at forudsige, hvad der sker – hvilket er Machine Learning 1.0
  • 5. stadie: Med data og indsigt du har kan du nu forudsige udviklingen, og designe, hvad der skal ske. (ML 2.0)

Så reelt skal du arbejde baglæns i ønsket om Machine Learning, hvor vi er kommet frem til flg. model.

Ud over du skal have styr på data, så forudsætter Machine Learning også flg.:

  1. Du skal have specialist erfaring i at identificere værdifulde problemstillinger
  2. Du skal have folk med ekspertise indenfor Machine Learning, som forstår output og det kommercielle
  3. Du skal have en strategisk viden, som binder specialviden og ML skills sammen med strategien

Udover, at have styr på data, så forudsætter succesfuld arbejde med Machine Learning også at teamarbejdet er på et højt plan. Vores erfaring, at du holder fokus på 1.0 modellen, fremfor at bygge et kæmpe setup. Start småt tænk stort.

Vi tror på, at Machine Learning vil være det bærende element i den 4. industrial revolution, og håber på, at virksomhederne for alvor får det på agendaen i nær fremtid.

Did you find apk for android? You can find new Free Android Games and apps.