Flertallet af de toneangivende e-handelsvirksomheder i 2023 bruger datadrevet beslutningstagning i en eller anden udstrækning.
En del har desuden taget skridtet videre, og bruger AI-baserede modeller til at forbedre deres marketingbeslutninger ved hjælp af prædiktive eller præskriptive modeller, som kan svare på “hvordan får vi det til at ske?” og giver input til konkret og direkte beslutningstagning, enten fuldt automatiseret eller med en grad af menneskelig verifikation, og det er med god grund.
AI-støttet beslutningstagen baseret på præskriptiv analyse giver nemlig en række helt klare fordele når det kommer til effektivtet og optimering, hvilket jeg kommer nærmere ind på længere nede, men lad os starte med at kridte banen op. Her får du tre tendenser, som kommer til at tegne fremtiden for AI i e-handel:
-
Stigende marked: Markedet for præskriptiv analyse, som er stærkt afhængig af AI, forventes at vokse fra 5,50 milliarder amerikanske dollars i 2023 til 22,30 milliarder dollars i 2030. Dette viser en betydelig forventning om, at AI vil blive endnu mere integreret i beslutningstagningen i fremtiden. Er du ikke med nu, vil du være bagud i fremtiden.
-
Fremtidige trends i e-handel: AI vil være afgørende for flere trends i e-handel i fremtiden, herunder personalisering, brug af AR og VR, abonnementstjenester og bæredygtig og etisk shopping.
-
Attribution af salgsmuligheder: AI kan bruges til at forbedre attributionsprocessen for at forstå, hvilke kilder der har størst indflydelse på konverteringer og salg, hvilket kan hjælpe med at allokere budgetter mere effektivt.
Ovenstående er ikke udtømmende, men viser med sikkerhed, at AI er kommet for at blive, hvilket tegner en virkelighed, hvor dem der ikke rider med på bølgen meget vel kunne blive de store tabere i markedet.
Så lad os dykke dybere ned i de forskellige modenhedsgrader inden for datadreven beslutningstagning for at kortlægge de forskellige faser, en virksomhed kan operere i. Dette inkluderer at identificere hvor avanceret en organisations datadrevne processer er, samt hvilket niveau af indsigt og støtte kunstig intelligens kan tilbyde i beslutningstagningen.
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 nemlig ikke 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, er der 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 bedømmelsesevne 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 den 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 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 i stand 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 aktivere 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. Bruger man de ‘forkerte’ data, så løber den kunstige intelligens vild i junglen af sammenhænge, konkluderer unfair resultater og tager uhensigtsmæssige beslutninger.
I forbindelse med den datadrevne tilgang har vi nu en æra, hvor automatiseringen af vores beslutningstagning er blevet normaliseret, og det sker uden menneskelig interaktion mellem datahåndtering og implementeringen af de beslutninger, der tages på baggrund af disse data.
Et fremtrædende eksempel på dette i 2023 er OpenAI’s ChatGPT, der kan generere tekst, svare på spørgsmål, analysere, researche, og meget mere. Denne AI anvender en stor mængde data og tager beslutninger om, hvordan den skal reagere baseret på input, det modtager, uden menneskelig indgriben.
Et andet eksempel er Tesla’s Autopilot-system. Baseret på enorme mængder data og avancerede AI-modeller, kan systemet nu træffe automatiserede beslutninger om, hvordan bilen skal køre, navigere og reagere på forskellige trafiksituationer, alt sammen uden menneskelig interaktion. Dette er et eksempel på, hvordan AI er blevet integreret i vores daglige liv og tager beslutninger, der tidligere krævede menneskelig input.
Specifikt på marketingområdet bruges AI-modeller i marketing automation-platforme til at bestemme det optimale tidspunkt for udsendelse af nyhedsbreve, til kundesegmentering, forecastinganalyser, social media-monitorering og meget mere.
Her bruger AI-analyser og -forudsigelser data til at træffe beslutninger, der ville være tidskrævende og komplekse for mennesker at foretage.
Disse AI-modeller bruges ikke kun til at forudsige sammenhænge i store datamængder, men også til at optimere vores daglige opgaver på et niveau, der er umuligt for enkeltpersoner at håndtere. Teknologier som ChatGPT, Tesla’s Autopilot og marketing automation platforme hjælper os derfor med at udføre arbejdet bedre, end vi selv kan.
I et samfund, der er mere og mere datadrevet, er disse teknologier ikke bare nyttige, men bliver i stigende grad essentielle for at holde trit med mængden af data, vi producerer og skal navigere i.
Er mennesker så overflødige?
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.
Gartners 4 stadier
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
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.
Diagnosticerende analyser
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.
Prædiktive analyser
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 sandsynligheds niveau for at et givent resultat vil ske og kan derfor brugs i beslutningsstøtten til at kvalificere med hvilken risiko det er forbundet at tagebeslutning x, y eller z.
Præskriptive analyser
Præskriptive analyser er det sidste og mest avancerede niveau inden for dataanalyse. Disse analyser søger at svare på spørgsmålet “hvordan kan vi få det til at ske?”. Præskriptive analyser bruger ofte avancerede algoritmer og teknikker som maskinlæring og kunstig intelligens for at forstå de potentielle konsekvenser af forskellige handlinger og for at foreslå de bedst mulige handlinger, baseret på de forudsigelser, der er lavet under de prædiktive analyser.
I modsætning til de tidligere stadier, der er fokuseret på at forstå fortiden og forudsige fremtiden, er præskriptive analyser proaktive. De foreslår specifikke handlinger, der kan tages for at optimere et bestemt resultat, som for eksempel at forøge konverteringsraten på en webshop eller at forbedre kundetilfredsheden.
I en e-handelssammenhæng kan en præskriptiv analyse foreslå at sætte bestemte produkter på tilbud, justere priser, ændre layoutet på websitet eller målrette bestemte kundegrupper med specifikke budskaber eller produkter baseret på deres tidligere købsadfærd og andre relevante data.
Det er vigtigt at bemærke, at præskriptive analyser kræver en betydelig mængde data, sofistikeret analyseværktøj, og ofte en vis grad af menneskelig vurdering og beslutningstagning.
Mens præskriptive analyser har potentialet til at transformere beslutningstagning ved at skabe datadrevne handlingsplaner, er det vigtigt at huske, at de fungerer bedst som en del af en bredere beslutningsproces. De er et kraftfuldt værktøj, der kan supplere – men ikke erstatte – menneskelig intuition og erfaring.
Hvis I er klar til at begynde jeres rejse inden for datadrevne analyser eller ønsker at tage jeres nuværende marketingindsats til det næste niveau, er vi her for at hjælpe.
Kontakt os for at diskutere, hvordan vi kan hjælpe med at låse op for dit datas potentiale og skabe skræddersyede løsninger, der passer til jeres specifikke behov.
