Markedsføring.dk den 16. november 2018
Machinelearning fortæller hvad. Du vil også vide hvorfor
​
Machine learning bruges ofte til at forudsige adfærd eller begivenheder ved at genkende mønstre fra historiske data, og begrebets uendelige muligheder forgyldes i øjeblikket. Mens der tales meget omkring machine learning, tales der mindre og mindre om det egentlige formål.
Vi statistikere har benyttet os af machine learning længe, men der er virkelig ved at ske noget med resten af verden, forklarer Martin Lunde Pedersen, CEO i It's A Fact.
Jeg kan dog blive lidt skeptisk, når vi hovedkulds forelsker os i maskinens muligheder og glemmer at stoppe op og spørge os selv :” Jamen, hvorfor gør vi det her?” ”Kan machine learning hjælpe mig med mit overordnede formål?”
Har du et formål med machine learning?
​
Machine learning først og fremmest en del af arbejdet med analyse. Nærmere betegnet som en metode til at få mere information med slutmålet om at skabe bedre beslutninger. Formålet må altid være at blive klogere.
Og i vores marketingsverden betyder det altså klogere på sine forbrugere og markedet.
Selv en machine learning entutiast som mig vil tillade mig at være skeptisk over for især de automatiseringsmuligheder, som machine leaning afstedkommer:
​
-
Automatiseringer kan skære mange timer og led fra. Men man skal også huske at lære i processen. For hvad sker der, når man skærer det fra?
-
Hvad nytter det, at hele din marketingsplan er automatiseret?
-
At din maskine spytter det rigtige budskab ud til de rigtige kundegrupper, hvis du ikke selv ved, hvorfor budskaberne sammensættes, som de gør?
-
Hvis du ikke selv ved, hvorfor markedet og forbrugeren reagerer som det gør?
Så bliver du reaktiv. Det er derfor vigtigt, at vi også lærer i processen, og selv får de input, som vores maskine gør, så vi i stedet kan være proaktive.
”Hvad” og ”hvorfor” bør gå hånd i hånd
Inden for klassisk analyse sondres mellem den kvantitative analysemetode som deskriptivt typisk fortæller noget om ”hvad” der er sket, mens de kvalitative analysemetoder, som qua deres eksplorative natur, søger at dykke ned i og undersøge ”hvorfor” det skete.
”Hvorfor” er mere komplekst, fordi vi er som forbrugere ikke rationelle. For at finde frem til ”hvorfor” bliver du nødt til at tale med forbrugeren og analysere output – ligesom det altid er blevet gjort inden for social science.
Formålet med machine learning og data science må være at udnytte de muligheder, vi har lige nu for at indsamle og analysere enorme mængder kvantitativ data, for at få svar på ”hvad der sker”, og eventuelt kunne automatisere et respons.
Men automatiseringerne bør kritisk overvåges og altid sammensættes med de bevægelser, som sker uden for din big data og altså holdes op i mod en grundlæggende og dybere forståelse for dit marked og forbruger.
​
​
​