AI Analytics: Mendapatkan Lebih Besar, Wawasan Lebih Baik Dengan Algoritma Cerdas

Diterbitkan: 2022-12-19

Sebuah survei baru-baru ini oleh McKinsey mengungkapkan bahwa responden yang diklasifikasikan oleh konsultan sebagai "AI berkinerja tinggi" mengaitkan setidaknya 20% dari pendapatan mereka sebelum bunga dan pajak (EBIT) dengan kecerdasan buatan. Studi lain oleh Accenture menemukan bahwa hanya 12% dari organisasi yang disurvei yang benar-benar mencapai kesuksesan dengan penerapan AI. Untuk perusahaan-perusahaan ini, 30% pendapatan mereka berasal dari kecerdasan buatan.

Apakah Anda merasa ini adalah peluang yang terlewatkan yang ingin Anda manfaatkan? Kemudian teruslah membaca untuk mengetahui lebih banyak tentang analitik AI, bagaimana hal itu dapat melayani bisnis Anda, dan tantangan apa yang diharapkan selama implementasi. Mungkin ini akan menginspirasi Anda dan memberi Anda pengetahuan yang Anda butuhkan untuk menghubungi penyedia layanan pengembangan AI.

Apa itu analitik AI, dan apa bedanya dengan pendekatan tradisional?

Analytics bekerja dengan mengekstraksi pola yang bermakna dalam data dan menafsirkan serta mengomunikasikannya. Pendekatan tradisional untuk analitik lambat dan padat usaha, tetapi menyempurnakannya dengan AI dapat secara signifikan mempercepat proses dan meningkatkan akurasi hasil.

Dalam analitik tradisional, pengguna membuat dasbor untuk menemukan pola dalam visualisasi dengan bantuan pemrograman "jika-maka", di mana data diproses secara ketat sesuai dengan aturan yang telah ditentukan sebelumnya. Dasbor ini membahas persyaratan bisnis tertentu dan terbatas cakupannya. Metode tradisional hanya dapat menangani data terstruktur.

Analitik AI mengacu pada mengotomatiskan proses analisis data menggunakan teknologi, seperti pembelajaran mesin dan subset AI lainnya. Analitik kecerdasan buatan dapat menangani data kompleks yang tidak terstruktur, seperti gambar dan ucapan. Itu tidak terbatas pada hipotesis yang telah ditentukan sebelumnya dan dapat mengejutkan Anda dengan hasil yang tidak terduga. Berbeda dengan pendekatan tradisional yang statis, metode berbasis AI memungkinkan pengguna mengumpulkan data secara dinamis untuk menjawab berbagai pertanyaan.

Menurut Gartner, ada empat pendekatan utama untuk analitik data.

Analitik deskriptif menginterpretasikan data historis. Ini menggunakan alat dan dasbor intelijen bisnis untuk menganalisis tren dan memahami apa yang terjadi di masa lalu. Itu tidak memprediksi masa depan.
Analitik diagnostik menggunakan teknik penambangan data untuk memahami mengapa sesuatu terjadi.
Analitik prediktif membantu memperkirakan hasil di masa mendatang, mengingat kondisinya tetap konstan. Di sinilah AI masuk.
Analitik preskriptif yang digerakkan oleh tindakan. Ini membantu menentukan cara terbaik untuk mencapai hasil tertentu.

Gartner menyarankan menggabungkan analitik prediktif dan preskriptif untuk memecahkan masalah bisnis yang kompleks dan membuat keputusan berbasis data. Jadi, jika Anda ingin dapat:

Kumpulkan data dengan cepat tentang berbagai aspek bisnis Anda alih-alih membuat dasbor untuk setiap pertanyaan bisnis
Menerima rekomendasi mendalam
Lihat masalah Anda dari perspektif yang berbeda
Pahami “mengapa” hal-hal tertentu terjadi dan “bagaimana” melakukan perubahan di masa depan

Maka analitik data AI adalah sesuatu yang ingin Anda coba.

5 kasus penggunaan teratas untuk analitik kecerdasan buatan

Sekarang setelah Anda mengetahui manfaat analitik AI dibandingkan pendekatan tradisional, mari kita lihat bagaimana Anda dapat menerapkannya untuk memecahkan masalah bisnis Anda.

1. Analitik AI meningkatkan pengalaman pelanggan dengan bantuan analisis sentimen

Analisis sentimen adalah bidang dalam pemrosesan bahasa alami yang digunakan untuk mendeteksi perasaan klien tentang merek, produk, dan layanan Anda dengan menganalisis teks. Perusahaan dapat menerapkan praktik ini untuk mempelajari posting media sosial, tanggapan survei, ulasan pelanggan, dll. Untuk mengukur reputasi merek mereka dan memahami kebutuhan pelanggan.

Analisis sentimen bertenaga AI di sektor perbankan

Bank menerapkan analisis sentimen untuk mengetahui pendapat pengguna tentang produk dan layanan mereka serta pengalaman keseluruhan dengan organisasi. Selain itu, lembaga keuangan dapat menggunakan taktik ini untuk mengevaluasi reaksi pelanggan terhadap kampanye pesaing dan meniru contoh yang lebih berhasil.

Salah satu contoh memahami opini pelanggan dengan bantuan analisis sentimen bertenaga AI berasal dari Atom Bank yang berbasis di Durham. Perusahaan menganalisis data dari survei dan komunitas online untuk mengetahui pendapat klien tentang aplikasi perbankan mereka. Data mengungkap bahwa tema “otentikasi” diasosiasikan dengan sentimen negatif. Itu juga mengenali masalah terus-menerus yang menyebabkan frustrasi, seperti "pengenalan wajah tidak berfungsi".

Bank Atom menggunakan pengetahuan yang diperoleh dari analisis data berbasis AI untuk melakukan perbaikan, dan menjadi bank dengan peringkat tertinggi menurut Trustpilot, platform ulasan terkemuka.

Memahami sentimen pelanggan di ritel

Pengecer dapat menganalisis media sosial, umpan balik pelanggan, dan permintaan dukungan pelanggan untuk mengetahui bagaimana perasaan orang tentang merek mereka secara umum atau terhadap kampanye pemasaran tertentu. Analisis sentimen juga dapat membantu pengecer tetap mengikuti tren yang akan datang.

Pengecer pakaian Amerika Utara melihat ke dalam media sosial pelanggan mereka, khususnya TikTok, untuk mengidentifikasi tren dan menggambarkan bagaimana mereka cocok dengan kepribadian pengguna yang berbeda. Hasilnya, pengecer memperoleh wawasan mendalam tentang bagaimana tren pakaian yang berbeda, seperti kain, desain, dan harga, sesuai dengan berbagai persona pembeli. Organisasi menggunakan informasi ini untuk kampanye yang ditargetkan dan untuk merancang lini pakaian.

2. Analitik AI mengurangi waktu henti peralatan melalui pemeliharaan prediktif

Analitik prediktif berbasis AI dapat memproses data yang dikumpulkan dari berbagai mesin untuk memahami kondisinya secara real time alih-alih mengandalkan inspeksi manusia terjadwal. Perawatan prediktif sangat berharga untuk peralatan yang sulit diakses, seperti dalam kasus industri minyak dan gas, di mana alat berat jarak jauh sangat menantang dan bahkan berbahaya untuk diakses.

Tetapi aplikasi pemeliharaan prediktif juga dapat menguntungkan sektor lain.

Pemeliharaan prediktif di bidang manufaktur

Analitik AI memiliki banyak manfaat di bidang manufaktur. Itu dapat melihat peralatan yang kelebihan beban, beroperasi dengan setengah kapasitas, atau kemungkinan akan rusak, sehingga menunda seluruh proses produksi.

ZF Friedrichshafen, pemasok terkemuka di sektor otomotif, bermitra dengan Microsoft untuk menggunakan AI guna pengoptimalan proses. Sebagai bagian dari proyek ini, perusahaan berfokus pada pemeliharaan prediktif lini produksi suku cadang roda gigi. Itu ingin mengganti cincin asah di mesin asah sebelum akhir masa pakainya. Solusi analitik kecerdasan buatan final dapat mendeteksi 99% retakan cincin asah sebelum memengaruhi lini produksi.

Pemeliharaan prediktif dalam transportasi

Dalam industri transportasi, analitik data AI dalam pemeliharaan prediktif membantu mendeteksi kerusakan kendaraan untuk menghindari situasi saat trek macet di antah berantah. Misalnya, Infrabel, sebuah perusahaan kereta api Belgia, menggunakan berbagai jenis sensor di jalurnya, termasuk sensor pengukur suhu dan konsumsi daya. Setelah menganalisis data, operator perusahaan dapat mendeteksi penyimpangan konsumsi daya yang terlalu panas dan tidak biasa dan menghentikan kendaraan untuk diperbaiki pada saat yang tepat.

3. Analisis AI memperkirakan permintaan untuk pengoptimalan inventaris

Pendekatan tradisional untuk manajemen persediaan bergantung pada data pesanan pelanggan. Meskipun metode ini bisa efektif, namun sering mengarah pada overstocking dan understocking, karena menggunakan sumber data yang terbatas. Analitik AI memberdayakan manajer rantai pasokan untuk mempertimbangkan rentang data yang lebih luas, seperti tren saat ini, riwayat penjualan, dan bahkan konten media sosial.

Menurut McKinsey, menggabungkan analitik kecerdasan buatan ke dalam operasi manajemen rantai pasokan dapat mengurangi kesalahan hingga 50% dan mengurangi peluang penjualan yang hilang sekitar 65%.

Ikea menggunakan alat peramalan permintaan berbasis AI yang dapat menganalisis data dari hingga 200 sumber untuk memprediksi popularitas setiap produk. Alat ini dapat memperhitungkan faktor-faktor, seperti perubahan musim, festival, dan prakiraan cuaca, dan dapat memprediksi permintaan dari hari yang sama hingga empat bulan sebelumnya. Alat baru ini meningkatkan akurasi perkiraan Ikea menjadi 98%.

4. Analitik AI memungkinkan Anda membuat penawaran yang dipersonalisasi

Sekali lagi, dengan memproses sejumlah besar data, analitik AI memungkinkan perusahaan yang beroperasi di berbagai sektor untuk membuat produk dan layanan yang dipersonalisasi dan membuatnya terlihat oleh orang yang tepat pada waktu yang tepat.

Penawaran yang dipersonalisasi dan pemasaran bertarget di ritel

Analitik AI dapat melakukan segmentasi audiens yang lebih baik, memungkinkan kampanye pemasaran yang disesuaikan. Hal ini memungkinkan retailer mengirimkan iklan yang berdampak kepada pelanggan yang cenderung mengambil tindakan. Selain itu, perusahaan dapat menyambungkan mesin rekomendasi bertenaga AI ke dalam platform eCommerce mereka sehingga dapat menyarankan produk kepada klien berdasarkan preferensi, demografi, dan tren saat ini.

Pengecer sepatu Inggris bereksperimen dengan kecerdasan buatan dan analitik data untuk merekomendasikan produk di situs web mereka, dan menyaksikan peningkatan 8,6% dalam tarif tambahan ke keranjang.

Perawatan yang dipersonalisasi dalam perawatan kesehatan

Analitik AI dalam perawatan kesehatan dapat memperoleh wawasan dari biomarker pasien, informasi genetik, dan data perawatan kesehatan lainnya untuk memprediksi respons seseorang terhadap pilihan pengobatan yang berbeda, yang membantu menghindari resep obat yang mahal jika tampaknya tidak efektif.

Universitas Chiba Jepang menggunakan analitik AI untuk memproses data genomik, klinis, dan metabolisme pasien dengan kanker ovarium sebelum pengobatan dan menemukan kelompok dengan prognosis yang agak buruk, yang tidak mungkin merespons pengobatan biasa dengan baik. Setelah itu, para peneliti menggunakan hasil ini untuk mengembangkan pengobatan yang dipersonalisasi untuk segmen populasi ini.

5. Analitik kecerdasan buatan memprediksi perilaku pelanggan

Mencegah churn pelanggan

Dengan menganalisis media sosial, ulasan pelanggan, tiket dukungan, dan informasi lainnya, analitik AI dapat mengenali pelanggan yang tidak puas dan mempertimbangkan untuk pindah ke pesaing. Ini memungkinkan Anda untuk mengambil tindakan yang diperlukan untuk mempertahankan pelanggan ini daripada membiarkan mereka pergi dan membayar harga yang lebih tinggi untuk menarik orang baru. Studi menunjukkan bahwa mendapatkan klien baru lima kali lebih mahal daripada mempertahankan klien yang sudah ada.

Peramalan janji temu tidak muncul

Janji yang terlewat membebani sistem perawatan kesehatan AS sekitar $150 miliar setiap tahun. Analitik data berbasis kecerdasan buatan memungkinkan rumah sakit dan praktisi swasta memprediksi pasien mana yang cenderung melewatkan janji temu tanpa pemberitahuan.

Para peneliti di Rumah Sakit Anak Boston membuat model AI yang dapat menganalisis informasi, seperti riwayat kesehatan pasien, ketersediaan asuransi, ras, dan tingkat pendidikan ibu, selain kondisi cuaca, untuk menemukan potensi ketidakhadiran. Tim peneliti juga menyarankan untuk menerapkan beberapa jenis pengingat ke dalam algoritme, sehingga setelah mengidentifikasi pasien yang cenderung melewatkan janji temu, model tersebut dapat menentukan apakah pasien dapat memperoleh manfaat dari pesan teks atau panggilan dan mendorong mereka menggunakan metode yang disukai.

Tantangan yang terkait dengan penerapan AI dalam analitik data

Proyek kecerdasan buatan dikenal dengan tingkat kegagalannya yang tinggi. Forbes melaporkan bahwa antara 60% dan 80% proyek AI gagal. Gartner melukiskan gambaran yang lebih suram dengan 85% proyek keluar dari jalur yang benar.

Mari jelajahi kesulitan utama yang mungkin Anda hadapi dan cara meningkatkan peluang sukses Anda. Anda dapat menemukan informasi lebih lanjut tentang tantangan yang terkait dengan AI di blog kami. Kami juga menyediakan panduan implementasi AI terperinci yang akan membantu Anda mencapai tujuan Anda dengan AI.

Data pelatihan tidak mencukupi

Penelitian menunjukkan bahwa 96% perusahaan menghadapi tantangan terkait data terkait analitik AI. Tidak selalu mungkin untuk menemukan kumpulan data yang ada yang sepenuhnya memenuhi permintaan Anda untuk pelatihan yang sesuai. Set yang ada bisa jadi bias, terlalu umum untuk populasi target Anda, tidak lengkap, atau tidak akurat. Sebuah studi baru-baru ini yang dilakukan oleh University of California dan Google Research menemukan praktik "meminjam berat" data di antara para praktisi dan peneliti, yang berarti bahwa komunitas yang mengerjakan satu tugas mengadopsi data yang dimaksudkan untuk digunakan di lingkungan yang berbeda. Model yang dilatih pada data "pinjaman" tidak mungkin memberikan hasil yang akurat, karena mereka tidak terbiasa dengan kasus khusus lapangan Anda.

Sebagai cara untuk meningkatkan kualitas pelatihan model, ilmuwan data harus bekerja sama dengan pakar domain dan pemilik data untuk menyusun kumpulan data pelatihan yang mewakili bidang Anda. Mereka juga perlu memastikannya bersih dan diberi label secara akurat baik secara manual atau dengan bantuan alat anotasi, seperti Supervise.ly.

Jangan lewatkan konsultasi dengan pakar domain, terutama saat Anda perlu menginterpretasikan data dari negara dan budaya lain. Menurut Devaki Raj, Chief Executive Officer di CrowdAI, startup AI yang sukses, “Agar efektif, otomasi perlu diinformasikan oleh orang-orang yang paling dekat dengan masalah.”

Hasil bias

Hasil yang dihasilkan oleh model AI sangat bergantung pada data pelatihan. Dan jika data ini tidak diperiksa secara ketat, bias berdasarkan etnis, usia, dan jenis lainnya dapat dengan mudah menyelinap masuk, mempengaruhi algoritme untuk memberikan prediksi yang salah. Bahkan dengan pelatihan awal yang tepat, algoritme AI dapat mengembangkan bias saat mereka terus belajar.

Untuk mengatasi masalah ini, pastikan algoritme dirancang dengan mempertimbangkan inklusi dan dilatih pada data yang representatif. Dan setelah penerapan, investasikan dalam kerangka kerja kontrol dan lakukan audit rutin untuk memastikan semua alat analitik data berbasis kecerdasan buatan menghasilkan hasil yang relevan dan tidak bias.

Biaya tinggi terkait dengan teknologi

Pembelajaran mesin dan algoritme pembelajaran mendalam menghabiskan banyak daya untuk berfungsi. Mereka menuntut jumlah GPU dan core yang terus meningkat untuk beroperasi. Dan semua ini agak mahal. Meskipun berkat komputasi awan Anda tidak perlu memiliki semua sumber daya sendiri, itu tetap tidak murah. Dan semakin cerdas dan akurat algoritme Anda, semakin besar biaya pengembangannya.

Anda dapat merujuk ke blog kami untuk informasi selengkapnya tentang biaya implementasi AI dan faktor di balik biaya analitik data.

Anda dapat meminimalkan pengeluaran Anda selama tahap pengembangan awal dengan mengidentifikasi kasus penggunaan prioritas Anda dan membuat MVP untuk memvalidasi ide Anda dan menentukan area yang perlu ditingkatkan. Jangan berkembang untuk akurasi ekstrim sejak awal dan terjebak dengan dana yang tidak mencukupi. Ketika Anda memiliki bukti bahwa proyek Anda layak, Anda dapat secara bertahap memberi makan alat analitik AI Anda dengan data yang lebih relevan untuk meningkatkan akurasi.

Sifat kotak hitam dari algoritme AI

Di beberapa industri, sulit untuk menerima rekomendasi kecerdasan buatan dan analitik data jika sistem tidak menguraikan cara mencapai kesimpulannya. Kebutuhan akan penjelasan muncul baik karena prinsip kepatuhan atau karena alasan pribadi. Misalnya, di bidang perawatan kesehatan, dokter akan kesulitan meresepkan pengobatan yang direkomendasikan oleh model AI jika mereka tidak memahami alasan di balik pemilihan pengobatan khusus ini.

Jika bidang Anda membutuhkan transparansi dalam pengambilan keputusan, Anda dapat menerapkan AI yang dapat dijelaskan. Ini adalah serangkaian proses yang memungkinkan pengguna manusia memahami keluaran algoritme AI. Teknik AI yang dapat dijelaskan juga memungkinkan pengguna untuk menemukan dan memperbaiki hasil yang bias dan tidak akurat. Namun, perlu diperhatikan bahwa model kotak putih tidak memiliki kekuatan prediktif dibandingkan model kotak hitam.

Jadi, apakah analitik AI sepadan dengan usaha?

Meskipun analitik kecerdasan buatan sulit diterapkan dan tidak setiap organisasi berhasil dalam upaya ini, manfaat penerapan yang berhasil sangat banyak. Di dunia yang bergerak cepat ini, di mana persaingan semakin cepat, bisnis tidak dapat menghabiskan waktu berbulan-bulan untuk menjawab pertanyaan strategis menggunakan analitik tradisional. Mereka akan kehilangan posisi pasar mereka karena perusahaan yang mengandalkan analisis data berbasis AI dan dapat mencapai hasil yang sama lebih cepat.

Lihatlah kerangka waktu yang dijelaskan oleh James Crawford, Chief Executive Officer di Orbital Insight, sebuah startup AI yang inovatif, "Kami ingin mempersingkatnya menjadi satu jam atau lebih ketika itu tentang sesuatu yang terjadi di dunia fisik."

Dan berapa banyak waktu yang Anda habiskan untuk tugas analitik saat ini? Jika Anda ingin meningkatkan kemampuan pengambilan keputusan dan mendapatkan keuntungan lain yang dimiliki analitik AI, hubungi konsultan analitik data besar tepercaya yang akan membantu Anda mendapatkan yang terbaik dari data Anda.

Apakah Anda tertarik untuk meningkatkan bisnis Anda dengan analitik AI? Berhubungan! Kami akan menyusun pendekatan terbaik untuk anggaran dan kasus penggunaan Anda, membantu Anda dengan pelatihan model, dan memastikan algoritme bebas bias.

Awalnya diterbitkan di https://itrexgroup.com pada 13 Desember 2022.