Уроки для маркетологов: почему большие данные повлияли на выборы в США
(кросс-пост из LinkedIn)
Клинтон должна была победить на прошлой неделе. Это даже не должно было быть рядом.
Только самые пристрастные аналитики и предвыборный штаб Трампа прогнозировали победу выскочки-республиканца. К концу ночи произошло следующее:
(спасибо, Google)
Как могло так много очень, очень умных людей, вооруженных лучшими в мире технологиями, ошибаться? Ответ коренится в простом факте. Люди плохо предсказывают свое поведение в будущем. Мы можем рассказать вам о наших прошлых действиях и о том, почему мы их предприняли. Мы можем рассказать вам, как мы относимся к тому, что происходит сейчас. Однако каким-то образом, когда дело доходит до того, чтобы рассказать вам, что мы собираемся делать — даже если действие произойдет всего через несколько часов — мы совершенно ненадежны.
Команда Клинтона (и весь остальной мир) только что заново усвоила этот старый урок. Последствия для маркетологов очевидны:
1) Прошлые данные — это золотая жила, но это не волшебство. Мы должны собрать как можно больше информации о прошлом поведении и отношении. Когортные данные (как люди, подобные нам, ведут себя и чувствуют) значительно обогащают эти ретроспективные данные. Прошлые данные также могут быть предсказательными, но надежность этих предсказаний зависит от согласованности ВСЕХ условий. Как только что-то меняется в окружении испытуемых, все ставки снимаются.
2) Машинное обучение может помочь, но оно не идеально. Искусственный интеллект — это прекрасно. Это «Большие данные 2.0», помогающие людям с ограниченными возможностями обрабатывать и анализировать огромные объемы разрозненных параллельных данных за миллисекунды и делать статистические выводы с невероятной достоверностью.
Но машинное обучение не способно узнать то, чего оно не знает. В любой ситуации, когда эмоция является фактором принятия решений, компьютеры способны учитывать только те эмоциональные сценарии, которые существовали в прошлом и которые были изучены и количественно оценены. В США не было надежных данных о предыдущих выборах, на которых два непохожих друг на друга кандидата, которым не доверяли, соревновались в условиях экономической неопределенности, глобальной нестабильности и информационной перегрузки (как из хороших, так и из плохих источников). Это было немоделируемо.
3) Комбинация управляемых компьютером «векторов вероятности» с человеческой интуицией является ответом. Психологи использовали этот метод в течение многих лет. Вместо того, чтобы просить участников исследования предсказать свое собственное поведение, они используют прошлые данные, чтобы определить возможные будущие действия, которые они могут предпринять, и просят людей представить, что это действие уже было предпринято, и поделиться своими мыслями по этому вопросу. «Ожидаемое сожаление» — это термин, обозначающий один из результатов этого исследования, и он в значительной степени срабатывает как «раскаяние покупателя» заранее. Результатом этого исследования является набор эмоциональных и когнитивных данных, связанных с гипотетическими сценариями. Эти реакции реальны и имеют огромное прогностическое значение.
На практике этот метод будет выглядеть следующим образом: вместо того, чтобы спрашивать людей, как они будут разрабатывать будущий продукт или услугу, покажите им или расскажите о потенциальном дизайне и заставьте их отреагировать на него. Запишите их реакцию. Используйте вероятности каждого возможного результата (дизайн продукта или услуги) в качестве средства разрешения конфликтов, а не в качестве основного фактора принятия решения. Таким образом, гораздо более вероятно, что прогнозируемые результаты окажутся точными.
Большие данные 3.0 станут устойчивой моделью на следующее десятилетие. В нем мы будем использовать возможности обработки данных машинного обучения, баз данных графов и облака для проверки любых данных в соответствии с набором условий. Затем мы будем использовать наш собственный органический мозг и эмоции для принятия решений. В старые времена мы бы назвали это «предчувствиями» или инстинктами. Сегодня мы можем назвать это опытом. В развитой организации этот опыт принадлежит предприятию, а не индивидууму, и ценность этой «институциональной мудрости» будет огромной.
