Data is Κing
Γράφει η Εύα Πέτροβα
Η ανάλυση δεδομένων διαδραματίζει έναν κρίσιμο ρόλο στη σύγχρονη επιχειρηματικότητα και στην επιστημονική έρευνα. Με τη ραγδαία αύξηση του όγκου και της ποικιλίας των δεδομένων που δημιουργούνται καθημερινά, η ικανότητα να εξάγουμε αξιόπιστα και στρατηγικά συμπεράσματα από αυτά γίνεται ολοένα και σημαντικότερη. Η ανάλυση δεδομένων επιτρέπει να ανακαλύψουμε μοτίβα, τάσεις και πληροφορίες που βοηθούν τους marketers να λάβουν τις βέλτιστες αποφάσεις και να καθορίσουν στρατηγικές.
Big Data Marketing
Στην εποχή της ψηφιοποίησης και των τεχνολογικών προοδευτικών αλλαγών, η data-driven προσέγγιση έχει γίνει κεντρικός πυλώνας για πολλές επιχειρήσεις και οργανισμούς. Ωστόσο, η υιοθέτηση αυτής της προσέγγισης δεν είναι απλή και αντιμετωπίζει πολλές προκλήσεις.
Οι διαφημιστικές καμπάνιες είναι άμεσα συνδεδεμένες µε την εικόνα και την ταυτότητα μιας επιχείρησης. Ένας marketer πρέπει να έχει στο νου του τη δημιουργία μιας καμπάνιας που είναι αποτελεσματική στην κάλυψη του κοινού-στόχος, παράλληλα µε την παρακολούθηση του ROI (return on investment). Οι επαγγελματίες του χώρου πρέπει να δημιουργούν ολιστικά πλάνα marketing και να λαμβάνουν υπόψη των τεράστιο όγκο δεδομένων για το κοινό τους. Για να το επιτύχουν αυτό, πρέπει να έχουν τεράστια γνώση της αγοράς, των καταναλωτών και των ανταγωνιστών. Για να το πετύχουν, έχουν ανάγκη από τα λεγόμενα big data. Τα big data είναι ένας τεράστιος όγκος πληροφορίας ο οποίος προέρχεται από διάφορες πηγές, µέσα και κανάλια. Όλος αυτός ο όγκος δεδοµένων παρέχει σηµαντικές πληροφορίες για την αγορά, τον καταναλωτή, τον ανταγωνισµό ακόµα και για τα αποτελέσµατα των παλιότερων ενεργειών marketing της επιχείρησης. Για όποιο µέγεθος επιχείρησης, από µια µικρή startup ή µια τεράστια πολυεθνική, συνιστάται να εκµεταλλευόµαστε τα δεδοµένα για την αποτελεσµατικότητα των στόχων µας.
Τα big data δεν είναι απλά ένα trend αλλά ο «παίκτης» που µπαίνει δυναµικά στην αγορά και αλλάζει το παιχνίδι. Από την έλευση του Internet και την περαιτέρω ανάπτυξη της στατιστικής, η συλλογή και επεξεργασία δεδοµένων ποτέ δεν ήταν τόσο γρήγορη και τόσο εξελιγµένη. «Στην αγορά σήµερα, µαζί µε το κύµα του AI, έχει έρθει στην επιφάνεια και πάλι η data driven προσέγγιση στο marketing αλλά και γενικά η ανάγκη για data mining και χρήση των δεδοµένων σε εµπορικές αποφάσεις αλλά και εκπαίδευση AI µοντέλων. Κύρια πηγή δεδοµένων για αρκετά χρόνια αποτελούσαν τα analytics µε καθολική επικράτηση των Universal Analytics. Αυτά ήταν τα βασικά source of truth για τις εµπορικές αποφάσεις στο digital κόσµο. To περιβάλλον όµως άλλαξε. Το GA4 ήρθε βιαστικά από την google αλλά και από τους integrators, χωρίς κανείς αρχικά να το κατανοεί πλήρως. Η αγορά σχηµάτισε µια κακή εικόνα για το GA4, που καταγράφει µε διαφορετική λογική και µε σηµαντικά discrepancies. Το λίγο διαφορετικό modelling δεν παίζει πλέον σηµαντικό ρόλο, καθώς είναι κοινό για όλους. Το σηµαντικό είναι η χαµένη πληροφορία και, κυρίως, η άγνοια της αιτίας που την προκαλεί. Είναι τεχνικό πρόβληµα στο integration; Είναι πρόβληµα του GA4 ή κάτι άλλο; Εµπειρικά, ο κύριος λόγος είναι η µη αποδοχή των χρηστών στα cookies/scripts. Πρακτικά, πλέον όσοι δεν τα αποδέχονται δεν καταγράφονται, που από µόνο του θα αφαιρέσει 20%-25% των δεδοµένων», αναφέρει ο ∆ηµήτρης Μπόχτης, Data Analytics and Innovation Manager της Sleed.
«Πιο διστακτική η ελληνική επιχειρηµατικότητα ως προς το data strategy»
«Κάθε οργανισµός χρειάζεται να ορίσει ένα αποδεκτό επίπεδο συλλογής δεδοµένων στο οποίο θα λειτουργήσει αποτελεσµατικά. Το δεύτερο κοµµάτι είναι η χρονική περίοδος διατήρησης δεδοµένων. Το GA4 διατηρεί µέχρι και 14 µήνες, πράγµα που σηµαίνει ότι δεν θα µπορούν να γίνουν year on year αναλύσεις. Τέλος, πρέπει να αξιοποιηθούν και οι υπόλοιπες πηγές δεδοµένων, όπως το ERP ή το CRM ή άλλες πλατφόρµες. Τα δεδοµένα είναι αξία για την επιχείρηση που µπορεί να εκµεταλλευτεί εµπορικά. Εδώ είναι και η διαφορά µε την υπόλοιπη Ευρώπη, όπου φαίνεται η ελληνική επιχειρηµατικότητα να είναι πιο διστακτική ως προς το data strategy. Πρακτικά, µια καλή υλοποίηση σε GA4 πετυχαίνει 75% καταγραφής. Για το παραπάνω βήµα θα χρειαστεί να γίνει server side tracking. ∆υστυχώς, δεν είναι αντιληπτή η αξία του στην αγορά προς το παρόν. Έπειτα η διατήρηση της πληροφορίας θα χρειαστεί Data warehouse (BigQuery, Snowflake) όπου η πληροφορία µένει για το διάστηµα που ο οργανισµός ορίζει. Τέλος, εκεί µπορεί να µπουν δεδοµένα από τα λοιπά συστήµατα. ∆υστυχώς, η ανάγκη αυτή συµπίπτει µε µια αρνητική οικονοµική συγκυρία, που κάνει το ρίσκο της επένδυσης υψηλότερο. Όµως κατά πολύ υψηλότερο είναι το ρίσκο της µη επένδυσης», προσθέτει ο ∆ηµήτρης Μπόχτης σχετικά µε το data strategy.
AI και αξιοποίηση των data
Η Τεχνητή Νοηµοσύνη έχει διεισδύσει σχεδόν σε κάθε κλάδο, λόγω της ικανότητάς της να βελτιώνει τα επιχειρηµατικά αποτελέσµατα – από την παραγωγικότητα των εργαζοµένων µέχρι τη λήψη αποφάσεων και την εµπειρία των πελατών. ∆εν αποτελεί έκπληξη το γεγονός ότι µικροί και µεγάλοι οργανισµοί αγκαλιάζουν την τεχνητή νοηµοσύνη. Τούτου λεχθέντος, η έναρξη της τεχνητής νοηµοσύνης χωρίς µια ισχυρή στρατηγική δεδοµένων µπορεί να κάνει περισσότερο κακό παρά καλό. Η στρατηγική δεδοµένων αναφέρεται σε ένα σύνολο περίτεχνων σχεδίων και διαδικασιών για τη δηµιουργία και ανάλυση πολύτιµων δεδοµένων για την υποστήριξη των επιχειρηµατικών στόχων.
Τα δεδοµένα ή η έλλειψη της σωστής στρατηγικής δεδοµένων είναι το νούµερο ένα εµπόδιο για την κλιµάκωση ή την πραγµατοποίηση οτινοσδήποτε έχει σχέση µε την τεχνητή νοηµοσύνη. Η τεχνητή νοηµοσύνη εξαρτάται από βιώσιµα δεδοµένα για να ευηµερήσει.
Οµολογουµένως, δεν είναι εύκολο να δηµιουργηθεί µια στρατηγική δεδοµένων, πόσω µάλλον µια που υποστηρίζει δυνατότητες AI. Η στρατηγική δεδοµένων πρέπει να ευθυγραµµίζεται µε τους στόχους του οργανισµού και να τροποποιείται όταν αλλάζουν αυτοί οι στόχοι. Χωρίς µια ολοκληρωµένη, ενηµερωµένη στρατηγική δεδοµένων, η επένδυση χρόνου, προσπάθειας και χρηµάτων στην τεχνητή νοηµοσύνη θα είναι µάταιη.«Τα δεδοµένα είναι αυτά στα οποία εκπαιδεύονται τα AI µοντέλα, άρα και το πρώτο βήµα είναι η συλλογή τους. Με επαρκή και ακριβή δεδοµένα θα µπορεί µια επιχείρηση να αξιοποιήσει καλύτερα τα κοινά ΑΙ εργαλεία που ήδη υπάρχουν», αναφέρει χαρακτηριστικά ο ∆ηµήτρης Μπόχτης.
Οι απόψεις που εκφράζονται στα σχόλια των άρθρων δεν απηχούν κατ’ ανάγκη τις απόψεις της ιστοσελίδας μας, το οποίο ως εκ τούτου δεν φέρει καμία ευθύνη. Για τα άρθρα που αναδημοσιεύονται εδώ με πηγή, ουδεμία ευθύνη εκ του νόμου φέρουμε καθώς απηχούν αποκλειστικά τις απόψεις των συντακτών τους και δεν δεσμεύουν καθ’ οιονδήποτε τρόπο την ιστοσελίδα.
Ακολούθησε τα Ηλειακά Νέα στο Google News και μάθετε πρώτοι όλες τις ειδήσεις
