Aprendizado de máquina: Principais conclusões da Conferência de Análise de Dados da MRS

Explorando as opiniões de especialistas sobre IA e o papel das "estatísticas" na pesquisa de mercado

O aprendizado de máquina (ML) está em toda parte, desde as mídias sociais e os assistentes virtuais até os serviços financeiros e a segurança de dados. Para os profissionais de vendas e marketing, o aprendizado de máquina oferece uma análise sem precedentes de big data. Ele tem o potencial de decodificar as jornadas do comprador, cada vez mais em camadas. No entanto, será que o aprendizado de máquina realmente tem uma função na pesquisa de mercado, um campo em que dependemos de métodos analíticos para entender a tomada de decisões complexas e com nuances? Ou será que o pensamento estatístico ainda é o elemento analítico essencial por trás dos insights que fornecemos hoje?

Essas foram as perguntas feitas durante a conferência MRS Data Analytics de 2019, realizada em Londres. Juntei-me a colegas da Sky, Boxclever e Honeycomb para explorar esse tópico durante o painel "O papel da estatística e do aprendizado de máquina na pesquisa de mercado".

Veja a seguir o que dissemos e o que você precisa saber sobre o futuro da pesquisa de mercado.

Os tempos estão mudando: o aprendizado de máquina como um desregulador da pesquisa de mercado

À medida que o aprendizado de máquina entra em cena com força total, as empresas, especialmente os profissionais de marketing e de insights, estão tentando se adaptar rapidamente a esse novo paradigma de análise. Apesar desse interesse vibrante no aprendizado de máquina, meus colegas de painel e eu percebemos a grande confusão que existe sobre quando usá-lo e quando usar abordagens estatísticas mais tradicionais.

O aprendizado de máquina deve ser tratado como uma ferramenta essencial para as equipes analíticas de pesquisa de mercado? Os métodos estatísticos ainda têm um papel a desempenhar e, em caso afirmativo, quando um modelo estatístico é preferível a uma solução de aprendizado de máquina?

Aji Ghose, chefe de pesquisa e análise da Sky, o braço de ciência de insights e decisões da grande emissora, opinou sobre o assunto. Ghose revelou que, embora os analistas da Sky empreguem cerca de 90% de métodos estatísticos "tradicionais", eles também experimentaram o uso de uma rede neural para dar sentido às imagens, classificando imagens e vídeos automaticamente.

Qual é o lugar do aprendizado de máquina no mix de pesquisa de mercado?

1. Os melhores usos da aprendizagem automática

Todos os especialistas concordaram que a Aprendizagem de Máquina é melhor utilizada na investigação de objetivos táticos, por exemplo, na pesquisa de preços, quando se prevê aumentos de preços. O apelo do Machine Learning é a "precisão da previsão".

No entanto, o aprendizado de máquina sozinho não pode produzir razões qualitativas para o que ele prevê ou observa. As principais decisões de estratégia de receita precisam de uma análise mais rigorosa: as principais partes interessadas, como gerentes de marca ou varejistas, precisarão ser persuadidas com uma compreensão dos motivos por trás da tomada de decisão do consumidor ou B2B. O "porquê" subjacente não pode ser fornecido apenas pelo aprendizado de máquina.

Além disso, o aprendizado de máquina não pode oferecer estratégias de longo prazo. Por exemplo, os mecanismos de sugestão de comércio eletrônico do tipo "Se você gosta disso, vai adorar aquilo" podem fornecer julgamentos simples com base na observação dos hábitos do consumidor, mas não podem se aprofundar mais no provável comportamento de tomada de decisão do consumidor.

2. Uma fome de dados

O aprendizado de máquina precisa de muitos dados para fornecer um resultado significativo. Outros métodos de pesquisa podem, na verdade, fazer mais com menos, ou seja, produzir resultados mais úteis usando muito menos dados. Como isso é possível? Os estatísticos de pesquisa de mercado trabalham com conjuntos de dados focados e selecionados por sua relevância, enquanto as técnicas de aprendizado de máquina e de Big Data usam grandes conjuntos de dados originalmente projetados para outros fins.

Esse cenário foi o que mais chamou a atenção do público na Conferência de Análise de Dados da MRS. Eles questionaram se deveríamos nos preocupar com a quantidade de dados disponíveis atualmente. Da plateia, meu colega Marcel Slavenburg, Diretor Sênior da SKIM, explicou que uma variedade maior de fontes de dados, como Machine Learning, big data e dados de terceiros e de vendas, é útil para a "triangulação". O uso de fontes de informações adicionais proporciona uma melhor percepção do contexto da tomada de decisões. Mais informações permitem que você embase os dados para obter uma compreensão mais matizada, o que produz insights mais precisos e acionáveis.

3. Como as empresas usam seus dados

No mundo digital de hoje, muitos de nossos clientes estão coletando grandes quantidades de dados de clientes, mas têm o desafio de saber como aproveitá-los de forma eficaz. Eles podem ter informações coletadas em silos (por exemplo, escuta social, dados de CRM, dados on-line etc.), mas podem não estar compartilhando-as amplamente internamente. Parece familiar?

No painel, discuti as grandes variações no uso da ciência de dados corporativa, desde nenhuma - até empresas com equipes de ciência de dados integradas a todos os aspectos de dados e insights. Enquanto algumas estão usando o Machine Learning e outros métodos para obter uma visão de 360 graus, outras ainda não definiram uma estratégia que lhes permita fazer isso. Ficou evidente que a integração e as parcerias são uma maneira de desenvolver o tipo de entendimento contextual descrito por Marcel.

4. Cuidado com a rotulagem incorreta

Durante as discussões, Bethan Blakeley, Diretora da agência de ciência de dados Honeycomb, levantou a questão de que o ML e a IA se tornaram palavras tão populares que as soluções de pesquisa de mercado podem ser deturpadas como se estivessem usando essas novas tecnologias, embora na verdade sejam métodos "tradicionais". Essa confusão destaca a importância de escolher parceiros de pesquisa de mercado com uma ampla gama de conhecimentos e experiência, para que você obtenha os benefícios de todos os métodos disponíveis. Uma agência parceira com raízes analíticas profundas pode avaliar o contexto comercial com todos os métodos (antigos e novos) para criar a melhor estratégia de pesquisa sob medida para a sua marca.

Como começar a usar a aprendizagem automática na pesquisa de mercado

Do nosso ponto de vista na SKIM, o aprendizado de máquina tem um papel definitivo na advanced analytics atualmente. No entanto, ele é melhor implementado como parte de um kit de ferramentas analíticas sofisticadas.

Ao montar uma equipe analítica ou trazer especialistas externos, eles devem ser bem versados:

• Ser capaz de se comunicar de forma eficaz entre as diferentes culturas, jargões setoriais e "vocabulários" existentes nas diferentes equipes que possuem diferentes conjuntos de dados ou que têm interesse em explorá-los
• Considerando o contexto em que os conjuntos de dados foram criados
• Questionar continuamente as fontes de dados com bom senso e alinhamento ao objetivo comercial final
• Aproveitar a melhor solução analítica para o objetivo - ser agnóstico quanto ao método - como passar de uma solução mais automatizada para uma mais ad hoc, ou vice-versa

Esses critérios produzirão os resultados mais significativos dos dados.

Se você deseja fazer mais com seus dados, podemos aconselhá-lo. O resultado será uma estratégia de insights que protegerá e nutrirá sua empresa à medida que ela busca um crescimento de longo prazo. Temos um longo histórico de experiência em comportamento de decisão, métodos analíticos e compreensão dos desafios de marketing atuais, além de integração total de dados e análises. Vamos nos unir a você para projetar uma abordagem colaborativa de ciência de dados que faça com que sua jornada de dados comece da maneira certa.

Quer saber se está usando os resultados do aprendizado de máquina da melhor maneira para a sua empresa? para discutir como podemos ajudar.

<![endif]–>