机器学习：MRS数据分析大会的核心要点

探讨专家对人工智能及“统计”在市场研究中作用的见解

机器学习（ML）无处不在，从社交媒体和虚拟助手到金融服务和数据安全，无所不包。对于销售和营销专业人士而言，机器学习提供了前所未有的大数据分析能力，有望破解日益复杂的买家旅程。然而，在市场研究这一依赖分析方法来理解微妙而复杂的决策过程的领域中，机器学习真的能发挥作用吗？还是说，统计思维依然是我们今天所提供的洞察背后不可或缺的分析要素？

这些问题是在2019年于伦敦举行的MRS数据分析大会上提出的。我与来自Sky、Boxclever和Honeycomb的同行们一起，在“统计学与机器学习在市场研究中的作用”专题讨论会上探讨了这一话题。

以下是我们对市场调研未来发展的见解，以及您需要了解的内容。

时代在变：机器学习正颠覆市场研究领域

随着机器学习强势进军市场，各家公司——尤其是市场营销人员和数据分析专家——正试图迅速适应这一新的分析范式。尽管业界对机器学习兴趣浓厚，但我和其他与会专家都注意到，关于何时应采用机器学习、何时又应采用更传统的统计方法，业界仍存在诸多困惑。

机器学习是否应被视为市场研究分析团队不可或缺的工具？统计方法是否仍有其作用？如果有，在何种情况下统计模型比机器学习方案更优？

Sky（这家大型广播公司的洞察与决策科学部门）的研究与分析主管阿吉·戈斯（Aji Ghose）就这一话题发表了看法。戈斯透露，尽管Sky的分析师约90%仍采用“传统”统计方法，但他们也尝试利用神经网络来解析图像，并自动对图像和视频进行分类。

在市场研究组合中，机器学习应占据怎样的地位？

1. 机器学习的最佳应用场景

所有专家都认为，机器学习最适合用于分析战术目标，例如在定价研究中预测价格上涨。机器学习的吸引力在于其“预测准确性”。

然而，仅靠机器学习无法为其预测或观察结果提供定性依据。重大的营收战略决策需要更严谨的分析：品牌经理或零售商等关键利益相关者，需要通过了解消费者或B2B决策背后的原因来被说服。仅靠机器学习无法揭示这些决策背后的根本原因。

此外，机器学习无法提供长期策略。例如，那些采用“如果您喜欢这个，您一定会喜欢那个”模式的电子商务推荐引擎，虽然能够根据对消费者习惯的观察做出简单的判断，但无法进一步深入分析消费者的潜在决策行为。

2. 对数据的渴求

机器学习需要大量数据才能得出有意义的结果。而其他研究方法实际上能以更少的数据实现更多目标，即利用远少于机器学习的数据量产生更有用的结果。这是如何做到的呢？市场研究统计学家处理的是根据相关性筛选出的针对性数据集，而机器学习和大数据技术则使用的是最初为其他目的设计的大型数据集。

这一情景是MRS数据分析大会与会者最关心的议题。他们质疑我们是否应该对当前可用的海量数据感到担忧。针对这一问题，我的同事SKIM（SKIM Slavenburg）向与会者解释道，更广泛的数据来源（例如机器学习、大数据、第三方数据和销售数据）有助于进行“三角验证”。利用额外的信息来源，可以更好地把握决策的背景。 更多信息能帮助您将数据置于具体情境中，从而获得更细致的理解，进而产生更准确且可付诸行动的洞察。

3. 企业如何利用其数据

在当今的数字世界中，许多客户虽然收集了海量的客户数据，却苦于不知如何有效利用这些数据。他们的数据可能分散在各个孤岛中（例如社交媒体监测数据、CRM数据、在线数据等），且在公司内部并未得到广泛共享。这种情况您是否感到似曾相识？

在小组讨论中，我探讨了企业应用数据科学的巨大差异，从完全不应用，到拥有数据科学团队并将数据与洞察深度融入各个业务环节的公司。有些企业正在利用机器学习及其他方法来获取360度全景视图，而另一些企业则尚未制定出能实现这一目标的战略。很明显，整合与合作是培养马塞尔所描述的那种情境理解能力的一种途径。

4. 谨防标签错误

在讨论中，数据科学机构Honeycomb的总监贝桑·布莱克利（Bethan Blakeley）指出，机器学习和人工智能已成为热门词汇，以至于市场研究解决方案可能会被错误地宣传为采用了这些新技术，尽管它们实际上仍是“传统”方法。这种混淆凸显了选择具备广泛专业知识和丰富经验的市场研究合作伙伴的重要性，这样您才能充分利用所有可用方法的优势。 一家拥有深厚分析根基的代理合作伙伴，能够运用所有方法（无论新旧）来评估商业背景，从而为您的品牌制定最佳的定制化研究策略。

如何在市场研究中入门机器学习

在SKIM看来，机器学习在advanced analytics 中确实发挥着重要作用。不过，将其作为一套成熟分析工具集的一部分来实施才是最佳方案。

在组建分析团队或聘请外部专家时，他们应精通：

• 能够跨越不同文化、行业术语以及不同团队所使用的“词汇”，实现有效沟通——这些团队或拥有不同的数据集，或对利用这些数据集感兴趣
• 考虑到数据集的生成背景
• 始终运用常识并对照最终业务目标，对数据来源进行持续审视
• 根据具体目标选用最佳分析方案——不拘泥于特定方法——例如从高度自动化的方案转向更灵活的方案，或反之亦然

这些标准将从数据中得出最具意义的结果。

如果您希望充分利用数据创造更多价值，我们可为您提供专业建议。我们将为您制定一套洞察策略，在助力企业实现长期增长的同时，为其提供坚实保障并促进业务发展。我们在决策行为、分析方法以及应对当今营销挑战方面拥有深厚的专业积淀，并具备数据与分析的深度整合能力。我们将与您携手合作，共同设计一套协作式数据科学方案，助您在数据应用之路上迈出坚实的第一步。

想知道您是否正在以最适合企业的方式利用机器学习成果吗？ 请联系我们，探讨我们能为您提供哪些帮助。

<![endif]–>