Intuition und Daten: Eine unzertrennliche Allianz

Die menschliche Intuition und Daten müssen sich nicht widersprechen. Der Kolumnist Joshua Reynolds erklärt, warum die effektivsten Marketing-Analyse-Lösungen sowohl den menschlichen Verstand als auch die Maschine nutzen.

Während sich die Marketing-Analyse rasant weiterentwickelt, zeichnet sich ein interessanter Wettlauf ab: menschliche Intuition vs. maschinengestützte Intelligenz.

Anfang dieses Monats gichten Forscher des MIT bekannt, dass sie einen Algorithmus entwickelt haben, der die menschliche Intuition übertreffen kann. Die Debatte "Daten vs. Intuition" wurde auch in mehreren Sitzungen der "Advertising Week" in New York im letzten Monat thematisiert und ist seit Jahren ein wiederkehrendes Thema.

Aber in vielerlei Hinsicht ist der Konflikt zwischen menschlicher Intuition und Maschinendaten ein falscher. Die wahre Lösung liegt darin, die Art und Weise zu ändern, wie Menschen mit Maschinen interagieren. Die Gestaltung dieser neuen Allianz ist besonders für Marketingexperten von entscheidender Bedeutung.

Intuition ist Daten

Es gibt ein interessantes Element dieser "Menschen vs. Maschinen"-Analyse-Diskussion, das nicht oft angesprochen wird, und das ist die Tatsache, dass das menschliche Gehirn eine der flexibelsten und leistungsfähigsten Rechenquellen auf dem Planeten bleibt.

Intuition sind Daten. Es ist nur so, dass die menschliche Intuition im ultimativen Blackbox-Algorithmus – dem menschlichen Gehirn – verarbeitet wird, und keiner von uns besitzt das geistige Eigentum daran (zumindest noch nicht).

Das menschliche Gehirn, das einzigartig dafür konzipiert ist, Bedeutung in Formen und visuellen Mustern zu finden, interagiert mit Maschinendaten durch Datenvisualisierung. Maschinendaten, wenn sie am effektivsten sind, kombinieren High-End-Berechnungen mit intuitiven und ansprechenden Datenvisualisierungen.

Die effektivsten Marketing-Analyse-Lösungen sind diejenigen, die anerkennen, dass die menschliche Intuition – und vielleicht am wichtigsten, die menschliche Neugier – eine entscheidende Rolle dabei spielt, von Daten zu Erkenntnissen, von Erkenntnissen zu Entscheidungen und von Entscheidungen zu Handlungen zu gelangen.

Schließlich ist menschliche Neugier nichts anderes als ein organisch datengesteuerter Impuls, dass etwas eine weitere Untersuchung wert ist. Und menschliche Intuition ist einfach eine organisch datengesteuerte Schlussfolgerung, dass aus Gründen, die wir möglicherweise nicht artikulieren können, eine Korrelation besteht, die wir versuchen sollten, weiter zu verstehen.

Deshalb beginnen in vielen Kreisen von Datenwissenschaftlern, einschließlich hier bei Quantifind (meinem Arbeitgeber), die Menschen an die Überzeugung zu glauben, dass wir uns nicht nur auf KI oder künstliche Intelligenz konzentrieren sollten, sondern auf IA oder Intelligenz-Augmentierung.

Dies ermöglicht es uns, tiefer in unsere Intuition einzutauchen und unsere Instinkte neuen Inspirationen auszusetzen. Datenvisualisierungen eröffnen dem menschlichen Geist ganz neue Welten voller Möglichkeiten, auf die er reagieren und die er verarbeiten kann.

Kurz gesagt, Marketingexperten sollten nach Lösungen suchen, die es ihnen ermöglichen, ihre Neugier und ihre Instinkte zu nutzen.

Sie sollten nach Funktionen suchen, die ihnen helfen, ihre Daten besser zu erkunden und zu verstehen. Sie sollten sowohl den Verstand als auch die Maschine nutzen, um die wichtigen Korrelationen zu untersuchen zwischen dem, was das Marketing tut, dem, was Kunden sagen, und wie sich ihr Geschäft entwickelt.

Und durch all das sollten sie versuchen, die Allianz zwischen menschlicher Intuition und maschinengesteuerten Daten neu zu gestalten. Aber um dies zu tun, müssen wir neu überdenken, was Daten tun und was nicht.

Algorithmen sind Werkzeuge, keine End-to-End-Lösungen

Um es klarzustellen, die MIT-Forschung ist großartige Datenwissenschaft. Derzeit sind Menschen viel besser als Maschinen darin, vielversprechende Muster in großen Datensätzen zu identifizieren.

Das heißt, Menschen definieren interessante Probleme und verwenden diese Definitionen, um Lern-Sets für maschinelles Lernen zu erstellen. Dieser Prozess hat Algorithmen zu einer Konsequenz der Intuition gemacht.

Das MIT-Projekt namens "Data Science Machine" ändert möglicherweise diese Dynamik, indem es bedeutungsvolle Muster ohne menschliche Anleitung identifiziert. In Datenwissenschaftswettbewerben hat der MIT-Algorithmus nicht alle menschlichen Gegner besiegt, aber die meisten von ihnen und arbeitete exponentiell schneller.

Offensichtlich hat die Forschung ihren Platz. Sie wird eine Rolle bei zukünftigen Fortschritten spielen und die Aufgaben erweitern, die von Maschinen zuverlässig erledigt werden können.

Aber wie die meisten Technologien ist diese Art von Fortschritt ein Werkzeug – gut bei manchen Dingen, fragwürdig bei anderen.

Zum Lob der MIT-Forscher erkennen sie diese Einschränkungen an. "Wir betrachten die Data Science Machine als eine natürliche Ergänzung zur menschlichen Intelligenz", sagte Max Kanter, dessen Masterarbeit die Grundlage für den Algorithmus war, gegenüber MIT News.

Marketingexperten müssen einen ähnlich ausgewogenen Ansatz verfolgen. Weder Daten noch kreativer Instinkt allein sind eine vollwertige Lösung.

Der Schlüssel zum Erfolg wird darin bestehen, die beiden Ansätze zu verbinden, was bedeutet, dass Marketingexperten, anstatt sich auf Hype einzulassen und Daten als allwissend zu behandeln, die Grenzen der verschiedenen Methoden erkennen müssen.

Die Data Science Machine arbeitet zum Beispiel derzeit mit relationalen Datenbanken – also der Art von strukturierten Daten, die wir häufig in Tabellenkalkulationen sehen, aber nicht den unstrukturierten, chaotischen Daten, die durch etwas wie soziale Medien generiert werden.

Diese Art der relationalen Analyse hat klare Vorteile und Grenzen. Die Forscher verdeutlichen, dass, wenn eine Datenbank Start- und Enddaten für verschiedene Verkaufsaktionen und wöchentliche Gewinne enthält, "die entscheidenden Daten möglicherweise nicht die Daten selbst sind, sondern die Spannen dazwischen, oder nicht die Gesamtgewinne, sondern die Durchschnittswerte über diese Spannen".

Das ist wahr genug. Der Gesamtgewinn könnte weniger wichtig sein als irgendein Trend, der kurzfristige Umsatzspitzen verursacht, zum Beispiel.

Die Identifizierung dieses Trends und die Bestimmung, wie er über längere Zeiträume skaliert werden kann, ist wertvoller als die kumulativen Zahlen. Als Werkzeug mit Stärken und Schwächen könnte die Data Science Machine ideal für diese Art von Arbeit sein.

Unstrukturierte Daten sind anders. Kommentare in sozialen Medien passen nicht in relationale Tabellenkalkulationen. Sie können nicht mit den gleichen Techniken, die in einer strukturierten Datenbank funktionieren, auf bedeutungsvolle Korrelationen hin untersucht werden.

Wenn zum Beispiel die Websites von Kinos diesen Monat während des Ansturms auf Star Wars-Tickets abstürzten, kommentierten viele Kommentatoren sarkastisch in den sozialen Medien – z.B. "Fandango, lade oder lade nicht, es gibt kein Versuchen." Für einen Algorithmus ist es schwierig zu erkennen, dass diese Art von Kommentar eine sarkastische Kritik ist, die, wenn sie weit verbreitet ist, Auswirkungen auf den Ruf der Marke haben könnte.

Für eine Person, die mit Intuition und Erfahrung bewaffnet ist, ist die Beziehung jedoch offensichtlich.

Menschliche Neugier und Kreativität werden immer wichtig sein

Die kreative Interpretation der Daten wird immer unerlässlich sein. Ein Marketingexperte könnte so etwas wie die Data Science Machine für einige Aufgaben verwenden, während er sich für andere Aufgaben auf eine andere Reihe von Algorithmen und Methoden verlässt.

Wenn er mit unstrukturierten sozialen Daten konfrontiert wird, könnte der Marketingexperte beispielsweise soziale Kommentare mit dem Umsatz korrelieren. Dies würde es dem Marketingexperten ermöglichen, Verbrauchersprachmuster zu identifizieren, die mit dem Umsatzwachstum korrelieren, und die Botschaften an die in diesen Mustern ausgedrückten Themen anzupassen.

Aber selbst dann wird diese "Anpassung" kein automatisierter Prozess sein.

Darüber hinaus können nur menschliche Instinkte helfen zu bestimmen, welche Fragen es sich überhaupt lohnt zu verfolgen. Das Einzige, was schlimmer ist als die falsche Antwort, ist die richtige Antwort auf die falsche Frage. Und nur menschliches Urteilsvermögen kann den Unterschied erkennen.

Einen Weg zu finden, den Umsatz zu steigern, der nur in der Theorie funktioniert, ist nutzlos, wenn er nicht auch politisch, organisatorisch und psychologisch für alle beteiligten Entscheidungsträger funktioniert.

Letztendlich sollten sich Marketingexperten also einige wichtige Fragen stellen, wenn sie sich ihren Marketing-Datenlösungen nähern:

* Wie ist die aktuelle Beziehung zwischen meinen eigenen subjektiven Marketing-Instinkten und meiner Datenlösung? Wie möchte ich, dass sich diese Beziehung ändert?

* Wer bestimmt, welche Fragen ich untersuche – die Maschine, ich oder eine Kombination aus beidem? Und wer ist besser positioniert, um zu wissen, welche Fragen zu mehr Umsatzpotenzial führen?

* Wo im Prozess haben wir politische und organisatorische Realitäten berücksichtigt? Haben wir unseren Erkenntnisprozess rückwärts entwickelt, um Antworten zu finden, die nicht nur wertvoll, sondern auch praktisch umsetzbar sind?

* Und zuletzt: Wie führen mich die Daten zu besseren, fruchtbareren Fragen, die es zu untersuchen gilt, und welchen Raum lässt dieser Prozess für die zufällige Entdeckung unerwarteter Umsatzmöglichkeiten?

Intuition, Daten, Marketinganalyse, künstliche Intelligenz, Data Science, Entscheidungsfindung, Intelligenz-Augmentierung

Intuition und Daten, Marketinganalyse, künstliche Intelligenz, Data Science Machine, menschliche Intuition, Datenvisualisierung, Marketingentscheidungen, Intelligenz-Augmentierung

#Intuition #Daten #Marketing #DataScience #KI #Marketingstrategie #Analyse #Innovation