Membrii profesiei de cercetare de piata/insights/business intelligence au fost intotdeauna cei timpurii in adoptarea noilor tehnologii si dezvoltari, demonstrand o dorinta puternica de a tine pasul cu evolutia comerciala si noile practici.
Cu toate acestea, in adoptarea unor astfel de practici, sectorul nostru (cu cateva exceptii) a fost, de asemenea, destul de lent – si uneori prea tarziu – in a apara unele dintre principiile fondatoare ale profesiei noastre.
Un exemplu in acest sens este esantionarea reprezentativa. Ca industrie, am trecut foarte repede de la esantionarea probabila la esantionarea cota la esantionarea online, deoarece internetul era – la inceputul anilor 2000 – considerat a fi o oferta esentiala pentru toate afacerile. Acum avem, cu o regularitate suparatoare, dezbateri despre problemele de calitate, reprezentare, abandon si recrutare asociate mostrelor online. ESOMAR a publicat in cele din urma cele 28 de intrebari (bine primite), dar calul parasise deja grajdul si, asa cum sa demonstrat in mod clar la conferinta ASC 2023 desfasurata pe 25 mai, problema calitatii a devenit atat de raspandita incat a fost stabilita o initiativa globala. pentru a incerca sa minimizeze efectele… 20 de ani mai tarziu!
Calitatea datelor si adoptarea AI
Adoptarea si integrarea cu succes a AI in cercetarea de marketing depinde de doua elemente esentiale: curatarea datelor de formare si paradoxul productivitatii.
- Curatarea datelor de antrenament. Exista o presupunere ca toate sistemele AI sunt „inteligente”, dar ele invata de la oameni, iar oamenii nu sunt infailibili. Acest lucru nu este neaparat intotdeauna un lucru rau (deoarece invata conceptul de incercare si eroare), dar inseamna ca conservarea datelor de formare este esentiala pentru producerea unui model competent.
- Un articol recent publicat de Research Society Australia ofera o perspectiva foarte interesanta asupra acestui lucru. (Exista o dezbatere asociata despre cum, unde si cand sistemele de invatare pot accesa datele de instruire, cum ar fi cazul recent Zoom, dar asta este pentru o alta zi).
- Paradoxul productivitatii. Al doilea element, denumit paradoxul productivitatii, arata ca asteptarile de crestere a eficientei asociate cu investitiile interne (tehnologice) nu sunt niciodata indeplinite. Acest lucru se datoreaza faptului ca valoarea noii tehnologii este direct si proportional legata de capacitatea afacerii de a inventa noi structuri, procese si proceduri pentru a valorifica noua capacitate.
Ca urmare, decalajul de implementare (si frustrarea in afaceri!) devine evidenta, ceea ce a condus la dezvoltarea scolii sociotehnice de implementare, care pledeaza cu fermitate pentru indepartarea determinismului tehnologic si a primatul instalarii tehnologiei si, in schimb, subliniaza importanta critica. de a include cultura, strategia si oamenii in toate introducerile de noi tehnologii.
Necesitatea de a organiza mai bine datele de antrenament – si de a oferi o mai mare transparenta a algoritmilor – a fost subliniata anterior de Michael Campbell intr-un articol din Research World, in timp ce imperativul ca sectorul nostru sa fie in frunte cu toate implicatiile a fost, de asemenea, comentat pe larg. (inclusiv articolul meu, publicat la inceputul acestui an.
Cu toate acestea, sectorul nostru ramane inca in intarziere in a emite orice forma de indrumare pe aceasta tema, in ciuda eforturilor incredibile ale unor oameni precum Judith Passingham si Mike Cooke, care au chemat sectorul nostru la actiune in urma cu mai bine de un an. De exemplu, Marketing AI Institute a publicat deja un ghid pentru CMO care include si un manifest pentru IA „responsabila” (p. 17). Deci, unde este al nostru?
ESOMAR a inceput acum o initiativa de a colecta opiniile oamenilor cu privire la IA, care a produs sugestii pentru actiuni/initiative care trebuie intreprinse, dar acestea vor dura probabil cateva luni pentru a produce un rezultat, moment in care probabil va fi depasit de iteratii ulterioare ale deja documente publicate.
