Die Entwicklung und Markteinführung eines neuen Konsumprodukts kostet im Durchschnitt 115 Millionen Dollar, und die Kosten steigen. Noch erschreckender ist, dass 96% aller Konsumgüterprodukte ihre Kapitalkosten nicht wieder einspielen. Die gute Nachricht ist, dass Marken diese Risiken mindern können, indem sie sich bei ihren Produktentscheidungen auf Daten stützen. Eine neue Generation von Technologien der künstlichen Intelligenz (KI) ermöglicht es den Unternehmen, diese Bemühungen zu verstärken, indem sie Zugang zu externen Datenquellen erhalten.
In diesem Blog gehen wir auf einige der wichtigsten Möglichkeiten ein, wie KI Verbrauchermarken dabei hilft, ihre Bemühungen um externe Daten zu erweitern und ihre Innovationsstrategien für Produktentscheidungen zu optimieren.
Skalierung der externen KI-Datenanalyse für Produktentscheidungen
Es kann schon schwierig genug sein, aus internen Unternehmensdaten verwertbare Erkenntnisse zu gewinnen. Diese Herausforderungen werden exponentiell komplizierter, wenn man es mit mehreren unverbundenen externen Quellen mit unstrukturierten Daten zu tun hat.
Noch vor einem Jahrzehnt wäre es selbst für das ausgeklügeltste Marktforschungsteam eines Unternehmens undenkbar gewesen, ständig mehrere externe Datenquellen auf verwertbare Erkenntnisse zu überwachen. Aber KI macht es möglich.
Fortschrittliche Intelligenzsysteme wie Skai ermöglichen es Unternehmen, kontinuierlich große Datenmengen zu sammeln und mit Maschineneffizienz zu kontextualisieren. Dieses neue technologische Paradigma optimiert alle Schritte entlang der Datenreise, von der Sammlung bis zur Vorhersage.
Datenerhebung
Wenn es um skalierte Datenerfassung geht, hilft KI den Unternehmen, direkt aus mehreren Schläuchen gleichzeitig zu trinken. Diese Technologien automatisieren die kontinuierliche Datenerfassung über APIs, Scraping und die Integration von Drittanbietern. Das bedeutet, dass Marken die Diskussionen der Verbraucher/innen (z. B. in sozialen Netzwerken, Produktrezensionen, KOL-Inhalten) sowie relevante Marktbewegungen (z. B. E-Commerce- und Verkaufszahlen, Patentanmeldungen, Produkteinführungen) kontinuierlich in Echtzeit verfolgen können.
Datenaufbereitung
Als Nächstes kommt die Datenaufbereitung, bei der KI die mühsamen Aufgaben der Strukturierung, Normalisierung, Validierung und Bereinigung all dieser Daten automatisiert. Dies ist ein wichtiger Schritt, denn Studien haben ergeben, dass Datenwissenschaftler/innen bis zu 80 % ihrer Zeit mit der Datenvorbereitung verbringen, bevor eine Analyse stattfinden kann.
Ein besonders nützliches Element im Bereich der Konsumgüteranalytik ist das KI-gestützte Produktclustering (oder "Produktgruppierung"), das unverbundene Datenpunkte automatisch mit bestimmten Produkten in Verbindung bringt.
Kontext-Extraktion
Schritt drei ist die Kontextextextraktion, bei der diese Systeme den Sinn der Daten erkennen und die menschliche Sprache in verwertbare Datenpunkte vereinfachen. Ein Beispiel: "Hydratation" ist ein Begriff, der auf dem Getränkemarkt eine Bedeutung hat, in der Hautpflege aber eine ganz andere.
Mithilfe von Natural Language Processing (NLP) können diese fortschrittlichen Plattformen Daten in branchen- oder sogar unternehmensspezifischen Taxonomien organisieren. In den meisten Fällen müssen diese Taxonomien von menschlichen Experten kuratiert und gepflegt werden, aber maschinelles Lernen (ML) kann eingesetzt werden, um diese Regeln automatisch mit dem Markt weiterzuentwickeln (z. B. um neue Produktattribute in einer bestimmten Kategorie zu verstehen und alle relevanten Daten auf sinnvolle Weise zu organisieren).
Prädiktive Modelle
Schließlich kann KI zur Erstellung von Vorhersagemodellen verwendet werden , die ML nutzen, um aktuelle Datentrends zu erkennen und sie in die Zukunft zu projizieren. Mit dieser Funktion können sich Marken proaktiv auf den kommenden Markt vorbereiten (z. B. ist das Interesse der Verbraucher an Hafermilch in den letzten beiden Quartalen stetig gewachsen und dürfte auch im nächsten Jahr so bleiben).
0s und 1s in Chancen umwandeln
Sobald alle Daten in einem zentralen Datensee vereint sind, können Marken nützliche Antworten auf relevante Fragen zu bestimmten Produktkategorien finden (z.B. diskutieren Verbraucher/innen zunehmend über schmackhafte natriumfreie Snacks, aber wie viele natriumfreie Brezeln sind derzeit auf dem Markt?)
Besser noch, fortschrittliche Systeme können diese Erkenntnisse demokratisieren und sie nicht nur Datenwissenschaftlern zugänglich machen. Vorkonfigurierte Berichte, intuitive Abfragefunktionen und interaktive visuelle Modelle können datengestützte Erkenntnisse im gesamten Unternehmen zugänglich machen.
-------------
*Dieser Blogbeitrag war ursprünglich auf Signals-Analytics.com. Kenshoo hat Signals-Analytics im Dezember 2020 übernommen.