Jak wdrożyć AI w marketingu i e-commerce?

LLM i Agenci AI – zrozumieć nowe możliwości
Dane jako fundament AI: zasada „garbage in, garbage out”
Strategia danych: szczyt piramidy wdrożenia AI
Kroki wdrożenia: od SSOT do automatycznej aktywacji
Podsumowanie

LLM i Agenci AI – zrozumieć nowe możliwości

Wśród najważniejszych osiągnięć ostatnich lat znajdują się duże modele językowe (LLM – Large Language Models). Działają one podobnie jak osoba, która przyswoiła ogromną ilość wiedzy z książek, artykułów i materiałów źródłowych, a następnie potrafi odpowiadać na konkretne pytania, korzystając z tej bazy informacji.

Można przyrównać dużego modelu językowego do osoby o wyjątkowych zdolnościach zapamiętywania, określanej mianem SAVANT. Osoby z tym spektrum autyzmu charakteryzują się niezwykłą pamięcią i potrafią odpowiadać na szczegółowe pytania, jednak często mają trudności z łączeniem faktów i wykorzystywaniem zdobytej wiedzy w sposób kreatywny lub praktyczny. Przykładem takiej postaci jest bohater filmu „Rain Man”, który imponuje zdolnością przyswajania informacji, ale nie zawsze potrafi je wykorzystać w codziennych sytuacjach.

Podobnie jest z dużymi modelami językowymi – świetnie radzą sobie z przetwarzaniem i udzielaniem odpowiedzi na konkretne pytania, jednak ich możliwości wykorzystania wiedzy w szerszym kontekście nadal pozostają ograniczone w porównaniu z ludzką inteligencją. Pierwsza faza rozwoju AI obejmuje duże modele językowe, które gromadzą i udostępniają wiedzę. Druga faza to agenci AI, o których obecnie mówi się bardzo dużo. Stanowią one kolejny etap rozwoju – oprócz przekazywania wiedzy, potrafią wykonywać konkretne działania na jej podstawie. Agenci AI działają jednak w z góry określonym zakresie. Wykorzystują informacje pochodzące z różnych źródeł lub dane, na których zostały wytrenowane, przetwarzają je i podejmują działania w zależności od otrzymanych danych wejściowych. Zarówno w przypadku dużych modeli językowych, jak i agentów AI, jakość i efektywność odpowiedzi w dużej mierze zależą od danych wsadowych. W przypadku LM-ów, czyli modeli językowych, odpowiedzi generowane przez agenta AI zależą od rodzaju danych, na których model został wytrenowany. Podobnie jak w codziennym życiu, posiadanie danych nie wystarcza do podjęcia działania – kluczowa jest ich analiza, wyciągnięcie wniosków oraz sformułowanie rekomendacji. W przypadku agentów AI te etapy – analizę, wnioski i rekomendacje – realizuje sam agent, przetwarzając dane i automatycznie podejmując określone działania.

Dane jako fundament AI: zasada „garbage in, garbage out”

Każde działanie sztucznej inteligencji rozpoczyna się od danych. Zasada „garbage in, garbage out” doskonale to obrazuje – jakość efektów zależy bezpośrednio od jakości dostarczonych danych.

Teoria ta przekłada się na praktyczne wdrażanie AI w firmie. Można ją zobrazować jako odwróconą piramidę, u podstawy której znajduje się AI. Każdy system AI wymaga odpowiednich danych oraz procesów przetwarzania, aby mógł realizować swoje funkcje i dostarczać wartościowych rezultatów. Wyższy poziom zarządzania danymi obejmuje aktywację działań w firmie, szczególnie w zakresie wykorzystania danych. Kluczowe jest zgromadzenie wszystkich danych dotyczących organizacji w jednym miejscu, określanym jako Single Source of Truth, czyli jedno źródło prawdy. Aby to osiągnąć, należy zadbać o odpowiednią inżynierię danych. Obejmuje to prawidłową konfigurację narzędzi, które przesyłają dane do centralnego źródła, tak by dane były właściwie przygotowane do dalszej analizy.

Strategia danych: szczyt piramidy wdrożenia AI

Na szczycie piramidy wdrożenia AI znajduje się strategia danych. Obejmuje ona decyzje dotyczące tego, jakie dane będą gromadzone i w jakim celu. Pojawia się pytanie, jak przełożyć tę teorię na praktyczne działania w firmie. Na najniższym poziomie znajduje się działanie, które podejmujemy. Biznes powinien najpierw określić, jakich działań ma dotyczyć wdrożenie AI. Na wyższym poziomie należy zdefiniować, co jest najważniejsze dla firmy. Następnie istotne jest zidentyfikowanie źródeł wiedzy o biznesie. Kolejnym krokiem jest określenie, gdzie i w jaki sposób dostępna jest ta wiedza, ponieważ w wielu firmach występuje silosowość informacji i danych. Wiedza bywa rozproszona w różnych miejscach, co utrudnia jej jednoczesne wykorzystanie. Kiedy już wiadomo, gdzie i jak dostępna jest wiedza biznesowa, można określić, na jakiej podstawie podejmowane są decyzje i co robimy z tą wiedzą. Dzięki temu możliwa jest realizacja konkretnych działań. Teoretyczna piramida analityki przekłada się na konkretne działania biznesowe. W Conversion zaczynamy od najwyższego poziomu tej piramidy, czyli od zdefiniowania, co jest najważniejsze w biznesie. Kluczowym krokiem jest przeprowadzenie warsztatu biznesowego z zespołem odpowiedzialnym za kluczowe decyzje. Wdrażanie narzędzi analitycznych powinno opierać się na realnych potrzebach firmy.

Podczas warsztatu powstaje tzw. KPI-3 — schemat obejmujący najważniejsze metryki i informacje, które opisują kluczowe obszary działalności firmy. Określenie tych wskaźników pozwala na skupienie się na najważniejszych celach i efektywne planowanie dalszych działań.

Kroki wdrożenia: od SSOT do automatycznej aktywacji

Po wyznaczeniu priorytetów kolejnym krokiem jest zebranie odpowiednich danych. Jeśli firma już gromadzi dane, warto przeprowadzić audyt jakości i kompletności dostępnych informacji. Pozwala to ocenić, na ile obecny zbiór danych odpowiada na potrzeby biznesowe i gdzie konieczne są zmiany lub uzupełnienia. Dzięki temu dalsze wdrożenia i analizy opierają się na wiarygodnych i użytecznych danych. Audyt danych w firmie to szeroki temat, który został szczegółowo opisany w osobnym materiale. Skupiając się na aspekcie operacyjnym, eNAP umożliwia konfigurację narzędzi, które pozwalają zadbać o dane ilościowe, jakościowe, kosztowe, sprzedażowe oraz produktowe. Kluczowe jest, aby wszystkie dane trafiające do jednego źródła prawdy były wysokiej jakości. O tym, co oznaczają dane dobrej jakości, można przeczytać w dodatkowym materiale powiązanym z tym wpisem. Zgromadzenie informacji to kluczowy etap w procesie analityki internetowej. Budowa hurtowni danych pozwala na stworzenie jednego, centralnego źródła prawdy o tym, co dzieje się w biznesie. Angielski termin Single Source of Truth (SSOT) określa miejsce, w którym przechowywane są wszystkie istotne dane, potrzebne do podejmowania decyzji zarządczych.

Hurtownia danych w marketingu rozwiązuje dwa podstawowe problemy często spotykane w biznesie. Pierwszym z nich jest silosowość danych. W firmach dane i informacje często są rozproszone w różnych systemach, co utrudnia ich wspólne wykorzystanie podczas podejmowania decyzji. Drugim wyzwaniem, które rozwiązują hurtownie danych lub single source software, są różnice między systemami. Różne systemy potrafią opisywać to samo zjawisko innymi metrykami, a nawet podawać różne wartości dla tych samych metryk.

Gromadzenie wszystkich danych w jednym miejscu umożliwia przejście do kolejnego etapu, którym jest wdrożenie modelu danych oraz zestawu analiz. Na tym etapie tworzymy model danych i opracowujemy zestaw analiz dedykowanych konkretnym potrzebom. O modelu danych i jego zastosowaniu w marketingu pisałem w osobnym wpisie (link znajduje się poniżej).

W praktyce wdrożeń AI u klientów przygotowujemy indywidualny playbook analityczny dostosowany do aktualnych priorytetów firmy. Może to obejmować analizę segmentacyjną, analizę RFM lub indywidualny model atrybucji. Playbook taki zawiera kilkanaście, a czasem nawet kilkadziesiąt różnych analiz, które są realizowane w ramach wdrożenia AI. Wykorzystujemy automatyczne mechanizmy, takie jak nasz wewnętrzny walidator, który wykrywa anomalie w jednym źródle prawdy. Nie jest to jednak jeszcze rozwiązanie, które podejmuje działania na podstawie tych wykrytych nieprawidłowości. Na piątym etapie wdrożenia AI pojawia się automatyczna aktywacja danych. Oznacza to, że analizy nie tylko wskazują wnioski, na podstawie których później formułowane są rekomendacje przez ludzi, ale także umożliwiają podejmowanie działań na podstawie automatyzmów opartych na AI. Sztuczna inteligencja może samodzielnie podsuwać rozwiązania lub podejmować decyzje. Na początku testujemy te automatyczne rozwiązania. Tworzymy systemy, które działają bez udziału człowieka, na przykład wyświetlają określone informacje na podstawie napływających danych. Różnego rodzaju silniki rekomendacyjne, na przykład działające na poziomie przeglądarki użytkownika, analizują ruch na konkretnych produktach, zainteresowania innych użytkowników oraz ceny konkurencji. Dzięki temu, w ramach Dynamic Pricingu, mogą zaproponować korzystniejszą cenę dla biznesu lub użytkownika.

Podsumowanie

Proces ten obejmuje cały cykl – od pozyskania i analizy danych, przez zrozumienie ich znaczenia, aż po praktyczne wykorzystanie w organizacji. To ścieżka prowadząca od zbierania danych do ich konsumpcji. Kluczowe jest jednak zadbanie o solidny fundament analityczny. Pominięcie tego etapu prowadzi do problemów i błędów, zwłaszcza podczas wdrażania rozwiązań opartych o AI. Garbage in, garbage out – jakość danych wpływa bezpośrednio na efektywność modeli opartych na sztucznej inteligencji. Modele te wykorzystują dane historyczne, dlatego im lepsze dane, tym skuteczniejsze ich działanie. Wysoka jakość danych pozwala nie tylko na uzyskanie trafniejszych analiz, ale także na wdrażanie automatyzacji, która może proponować konkretne rozwiązania dla użytkowników. W przypadku pytań dotyczących organizacji danych lub wdrożenia automatyzacji opartej na sztucznej inteligencji, zachęcam do kontaktu.