Konsten att göra affärer med AI
Fyra sätt som MittMedia använder AI — för att skapa en bättre produkt för användaren
Vad är poängen med att vara riktigt, riktigt smart? Det beror förstås på vilken sorts poäng man vill göra. Och på vilken sorts intelligens man har att tillgå. Att maxa ett IQ-test gör inte livet bättre eller enklare för någon. Samma sak gäller för artificiell intelligens, AI, — för att den ska göra affärerna bättre behövs en smart tillämpning.
Smart är det som har en poäng, det som har ett värde. För mig som privatperson kan det vara Googlesökningen som sorterar träfflistan utifrån mina senaste 1000 sökningar eller det skräddarsydda nyhetsflödet som filtrerar intrycken åt mig.
Som affärsutvecklare för en mediekoncern minns jag tydligt när jag under ett studiebesök på ett amerikanskt fiskemagasin 2013 fick höra hur de hade skapat en kassako genom big data. De gick igenom konceptet för en ämnesmässig vertikal, alltså en smal produkt för en mycket tydlig målgrupp som har ett gemensamt ämne som intresse. I detta fall löste vertikalen ett enkelt problem för den skicklige amatörfiskaren: att hålla koll på sin statistik. Genom en app som samlade geoposition, väderdata, fångst och egna noteringar fisketur för fisketur byggde magazinet lojalitet. Den användare som ville delade med sig av sitt data och skapade på så sätt en länk till andra likasinnade. Och en del av datan ompaketerades och såldes till detaljhandeln.
Smart är det som har en poäng, det som har ett värde. Men säg det värde som varar för alltid. För att tjäna storkovan på AI krävs hårt arbete bland annat i form av maskininlärning. Det är precis som med IQ, du kan vara ohyggligt intelligent utan att vara det minsta smart.
Så låt oss titta närmare på hur vi inom MittMedia jobbar med AI genom fyra sorters maskininlärning:
1. Regression
Så funkar det: Baserat på sannolik utveckling inom ett antal (skilda) områden idag görs ett antagande om sannolikt utfall i morgon.
Exempel: Bostadsmarknaden i ett geografiskt område kan förutses baserat på huspriser över tid, inkomststatistik, inflyttning, konjunktur och arbetslöshet.
Avgränsning: Det går inte att förutse oväntade faktorer som subprimelån.
Så använder MittMedia metoden: Med hjälp av regression gör vi prognoser på hur innehåll förväntas presetera över tid. Det kan handla om att vår dataanalytiker stöttar redaktionen i att välja den bästa tidpunkten under ett specfikt dygn för att släppa en artikel.
2. Klassifikation
Så funkar det: Baserat på tidigare händelseförlopp görs ett antagande om sannolikt utfall utfifrån ett fåtal parametrar.
Exempel: En travhästs prestanda (bättre eller sämre) i ett specifikt lopp förutses genom att jämförbara genomförda lopp summeras.
Avgränsning: För att metoden ska funka krävs att förhållandena är de samma som när träningsdatat samaldes in.
Så använder MittMedia metoden: Klassifikation är ett utmärkt redskap för att datadrivet bestämma vilken typ av innehåll som ska vara plusmärkt och kräva att användaren loggar in för att ta del av det.
3. Multiklassifikation
Så funkar det: Baserat på tidigare händelseförlopp inom en avgränsad grupp görs ett antagande om sannolikt utfall inom ett bestämt set av faktorer.
Exempel: Genom att lära sig av tidigare köpares vanor går det förutse vilka varor som säljs mest i en livsmedelsbutik beorende på dagens väderlek.
Avgränsning: Multiklassifikation bygger på att varje mätpunkt har hamnat i rätt klass. I de fall klasserna inte på ett representativt sätt speglar helheten kommer utfallet att vara felaktigt.
Så använder MittMedia metoden: Genom att dela in den målgrupp vi vill nå i fyra kategorier, så kallade personas med olika egenskaper, och sedan mappa varje användare som vi kommer i kontakt med i den kategori de passar bäst in på kan vi förutse deras beteende.
4. Klustring
Så funkar det: Baserat på tidigare händelser görs ett antagande om relevans. Baserat på hur användare och data rör sig stärks eller försvagas sannolikheten och på så sätt vässar maskinen sin tes.
Exempel: En terrorattack inträffar och i takt med att olika informationskällor fylls med data skapar maskinen en logik som styr vilken typ av innehåll som lyfts fram i en användares flöde i sociala medier.
Avgränsning: Denna modell bygger på en stor mängd parametrar för att kunna skapa tillförlitlig logik.
Så använder MittMedia metoden: Genom att låta maskinen klustra våra användare utifrån deras innehållskonsumtion (hos oss) kan vi sedan möta dem, i till exempel nyhetsbrev, med ett personligt urval av merläsning. Det är alltså ingen invidid på MittMedia som har valt ut innehållet åt användaren eller lagt ihop användarna utifrån intressen.
För oss på MittMedia är alla dessa varianter på maskininlärning värdefulla när vi vill göra affärer baserat på AI. Med klassifikation kan vi uppskatta chansen att en viss typ av användare betalar för en viss typ av innehåll. Genom oövervakad maskininlärning trimmar vi våra automatiska flöden för att de ska ge användaren ett relevant innehåll. Genom regression kan vi uppskatta en enskild artikels potentiella värde för användaren genom att studera hur många som öppnar en push, hur de beter sig och var användaren befinner sig.
Men det är först när vi baserat på all data förändrar vår affär och produkt så att den har ett större värde för användaren som vi har en chans att tjäna pengar genom AI.
Och även efter att du hittat den perfekta vertikalen, likt fiskekartan jag såg i New York för ett antal år sedan, behöver du fortsätta att slipa på den med maskininlärning i grunden. Ta in beteenden och leta hål och sedan se hur du löser användarens problem bättre baserat på datat hen delat med dig.
Katarina Ellemark är produktägare på MittMedia
Stort tack till Michelle Ludovici och Magnus Engström
