అమెజాన్ మరియు గూగుల్ యొక్క కీ ఏమిటి ఆదాయ విజయం ? అందరికీ సమాధానం తెలుసు: డేటా.
ఫేస్బుక్ యొక్క సోషల్ మీడియా సామ్రాజ్యం మరియు స్పాటిఫై మ్యూజిక్ స్ట్రీమింగ్ వ్యాపారాన్ని పెంచడానికి కారణం? సమాచారం.
ఈ కంపెనీలన్నీ తమ వినియోగదారుల నుండి పొందే అధిక మొత్తంలో సమాచారాన్ని పొందగలిగాయి - అది వారి శోధన అలవాట్లు, వారు పంచుకునే పోస్ట్‌లు, వారు కొనుగోలు చేసే ఉత్పత్తులు లేదా వారు వినే సంగీతం - ప్రధాన ఆదాయ మార్గాల్లోకి. ఈ కంపెనీలు మిలియన్ల (లేదా బిలియన్ల, ఈ కంపెనీల విషయంలో) డేటాను సేకరించగలిగాయి అనే వాస్తవం మాత్రమే కాదు; ఆ కంపెనీలు తమ వినియోగదారులను బాగా అర్థం చేసుకోవడానికి మరియు మార్కెట్ చేయడానికి ఆ డేటాను సమర్థవంతంగా ఉపయోగించుకోగలిగాయి. ఈ సంస్థలన్నీ దీన్ని చేయడానికి ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ (లేదా, మరింత ఖచ్చితంగా, లోతైన అభ్యాసం) ఉపయోగిస్తున్నాయి.
తేరి పోలో ఎంత ఎత్తుగా ఉంది
వాస్తవానికి, డేటాను పోటీ ప్రయోజనంగా మార్చడానికి మీరు అమెజాన్ లేదా గూగుల్ వంటి ఆధిపత్య సంస్థగా ఉండనవసరం లేదు. ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ మరింత అభివృద్ధి చెందుతున్నప్పుడు మరియు విస్తృతంగా స్వీకరించబడినప్పుడు, మంచి డేటా వ్యూహాలతో ముందుకు రావడానికి మరియు కస్టమర్ల స్వీకరణను గెలవడానికి మరియు వారి పోటీకి వ్యతిరేకంగా బాగా పోటీ పడటానికి మేము చాలా పెద్ద కంపెనీలను - పెద్ద మరియు చిన్న - AI వైపు తిరగడం ప్రారంభిస్తాము. .
న్యూరల్ నెట్‌వర్క్ టెక్నాలజీకి మార్గదర్శకత్వం వహించిన జెరెమీ ఫెయిన్ ప్రకారం, మీ పోటీని ఓడించే కీ అభిజ్ఞాత్మకంగా , మెరుగైన డేటాను కలిగి ఉంది - దానిలో ఎక్కువ అవసరం లేదు, కానీ మీ పోటీదారులు లేని డేటా. సిద్ధాంతంలో, ప్రతి బ్రాండ్ వారి స్వంత ప్రత్యేకమైన డేటా ఆస్తులను అభివృద్ధి చేయగలదు, ఎందుకంటే ప్రతి బ్రాండ్ పోటీ చేయడానికి కొద్దిగా భిన్నంగా ఉండాలి. దీని అర్థం, బ్రాండ్ యొక్క కస్టమర్‌లు, కనీసం, వారి పోటీ కంటే కొంచెం భిన్నంగా ఉంటారు, అంటే వారు ఉపయోగించుకోగల ప్రత్యేక కోణం వారికి ఉంది. మీ కస్టమర్ లేదా సంభావ్య కస్టమర్‌పై మీరు పొందే ప్రతి డేటా మీరు సమర్థవంతమైన మార్కెటింగ్ లేదా ప్రకటనల వ్యూహాన్ని రూపొందించడానికి ఉపయోగించే మరొక సమాచారం.
మోలీ లైన్ ఎంత పొడవుగా ఉంది
ఈ సమాచారాన్ని సమర్థవంతంగా ఉపయోగించడానికి, మీ లక్ష్యం ఏమిటో మీరు మొదట నిర్ణయించుకోవాలి. మీరు ఎక్కువ అమ్మకాల కోసం చూస్తున్నారా? మీరు దుకాణాల్లో అధిక అడుగుల ట్రాఫిక్ సాధించడానికి ప్రయత్నిస్తున్నారా? మీ ఉత్పత్తిపై అధిక మార్కెట్ అవగాహన కలిగి ఉండటమే మీ లక్ష్యం? మీరు దాన్ని పూర్తి చేసిన తర్వాత, లోతైన అభ్యాసంతో ఉపయోగం కోసం డేటా సరైన ఫార్మాట్‌లో ఉందో లేదో చూడవచ్చు. ఇది సరళంగా వివరించడం చాలా కష్టం, కానీ ప్రాథమికంగా, డేటా విభజించబడని స్థితిలో ఉండాలి - అంటే, ఇది బహుళ వనరుల నుండి రావాలి, తద్వారా దాని నుండి మరింత లోతైన తీర్మానాలు చేయవచ్చు. అంటే ఎంత మంది వ్యక్తులు ఒక దుకాణాన్ని సందర్శించారో మీరు నిజంగా తెలుసుకోవలసిన అవసరం లేదు, కానీ బదులుగా ప్రతి వ్యక్తి సందర్శించినప్పుడు. మీరు ఇకపై మీరు ఎన్ని అమ్మకాలు చేశారో చూడవలసిన అవసరం లేదు, కానీ ప్రతి అమ్మకం ఏమిటి మరియు ఎవరికి. ఒక అడుగు ముందుకు వేయడానికి, కస్టమర్ మీతో లావాదేవీలు జరపడానికి ముందు మీ వద్ద ఉన్న టచ్‌పాయింట్లు, అవి ఏ ప్రకటనలు చూపించబడ్డాయి మరియు అన్ని పరస్పర చర్యలు ఎప్పుడు, ఎక్కడ జరిగాయో మీరు గుర్తించాలి. ఈ రకమైన డేటాను ఇంకా సేకరించలేదా? బాగా, ఇది మీ మొదటి హోంవర్క్ అప్పగింత.
దీని అర్థం మీరు ఉపయోగించిన దానికంటే ఎక్కువ డేటాను నిల్వ చేయగలుగుతారు, కాని శుభవార్త ఏమిటంటే నిల్వ చౌకగా ఉంటుంది. ప్లస్, ఆ సమాచారం లేకుండా, మీరు లోతైన అభ్యాస శక్తిని సద్వినియోగం చేసుకోలేరు మరియు ఈ కొత్త ప్రపంచంలో పోటీపడలేరు.
2015 మాథిస్ నికర విలువను నిర్ధారించండి
ఫార్చ్యూన్ 1000 అధికారులపై 2016 అధ్యయనం అది బయటపడింది సర్వే చేసిన వారిలో కేవలం 48.4% మంది మాత్రమే వారి డేటా చొరవ ఫలితంగా కొలవగల ఫలితాలను నివేదించారు - కాని 80.7% మంది ప్రయత్నాలు విజయవంతమయ్యాయని మరియు అవసరమని భావించారు. దీని అర్థం ప్రతి ఒక్కరూ తాము బాగా చేయవలసి ఉందని మరియు ప్రత్యామ్నాయాన్ని చూడకూడదని తెలుసు, కాని బోర్డు అంతటా కొలవగల ప్రయోజనాలను సాధించడానికి ముందు ఇంకా కొంత అవసరం.
చాలా డేటా చొరవలు ఒక సాధారణ పదార్ధాన్ని కోల్పోతాయి: లోతైన అభ్యాసం. ఇది చాలా తరచుగా తప్పుగా అర్ధం చేసుకోబడిన అంశం, కాగ్నిటివ్స్ ఫెయిన్ చేత నిర్వచించబడినది, 'మానవుడిలాంటి అంతర్దృష్టిని ఉత్పత్తి చేయగల సామర్థ్యం గల మరింత ఆధునిక యంత్ర అభ్యాసం.' పెద్ద డేటా నుండి ఫలితాలను పొందగల డీప్ లెర్నింగ్ సామర్థ్యం ఇప్పుడు పోటీ కారణాల వల్ల మాత్రమే కాకుండా, పెద్ద డేటాలో మునుపటి పెట్టుబడులను తీర్చడానికి కూడా అవసరం. పాపం, సర్వే చేసిన వారిలో 39.3% ఇప్పటికీ వారి సంస్థలకు ఎంటర్ప్రైజ్ బిగ్ డేటా స్ట్రాటజీ లేదని, లేదా ఒకటి ఉందో లేదో తెలియదు - ఈ కంపెనీలకు ఎక్కడానికి పొడవైన కొండ ఉంది. వాస్తవానికి, చాలా మంది డేటా-ఆధారిత నిపుణులు మన కంటే బాగా ఎక్కారు. 'సవాలులో భాగం ఏమిటంటే, పరిశ్రమ కూడా డేటా చుట్టూ అపరిపక్వంగా ఉంది. మేము ఏమి చేస్తున్నామో ఇప్పుడు 15 సంవత్సరాల నుండి తిరిగి చూస్తాము మరియు 'అది అందమైనది కాదా?' అని అంటారు, 'అని ఇటీవల ఇంటర్వ్యూ చేసిన గ్లోబల్ మీడియా ఏజెన్సీకి ప్రోగ్రామాటిక్ మీడియా డైరెక్టర్ చెప్పారు. వింటర్బెర్రీ గ్రూప్ IAB అధ్యయనం .
పెద్ద డేటా, డేటా అనలిటిక్స్ మరియు ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ చాలా బాగా కలిసిపోతాయి. కృత్రిమ మేధస్సు - మరియు, పొడిగింపు ద్వారా, లోతైన అభ్యాసం - డేటా, రీమ్స్ మరియు దాని యొక్క రీమ్స్ అవసరం. మీ సంస్థకు లోతైన అభ్యాసం ప్రభావవంతంగా ఉండగల ఏకైక మార్గం ఏమిటంటే, మీకు సమాచారం అందించడానికి స్థిరమైన సమాచారం ఉంటే. ' ఈ సమాచారంతో సాయుధమై, లోతైన అభ్యాసం మరియు నాడీ నెట్‌వర్క్‌లు మీ బ్రాండ్‌కు ప్రత్యేకమైన అల్గోరిథంలు మరియు వ్యూహాలను సృష్టించగలవు - తద్వారా బ్రాండ్ పోటీ మరియు వినూత్నంగా ఉండేలా చేస్తుంది. ఫెయిన్ గా సూచిస్తుంది , 'వినియోగదారుడి ప్రవర్తనను మరింత పూర్తిగా వివరించే మరియు అర్థం చేసుకునే సామర్ధ్యం మునుపెన్నడూ లేనంత పూర్తి, మరియు ఆ రకమైన డేటా రాబోయే కొద్ది సంవత్సరాల్లో AI మార్కెటింగ్ సాధనాలను మరింత ప్రభావవంతం చేస్తుంది.'
ఈ సమయంలో, అన్ని బ్రాండ్లకు బలమైన డేటా వ్యూహం అవసరం. అమెజాన్ మరియు ఈబే వంటి ఇ-కామర్స్ దిగ్గజాల డేటా-సెంట్రిక్ విధానాల ఫలితంగా కష్టపడుతున్న మాసిస్ మరియు జె.సి. పెన్నీస్ వంటి బ్రాండ్లను చూడండి. సరైన వ్యూహాన్ని కలిగి ఉండటం మరియు, ముఖ్యంగా, మీ డేటాను ఎక్కువగా పొందటానికి సరైన సాధనాలు మీ కంపెనీని పోటీగా మరియు విజయవంతంగా ఉంచడానికి సహాయపడతాయి.
