Prognozowanie sukcesów innowacji w dobie uczenia maszynowego
Wraz z wybuchem popularności sztucznej inteligencji (AI), obserwujemy jej coraz szersze wykorzystanie w różnych dziedzinach. Widzimy, że branża badawcza także może korzystać z jej narzędzi, dostarczając wyniki szybciej, lepiej i taniej. W Ipsos używamy jej, m.in. w modelach predykcyjnych przy badaniu innowacji. Korzystanie z AI niesie wiele korzyści, ale tylko wtedy, gdy dobrze rozpoznamy jej ograniczenia.
W jaki sposób to robimy opisujemy w publikacji „Beyond the Hype”, gdzie koncentruje się na zastosowaniu uczenia maszynowego (ML) do prognozowania sukcesu innowacji produktowych. Doskonale wiemy, że aby zrobić to rzetelnie, powinniśmy najpierw wyszkolić w tym celu model AI/ML. Do tego potrzebujemy opisów zarówno udanych, jak i nieudanych innowacji - model musi nauczyć się rozpoznawać cechy, które rzutują na sukces nowego produktu.
Jednak model predykcyjny oparty tylko na danych historycznych może działać dobrze przez rok lub dwa, ale szybko się zestarzeje ze względu na zmiany rynkowe. Sprawdzi się, jeśli dotyczy produktów, które przypominają te już obecne na rynku, ale nie będzie w stanie przewidzieć, jak zachowają się produkty całkowicie nowe, różniące się od obecnych na rynku. Bazując wyłącznie na tym, co już było, może po prostu nie docenić atrakcyjności produktu prawdziwie innowacyjnego.
Dlatego w Ipsosie, aby przewidzieć jak produkty oparte na nowych pomysłach zachowają się na rynku, polegamy nie tylko na danych pozyskanych z wcześniejszych badań. Kluczową kwestią jest połączenie tych danych z tym jak konsumenci reagują na nowe pomysły.
Do tej pory, testując koncepty nowych produktów w ponad 60 krajach i siedmiu kategoriach (żywność, napoje, opieka zdrowotna, chemia gospodarcza, higiena osobista, kosmetyki dla ludzi i zwierząt), Ipsos zebrał około czterech milionów opinii konsumentów. Ta baza zawiera informacje potrzebne do szkolenia naszych modeli predykcyjnych. Jednak, podobnie jak w przypadku każdego badania lub techniki analitycznej, aby zapewnić ich efektywne wykorzystanie, potrzebne jest nie tylko uczenie maszynowe, ale także opinia prawdziwych konsumentów na temat konkretnego pomysłu.