Tidligere teknologiske endringer
Det er imidlertid ikke første gangen analysebransjen har hatt store omveltninger på grunn av teknologiske nyvinninger. Her er noen eksempler:
- Telefoni overtok for dør-til-dør for om lag et halvt århundre siden, noe som både resulterte i færre ansettelser og en sentralisering av arbeidsplassene knyttet til datainnsamling
- Web overtok til dels for telefoni – men ble også et viktig tillegg – fra tidlig 2000-tallet. Ettersom web i større grad ble et rimeligere supplement, hadde det mindre påvirkning på sysselsettingen innen analysebransjen, da metoden tilgjengeliggjorde markedsanalyse for flere.
- At smarttelefonen ble allemannseie utover på 2010-tallet muliggjorde annen type datainnsamling enn tidligere, som eksempelvis mobiletnografi og geolokasjonsbaserte analyser – hvor datainnsamlingen ikke sentrerte seg rundt spørsmål og svar.
- Digitale møteplasser har gjort kvalitative studier mindre stedbundne, spesielt etter pandemiens ankomst i mars 2020.
Endring er normalt – få ting forblir det samme over tid. Og endring møtes som oftest med skepsis og motbør. Det opplevde jeg selv da jeg var med og etablerte et av Norges første internettpaneler. Men kunstig intelligens vil uten tvil øke endringshastigheten sammenliknet med tidligere teknologier radikalt. Dette vil ha en betydelig innvirkning på analysebransjen i de kommende årene, på både godt og vondt.
Positive effekter av kunstig intelligens og maskinlæring
Her har jeg trukket frem noen positive effekter for analysebransjen. Noen av de positive effektene kan utnyttes allerede nå, andre ligger noe lengre frem i tid.
Økt produktivitet. KI kan automatisere en rekke prosesser, inkludert datainnsamling, koding, analyse og rapportering. Dette vil redusere tiden det tar å fullføre prosjekter og øke produktiviteten i analyseprosjektene.
Økt effektivitet. Ved hjelp av KI kan man raskt trekke ut essensen i et datamateriale og skissere oppsummeringer og forbedringsområder. På denne måten vil det frigjøres tid til å grave etter den dypere innsikten.
Forbedret analyse. KI-algoritmer kan analysere store mengder data raskere og mer grundig enn mennesker. Dette vil kunne bidra til bedre innsikt og mer nøyaktige resultater, som igjen kan resultere i bedre beslutninger.
Større nøyaktighet. KI-algoritmer kan identifisere subtile mønstre og sammenhenger i dataene som menneskelige analytikere kanskje går glipp av, noe som fører til mer nøyaktige analyser.
Nye analysemetoder. KI-teknologi kan åpne for nye metoder for datainnsamling og analyse, for eksempel gjennom bruk av maskinlæring og naturlig språkbehandling. Dette kan utvide horisonten for hva som er mulig innen analysebransjen.
Personalisering. Ved hjelp av KI kan analysebyråer tilby skreddersydde analyser basert på enkeltkunders behov, noe som øker relevansen av innsikt og forbedrer beslutningstakingen.
Språkbarrierer viskes ut. Ved hjelp av naturlig språkbehandling kan KI hjelpe oss med å oversette, kode, forstå og forbedre tekst på forskjellige språk, både skriftlig og muntlig.
Økt læringstakt og -evne. Ved hjelp av KI kan man utføre analyser og oppgaver man tidligere ikke hadde kompetanse til, både fordi kunstig intelligens kan utføre selve oppgavene, og fordi den kunstige intelligensen kan forklare hva man bør gjøre og hvorfor. På denne måten økes både læringstakten og læringsevnen for den enkelte og for organisasjonen.
Negative effekter av kunstig intelligens og maskinlæring
Her har jeg trukket frem noen negative effekter kunstig intelligens kan få for analysebransjen på sikt.
Tap av arbeidsplasser. KI kan automatisere mange av oppgavene som utføres av analytikere og forskere, samt at KI vil bidra til økt produktivitet og effektivitet. Dette kan føre til behov for færre menneskelige ressurser og tap av arbeidsplasser i bransjen på sikt.
Etikk og personvern. Bruken av KI i analysebransjen reiser spørsmål om etikk og personvern. For eksempel kan KI brukes til å samle inn og analysere sensitive personopplysninger uten at individet gir sitt samtykke. Dette gjelder også ved transskriberinger og oversettelser. Dette må tas på høyeste alvor.
Mangel på forståelse og tillit. Mange mennesker forstår ikke helt hvordan KI fungerer og kan være skeptiske til resultatene som genereres av KI. Og det med rette ettersom KI baserer seg på tilgjengelig data, og ikke all data er «sann». I tilfeller med mangel på tilgang til hvilken input KI baserer output på, vil en sunn skepsis være fornuftig.
Avhengighet av teknologi. Økt bruk av KI i analysebransjen kan føre til at analytikere blir mer avhengige av teknologi. Dette kan potensielt redusere evnen til å tenke kritisk og utføre manuelle analyser når det er nødvendig.
Kjøpere av analyseprosjekter kan gjør flere oppgaver selv. Ved hjelp av KI kan kundene til analysebyråene etter hvert utføre flere av oppgavene knyttet til analyseprosjekter selv. Dette vil potensielt kunne forflytte arbeidsplasser fra byrå til kunde.
Redusert behov for nye primærdata. KI blir stadig bedre til å søke etter svar fra eksisterende informasjon og produseres svar istedenfor data. Slike svar kan deretter utvides eller oppsummeres ytterligere. I visse situasjoner kan dette være tilstrekkelig.
Økte investeringer i teknologi og teknologiske ressurser. For å utnytte potensialet som ligger i kunstig intelligens og maskinlæring, kan det kreves andre ressurser enn de ressursene som i dag er tilgjengelige i bransjen.
Reguleringer og lovgivning holder ikke tritt med utviklingen. EU jobber med direktiver knyttet til KI, men det går for sakte i forhold utviklingen. Dessuten vil nok trussel-aktører uansett utnytte mulighetsrommet og ignorere reguleringer og lovverk.
Bruksområder innen markedsanalyse
Jeg har trukket frem bruksområder for analysebransjen. Noen av disse er i bruk allerede, andre ligger lengre frem i tid.
Automatisering. KI kan automatisere repeterende manuelle oppgaver og innsamling av store datamengder fra ulike kilder.
Datarensning. KI kan bidra til å identifisere og fjerne mangelfull, duplisert eller irrelevant informasjon fra datasett, slik at analytikerne kan fokusere på de mest relevante dataene.
Tekstanalyse. Ved hjelp av naturlig språkbehandling (NLP) kan KI analysere og kode store tekstdata, identifisere temaer, sentiment og mønstre.
Tale- og lydanalyse. Tale- og lydopptak kan ved hjelp av NLP transkriberes og analyseres for å identifisere temaer og trender.
Bilde- og videoanalyse. Ved hjelp av teknikker som dyp læring kan KI benyttes til å analysere visuelle data og for å identifisere trender og mønstre i dataene.
Presentasjon av innsikt. KI kan benyttes til å generere visuelle modeller eller presentasjoner basert på undersøkelsesfunn og til å skape bildeillustrasjoner for å fremheve innsikten.
Emosjonell Analyse. KI vil også kunne benyttes til å analysere menneskelige følelser, holdninger og meninger for å oppnå dypere markedsinnsikt.
Prediktiv analyse. Maskinlæring kan brukes til å analysere historiske data for å utvikle modeller som kan forutse fremtidige atferd eller hendelser.
Sanntids analyse. Ved å kombinere KI med big data og Internet of Things (IoT), kan nye analysemetoder bidra med datadrevne beslutninger i sanntid.
Virtuell forskning. Virtuell forskning refererer til systemer som anslår hva ekte mennesker ville ha sagt hvis de hadde blitt spurt. Det finnes allerede noen systemer som gjør dette, for eksempel innen eye tracking (virtuell øyesporing), som anslår hva ekte øyesporing ville ha vist med relativt høy nøyaktighet.
Simuleringer. KI kan benyttes til å simulere forskjellige scenarier for å identifisere de mest effektive strategiene.
Automatiske dybde-intervjuere. På lengre sikt kan man se for seg at det utvikles boter som er gode nok til å gjennomføre kvalitative intervjuer, som deretter automatisk oppsummerer informasjonen i en resultatrapport.
Kunstig intelligens vil altså påvirke analysebransjen betydelig i de kommende årene. For å maksimere fordelene og minimere truslene, er det viktig at vi forstår og omfavner potensialet som KI tilbyr, samtidig som vi er bevisst på dens svakheter. Med riktig tilnærming kan KI være en kraftig katalysator for vekst og innovasjon i analysebransjen, og kan bidra til at bransjen kan levere raskere, mer presise og mer dyptgående analyser – på både kortere og lengre sikt.
Denne artikkelen er selvsagt skrevet med hjelp av KI, men med en stor dose påvirkning fra forfatteren selv 😊