Jak wykorzystać AI w analizie danych marketingowych – praktyczne zastosowania narzędzi Google’a

Zanim jednak przejdziemy do użycia, zatrzymajmy się na chwilę na starcie, czyli na promptowaniu, i na tym, co określa się jako główny problem AI, czyli na błędach/halucynacjach.

Jak pracować z AI, aby otrzymywać trafne efekty

Mógłbym długo opowiadać o konkretnych technikach promptowania i zagadnieniach związanych z tym, jak tworzyć trafne zapytania do AI, jednak z własnej praktyki wiem, że gdy po te rozwiązania sięgają osoby początkujące, najczęściej pierwszą barierą na starcie jest budowanie niewłaściwych oczekiwań. Mówimy o AI jako o „sztucznej inteligencji”, budując oczekiwania odpowiadające temu, co sami za tę inteligencję uważamy, i oczekując, że ta „inteligencja” dostarczy nam coś, co dla nas samych stanowi definicję najwyższej jakości. To jest błąd. W praktyce to, z czym pracujemy, to nie jest inteligencja, a bardziej coś, co przypomina kilkulatka próbującego wykręcić się od uciążliwego sprzątania w pokoju. Aby uniemożliwić te wykręty (zwane halucynacjami), musimy już na etapie formułowania zasad wykonania zadania pomyśleć o wszystkich możliwych kierunkach, w które może zboczyć AI – jeśli naszemu kilkulatkowi nie powiemy wprost, że ma odkurzać, to nie należy oczekiwać, że sam wpadnie na ten pomysł. Dochodzimy tutaj do drugiego problemu, jakim jest oczekiwanie czytania w myślach. Najczęściej jest tak, że gdy promptujemy, mamy w głowie pewien obraz na temat tego, jak powinien wyglądać oczekiwany wynik. My to wiemy, ale AI nie – dlatego trzeba poświęcić sporo czasu, aby bardzo dokładnie opisać to nasze wyobrażenie. W praktyce jest to największa przewaga AI w działaniu, bo szybko okazuje się, że szczególnie dobrze możliwości narzędzia wykorzystują nie osoby bardzo techniczne, ale nauczyciele, mentorzy i szkoleniowcy – jednym słowem osoby przyzwyczajone do codziennego obcowania z ciemną, odporną na wiedzę masą szukającą wykrętów i ścieżek na skróty. Jeżeli gdziekolwiek podczas używania AI napotkasz problemy z jakością wyników, przypomnij sobie to, co napisałem i zastanów się, czy w pełni opisałeś to, czego oczekujesz. Jeżeli tak jest, to często dobrą metodą jest rozpoczęcie wszystkiego od nowa – np. otworzenie nowego wątku w konwersacji z Gemini, aby odciąć AI od już ugruntowanych punktów zaczepienia. Pamiętaj też, że możesz prosić AI o pisanie promptów do samej AI – jest to świetne ćwiczenie pozwalające zobrazować logikę stojącą za narzędziem i zrozumieć, gdzie zabrakło kontekstu lub dookreślenia. W pracy na danych jest to zdecydowanie ważniejsze niż w innych obszarach, bo wyciąganie złych wniosków może prowadzić do błędnych (kosztownych) decyzji i pomyłek. 

Jak wykorzystać Gemini w Google Workspace, pracując na zbiorach danych surowych

Załóżmy na chwilę, że jesteśmy sklepem sprzedającym suplementy i aby sprawdzić trendy sezonowe w skali całego rynku, uznaliśmy za stosowne zestawienie w tabeli sum wyszukań dla dziesiątek tysięcy słów kluczowych dotyczących interesującego nas asortymentu. Ponieważ sklep oferuje wiele produktów i typów suplementów, szybko okazuje się, że zostaniemy przytłoczeni liczbą danych w zestawieniu i ich analiza krok po kroku byłaby bardzo pracochłonna (rys. 1). 

Na szczęście, jeżeli pracujemy z Google Workspace i używamy arkusza Google, to można do analizy użyć Gemini, klikając ikonkę narzędzia w prawym górnym rogu, rozpoczynając chat z AI.

Użyty prompt:
„Przeanalizuj zaznaczony zakres danych i stwórz rekomendacje działania w oparciu o trendy wid...