Zeigen Sie mir die Daten:Wie Unternehmen ihr wertvollstes Gut optimal nutzen können

Die Umwandlung von Daten in Vermögenswerte sollte eine geschäftliche Priorität sein.

Zeig mir die Daten!

Organisationen haben im Allgemeinen Zugriff auf riesige Datenmengen. Und das „neue Öl“ zu bekommen, ist nicht unbedingt das Problem. Die Schwierigkeit besteht darin, diese Daten zu nutzen; ob es sich um direkte Kunden- oder IoT-Gerätedaten handelt. Wie kann ich dieses kostbare Gut am besten nutzen und einsetzen?

Das Wichtigste, was ein Unternehmen tun kann, ist eine effektive und ganzheitliche Datenverwaltungsstrategie – priorisieren Sie sie!

Zuerst müssen Sie verstehen, welche Daten Sie haben; zweitens müssen Sie in der Lage sein, diese Daten zu analysieren; und drittens müssen Sie in der Lage sein, Intelligenz auf die Daten anzuwenden, „um entweder andere Arten von Erfahrungen oder Berechnungen oder Arbeitsabläufe voranzutreiben“, sagt Simha Sadasiva, Mitbegründer und CEO von Ushur.

Um diese umfassende Datenmanagementstrategie umzusetzen, wird ein Partner benötigt. Dieser Verbündete sollte es Unternehmen ermöglichen, nicht nur die vorhandenen Daten zu betrachten, sondern auch die Automatisierung durch künstliche Intelligenz und maschinelle Lerntechniken voranzutreiben, um fehlende Daten zu analysieren und zu vervollständigen; „Entweder durch die Interaktion mit verschiedenen Beteiligten oder indem wir ihnen auf der Grundlage der Daten, die sie derzeit in ihrem Backoffice haben, Einblicke in die Nähe des Kunden geben“, fährt Sadasiva fort.

Datenquellen

Traditionelle Datenquellen sind diejenigen, die in Unternehmen existieren und dies schon seit einiger Zeit tun. Dies kann Datenverwaltung oder SQL-Datenbanken umfassen, die strukturiert* sein können, oder unstrukturierte** Dokumentendatenbanken wie „Dinge wie Mongo“, erklärt Sadasiva. Dies sind die Daten, die im Hintergrund des Unternehmens vorhanden sind.

Aber in der vernetzten Umgebung von heute kommen Datenquellen von Auftraggebern herein, die mit Unternehmen interagieren.

„Denken Sie an Endbenutzer, denken Sie an Agenten, denken Sie an Geschäftspartner, bis zu einem gewissen Grad sogar an Mitarbeiter. Sie tragen in Form von Fotos, Bildern und Videos usw. zur Datenquelle bei“, sagt Sadasiva.

Diese neueren Datenquellen – wie z. B. eine Kunden-/Mitarbeiterquittung – erfordern die Techniken der künstlichen Intelligenz, um sie zu verstehen. Beispielsweise können Organisationen mithilfe der optischen Zeichenerkennung zum Betrachten einer Quittung die Informationen automatisch extrahieren und in ein Data Warehouse im Back-End des Unternehmens zurückbringen. „Das erfordert enorme Fähigkeiten und auch die Fähigkeit, diese Informationen sicher an das Backoffice zu übertragen“, sagt Sadasiva.

Die richtige Art von Daten

Aus Sicht der Automatisierung und maschinellen Intelligenz können die verwendeten Deep-Learning-Techniken all diese Arten von Daten analysieren, die Unternehmen derzeit besitzen – menschliche Quellen oder historische. Organisationen müssen diesen zugrunde liegenden Datensatz mit überwachtem und nicht überwachtem Lernen kombinieren.

Ushur zum Beispiel hat Tools entwickelt, die die Daten nutzen, die im Kernunternehmen vorhanden sind, und auf dieses überwachte und nicht überwachte Lernen einwirken, indem sie den Datensatz nutzen, über den Unternehmen bereits verfügen.

Es gibt viele verschiedene Arten von Daten, die aus einer noch größeren Anzahl von Quellen analysiert werden können. Es tritt jedoch ein Problem auf, das für das Back-End von Unternehmen möglicherweise nicht so relevant ist.

Das Einspeisen der falschen Art von Daten oder voreingenommener Daten in Systeme kann zu negativen Ergebnissen führen, die einem Unternehmen oder einer Institution schaden. Sie müssen nicht weiter suchen als nach dem sexistischen KI-Rekrutierungstool von Amazon, das der Technologieriese letztes Jahr aufgegeben hat. Oder dass sich 2016 herausstellte, dass US-amerikanische Risikobewertungsalgorithmen – die von Gerichtssälen im ganzen Land verwendet werden, um über das Schicksal und die Freiheiten der Angeklagten zu entscheiden – rassistisch voreingenommen sind und Kaukasier häufig milder verurteilt werden als Afroamerikaner, obwohl es keinen Unterschied in der Art des Verbrechens gibt verpflichtet.

Die KI-Forscherin Professor Joanna Bryson sagte damals:„Wenn die zugrunde liegenden Daten Stereotypen widerspiegeln oder wenn Sie KI aus der menschlichen Kultur trainieren, werden Sie Vorurteile feststellen.“

Der Weg, dies zu umgehen, besteht darin, Stereotypen und Vorurteile auszulöschen und sicherzustellen, dass die Daten dies widerspiegeln.

Unstrukturierte** vs. strukturierte* Daten

Strukturierte Daten, die sich typischerweise auf Datenbanken wie SQL beziehen. Diese strukturierten Informationen, die organisiert werden können, entweder basierend auf Kundeninformationen oder bestimmten Arten von Informationen zu einem bestimmten Geschäftsproblem.

Im Gegensatz dazu können unstrukturierte Daten ein „großer Blob“ von Textinformationen sein. „Es könnte sich um eine Problembeschreibung handeln, die ein Kunde beispielsweise in einer E-Mail oder einem PDF-Dokument beschrieben hat“, sagt Sadasiva. „Darin können sich strukturierte Informationen wie Kundenname, Telefonnummer, Schadennummer, Policennummer oder Kreditkartennummer befinden.“

Diese Art von Informationen wird als halbstrukturierte Daten bezeichnet, die in unstrukturierten Informationen verborgen sein können. Die Fähigkeit, diese halbstrukturierten Informationen aus unstrukturierten Daten zu extrahieren, erfordert ziemlich hochmoderne Techniken der „künstlichen Intelligenz“.

Ein Business Case für Daten

Der beste Weg, den Business Case für gutes Datenmanagement zu zeigen, ist ein Beispiel:die E-Mail-Überlastung.

Große Unternehmen erhalten Zehntausende von E-Mails von Kunden. „Es ist lächerlich, diese manuell zu durchsuchen, um diese E-Mails zu trennen, zu sortieren und an die richtige Abteilung und Person zu senden, bevor sie zum Kunden zurückkehrt“, sagt Sadasiva. „Es ist ein Problem der ersten Ebene, das eine erhebliche Menge an manueller Arbeit erfordert.

Die Lösung dieses Problems erfordert die Fähigkeit, die halbstrukturierten Daten, die in den unstrukturierten Informationen einer E-Mail enthalten sind, zu extrahieren und zu trennen. „Ein breites Spektrum an Datentools kann verwendet werden, um diese Kundeninformationen zu extrahieren, und Sie können diese automatisch an die richtige Person weiterleiten und Maßnahmen zu diesem Text ergreifen. Das ist ein einfaches Beispiel dafür, wie Sie Automatisierung auf Daten anwenden können, die ein Unternehmen bereits hat“, fährt Sadasiva fort.

„Die meisten Unternehmen verfügen über Millionen von Bytes an unstrukturierten Informationen in Form von E-Mails, Problembeschreibungen, Artikeln oder Informationsquellen, auf die sie zugreifen können.

„Dies sind Legacy-Informationen, die sie bereits haben. Und indem sie Data Science darauf anwenden, können Unternehmen es für das Training von Computermodellen nützlich machen, wodurch sie den Umfang der manuellen Arbeit für die Zukunft tatsächlich reduzieren können.“

Nutzung Ihrer Kundendaten:eine neue Denkweise

Laut Sadasiva dreht sich alles um Mikroengagement, bei dem es sich um kurze Interaktionsschnipsel handelt, die zwischen Verbrauchern und Unternehmen hin und her gehen. Wenn Unternehmen beginnen, jede Interaktion mit einem Verbraucher oder einem Kunden als Mikroengagement zu betrachten, führt dies dazu, dass sie die gesamte Customer Journey überdenken und sie zwischen Prospektion, Onboarding des Kunden, Kundenunterstützung, Up-Selling und Cross segmentieren -Verkauf und Pflege dieser Beziehung mit dem Endbenutzer.

Es gibt verschiedene Interaktionen des Engagements, die während der Customer Journey stattfinden können. Durch die Anwendung von Data Science zur Interaktion und Erfassung dieser Informationen vom Kunden können echte Erkenntnisse gewonnen werden.

"Dies ist so etwas wie ein neues Zeitalter, eine neue Art zu beurteilen, wie nah eine bestimmte Marke ihren Kunden ist und wie nah der Kunde der Marke gegenüber steht", sagt Sadasiva.

Die Anwendung einer Kombination aus künstlicher Intelligenz, Datenanalyse und maschinellem Lernen (usw.) auf dieser Mikroengagement-Ebene auf Verbraucherdaten kann das Kundenengagement verändern.