Daten in Gold verwandeln: Bewährte Strategien zur Nutzung Ihres wertvollsten Unternehmensassets

Daten in einen Vermögenswert zu verwandeln, sollte oberste Geschäftspriorität sein.

Zeigen Sie mir die Daten!

Organisationen verfügen im Allgemeinen über riesige Datenmengen. Das Problem ist nicht das Erlangen des „neuen Öls“, sondern die sinnvolle Nutzung dieser Daten – seien es direkte Kundendaten oder IoT-Gerätedaten. Wie kann ich diesen wertvollen Asset optimal einsetzen und für mich arbeiten lassen?

Das Wichtigste, was jede Organisation tun kann, ist die Entwicklung einer effektiven und ganzheitlichen Datenmanagementstrategie – und diese zu priorisieren!

Erstens müssen Sie verstehen, welche Daten Sie besitzen; zweitens müssen Sie in der Lage sein, diese Daten zu analysieren; und drittens müssen Sie Intelligenz auf die Daten anwenden können, „um entweder andere Arten von Erfahrungen, Berechnungen oder Workflows anzustoßen“, sagt Simha Sadasiva, Mitgründer und CEO von Ushur.

Um diese umfassende Datenmanagementstrategie zu erreichen, wird ein Partner benötigt. Dieser Verbündete sollte Unternehmen nicht nur ermöglichen, ihre vorhandenen Daten zu betrachten, sondern auch Automatisierung durch künstliche Intelligenz und maschinelles Lernen voranzutreiben, um Daten zu analysieren und fehlende Informationen zu ergänzen; „entweder durch Interaktion mit verschiedenen Stakeholdern oder indem ihnen Einblicke gegeben werden, wie nah der Kunde basierend auf den Daten ist, die sie derzeit in ihrem Backoffice haben“, fährt Sadasiva fort.

Datenquellen

Traditionelle Datenquellen sind jene, die seit längerem in Unternehmen existieren. Dazu gehören Datenmanagement- oder SQL-Datenbanken, die strukturiert* sein können, oder unstrukturierte** Dokumentendatenbanken wie „Dinge wie Mongo“, erklärt Sadasiva. Das sind die Daten, die im Hinterhof des Unternehmens liegen.

In der heutigen vernetzten Umgebung gibt es jedoch Datenquellen, die von Stakeholdern stammen, die mit Unternehmen interagieren.

„Denken Sie an Endnutzer, Agenten, Geschäftspartner, sogar Mitarbeiter in gewissem Umfang. Sie tragen in Form von Fotos, Bildern und Videos etc. zu Datenquellen bei“, sagt Sadasiva.

Diese neueren Datenquellen – wie ein Kunden-/Mitarbeiterbeleg – benötigen KI-Techniken, um Sinn zu ergeben. Beispielsweise können Organisationen mithilfe von Optical Character Recognition (OCR) einen Beleg analysieren, die Informationen automatisch extrahieren und in ein Data Warehouse im Backend des Unternehmens zurückführen. „Das erfordert enorme Fähigkeiten und auch die Fähigkeit, diese Informationen sicher ins Backoffice zu übertragen“, sagt Sadasiva.

Die richtige Art von Daten

Aus Perspektive der Automatisierung und maschinellen Intelligenz können die eingesetzten Deep-Learning-Techniken all diese Datentypen analysieren, die Unternehmen derzeit besitzen – menschliche Quellen oder historische Daten. Organisationen müssen diesen zugrundeliegenden Datensatz mit überwachtem und unüberwachtem Lernen kombinieren.

Ushur hat beispielsweise Tools entwickelt, die die im Kern des Unternehmens vorhandenen Daten nutzen und darauf basierend überwachtes und unüberwachtes Lernen anwenden.

Es gibt viele verschiedene Datentypen, die aus einer noch größeren Anzahl von Quellen analysiert werden können. Doch es tritt ein Problem auf, das zwar für das Backend des Unternehmens weniger relevant ist.

Das Einspeisen falscher oder verzerrter Daten in Systeme kann zu negativen Ergebnissen führen, die einem Unternehmen oder einer Institution schaden. Man muss nicht weiter suchen als Amazons sexistisches KI-Rekrutierungstool, das der Technologieriese voriges Jahr einstellte. Oder dass 2016 bekannt wurde, dass US-Risikobewertungsalgorithmen – landesweit in Gerichtssälen eingesetzt, um über das Schicksal von Angeklagten zu entscheiden – rassistisch voreingenommen sind und Weiße häufig milder bestrafen als Afroamerikaner, obwohl die Art des Verbrechens gleich ist.

KI-Forscherin Professorin Joanna Bryson sagte damals: „Wenn die zugrundeliegenden Daten Stereotype widerspiegeln oder wenn man KI aus menschlicher Kultur trainiert, wird man Bias finden.“

Der Ausweg besteht darin, Stereotype und Bias zu beseitigen und sicherzustellen, dass die Daten dies widerspiegeln.

Unstrukturierte** vs. strukturierte* Daten

Strukturierte Daten beziehen sich typischerweise auf Datenbanken wie SQL. Es handelt sich um strukturierte Informationen, die organisiert werden können – basierend auf Kundeninformationen oder spezifischen Informationen zu einem spezifischen Geschäftsproblem.

Im Gegensatz dazu können unstrukturierte Daten ein „großer Klumpen“ textlicher Informationen sein. „Es könnte eine Problembeschreibung sein, die ein Kunde per E-Mail oder PDF-Dokument schildert“, sagt Sadasiva. „Darinnen können Nuggets strukturierter Informationen verborgen sein, wie Kundename, Telefonnummer, Schadensnummer, Policennummer oder Kreditkartennummer.“

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

Ein Business Case für Daten

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

Große Unternehmen erhalten zehntausende E-Mails von Kunden. „Diese manuell zu durchforsten, um sie zu sortieren, zu triagieren und an die richtige Abteilung und Person weiterzuleiten, bevor man dem Kunden antwortet, ist absurd“, sagt Sadasiva. „Es ist ein Problem der ersten Ebene, das erhebliche manuelle Arbeit erfordert.“

Die Lösung erfordert die Fähigkeit, die in den unstrukturierten Informationen einer E-Mail vorhandenen halbstrukturierten Daten zu extrahieren und zu separieren. „Ein breiter Satz von Datentools kann genutzt werden, um diese Kundendaten zu extrahieren und automatisch an die richtige Person weiterzuleiten und auf Basis des Textes Maßnahmen zu ergreifen. Das ist ein einfaches Beispiel dafür, wie man Automatisierung auf Daten anwenden kann, die ein Unternehmen bereits hat“, fährt Sadasiva fort.

„Die meisten Unternehmen haben Millionen Bytes unstrukturierter Informationen in Form von E-Mails, Problembeschreibungen, Artikeln oder Informationsquellen, die sie anzapfen können.

„Das sind Legacy-Informationen, die sie bereits besitzen. Und indem sie Data Science darauf anwenden, können Unternehmen diese für das Training von Computermodellen nutzbar machen, wodurch sie die manuelle Arbeit für die Zukunft reduzieren.“

Nutzung Ihrer Kundendaten: Eine neue Denkweise

Es geht ganz um Micro-Engagements, so Sadasiva – kurze Interaktionsschnipsel, die hin und her zwischen Verbrauchern und Unternehmen stattfinden. Wenn Unternehmen beginnen, jede Interaktion mit einem Verbraucher oder Kunden als Micro-Engagement zu betrachten, führt dies dazu, die gesamte Customer Journey neu zu denken und in Phasen zu segmentieren: Akquise, Onboarding, Support, Upselling, Cross-Selling und Pflege der Beziehung zum Endnutzer.

Es gibt verschiedene Interaktionsmöglichkeiten während der Customer Journey. Durch Anwendung von Data Science zur Interaktion und Datenerfassung vom Kunden können echte Insights gewonnen werden.

„Dies ist gewissermaßen ein neues Zeitalter, eine neue Art zu bewerten, wie nah eine bestimmte Marke ihrem Kunden ist und wie nah sich der Kunde der Marke fühlt“, sagt Sadasiva.

Die Anwendung einer Kombination aus künstlicher Intelligenz, Datenanalyse und maschinellem Lernen (etc.) auf dieser Micro-Engagement-Ebene bei Kundendaten kann das Kundenengagement transformieren.