Покажите мне данные:как организации могут наилучшим образом использовать свой самый ценный актив

Превращение данных в актив должно быть бизнес-приоритетом.

Покажи мне данные!

Организации, как правило, имеют доступ к огромным массивам данных. И получение «нового масла» не обязательно является проблемой. Трудность заключается в использовании этих данных; будь то прямые данные о клиентах или устройствах IoT. Как мне лучше всего использовать этот драгоценный ресурс и заставить его работать?

Самое важное, что может сделать любая организация, — это разработать эффективную и целостную стратегию управления данными — расставить приоритеты!

Во-первых, вам нужно понять, какие данные у вас есть; во-вторых, вам нужно уметь анализировать эти данные; и, в-третьих, вам нужно иметь возможность применять интеллектуальные функции поверх данных «либо для управления другими типами опыта, либо для вычислений или рабочих процессов», — говорит Симха Садасива, соучредитель и генеральный директор Ushur.

Для реализации этой всеобъемлющей стратегии управления данными необходим партнер. Этот союзник должен позволить предприятиям не только просматривать имеющиеся у них данные, но и внедрять автоматизацию с помощью методов искусственного интеллекта и машинного обучения для анализа и заполнения недостающих данных; «Либо взаимодействуя с различными участниками, либо показывая им информацию о том, насколько близко клиент находится на основе данных, которые они в настоящее время имеют в своем бэк-офисе», — продолжает Садасива.

Источники данных

Традиционные источники данных — это те, которые существуют на предприятиях уже некоторое время. Это может включать в себя управление данными или базы данных SQL, которые могут быть структурированными*, или неструктурированные** базы данных документов, такие как «такие вещи, как Mongo», — объясняет Садасива. Это данные, которые существуют в задней части предприятия.

Но в современной подключенной среде есть источники данных, поступающие от клиентов, которые взаимодействуют с предприятиями.

«Подумайте о конечных пользователях, подумайте об агентах, подумайте о деловых партнерах и даже в какой-то степени о сотрудниках. Они вносят свой вклад в источник данных в виде фотографий, изображений и видео и т. д. – говорит Садасива.

Эти новые источники данных, такие как квитанция клиента/сотрудника, нуждаются в понимании методов искусственного интеллекта. Например, используя оптическое распознавание символов для просмотра квитанции, организации могут автоматически извлекать информацию и возвращать ее в хранилище данных на серверной части предприятия. «Для этого требуются огромные возможности, а также возможность безопасной передачи этой информации в бэк-офис», — говорит Садасива.

Правильный тип данных

С точки зрения автоматизации и искусственного интеллекта используемые методы глубокого обучения могут анализировать все эти типы данных, которыми в настоящее время обладают предприятия, — как человеческие источники, так и исторические. Организациям необходимо сочетать этот базовый набор данных с контролируемым и неконтролируемым обучением.

Ushur, например, создал инструменты, которые используют преимущества данных, существующих в основном предприятии, и воздействуют на это контролируемое и неконтролируемое обучение, используя уже имеющиеся у предприятия наборы данных.

Существует множество различных типов данных, которые можно анализировать из еще большего числа источников. Но возникает проблема, хотя, возможно, не столь актуальная для серверной части предприятия.

Ввод данных неправильного типа или предвзятых данных в системы может привести к негативным результатам, которые нанесут ущерб бизнесу или учреждению. Вам не нужно искать что-то большее, чем сексистский ИИ-инструмент рекрутинга Amazon, от которого технический гигант отказался в прошлом году. Или что в 2016 году выяснилось, что алгоритмы оценки рисков в США, используемые судами по всей стране для решения судеб и свобод подсудимых, предвзяты по расовому признаку, часто приговаривая к белым более мягкие приговоры, чем к афроамериканцам, несмотря на отсутствие различий в типе преступления. совершено.

Исследователь ИИ профессор Джоанна Брайсон сказала в то время:«Если исходные данные отражают стереотипы или если вы обучаете ИИ на основе человеческой культуры, вы обнаружите предвзятость».

Обойти это можно путем устранения стереотипов и предубеждений и обеспечения того, чтобы данные это отражали.

Неструктурированные** и структурированные* данные

Структурированные данные обычно относятся к базам данных, таким как SQL. Это структурированная информация, которая может быть организована либо на основе информации о клиентах, либо на определенных типах информации о конкретной бизнес-проблеме.

Напротив, неструктурированные данные могут быть «большими кляксами» текстовой информации. «Это может быть описание проблемы, которое клиент описал, например, по электронной почте или в формате PDF», — говорит Садасива. «Внутри могут быть фрагменты структурированной информации, такой как имя клиента, номер телефона, номер заявки, номер полиса или номер кредитной карты».

Этот тип информации называется полуструктурированными данными, которые могут быть скрыты в неструктурированной информации. Для того чтобы извлечь полуструктурированную информацию из неструктурированных данных, требуются самые современные технологии искусственного интеллекта.

Экономическое обоснование данных

Лучший способ показать бизнес-обоснование эффективного управления данными — это пример перегрузки электронной почты.

Крупные предприятия получают десятки тысяч писем от клиентов. «Вручную просматривать те, которые предназначены для разделения, сортировки и отправки этого электронного письма в нужный отдел и нужному человеку, прежде чем вернуться к клиенту, — это нелепо», — говорит Садасива. «Это проблема первого уровня, которая требует значительного объема ручной работы.

Решение этой проблемы требует возможности извлекать и отделять полуструктурированные данные, присутствующие в неструктурированной информации электронной почты. «Широкий набор инструментов обработки данных можно использовать для извлечения этой информации о клиентах, и вы автоматически можете передать ее нужному человеку и принять меры по этому тексту. Это простой пример того, как вы можете применить автоматизацию к данным, которые уже есть у предприятия», — продолжает Садасива.

«У большинства предприятий есть миллионы байтов неструктурированной информации в виде электронных писем, заявлений о проблемах, статей или источников информации, к которым они могут подключиться.

«Это устаревшая информация, которая у них уже есть. А применяя к нему науку о данных, предприятия могут сделать его полезным для обучения компьютерных моделей, благодаря чему они могут фактически сократить объем ручной работы в будущем».

Использование данных о клиентах:новый способ мышления

По словам Садашивы, все дело в микро-вовлеченности, которая представляет собой короткие фрагменты взаимодействия между потребителями и предприятиями. Когда компании начинают рассматривать каждое взаимодействие с потребителем или клиентом как микро-вовлечение, это заставляет их переосмысливать весь путь клиента и сегментировать его между поиском, привлечением клиента, поддержкой клиента, дополнительными продажами, перекрестными продажами. - продажа и поддержание этих отношений с конечным пользователем.

Существуют различные взаимодействия взаимодействия, которые могут иметь место во время пути клиента. Применяя науку о данных для взаимодействия и сбора этой информации от клиента, можно получить реальную информацию.

"Это своего рода новая эра, новый способ оценки того, насколько близок тот или иной бренд к их покупателю и насколько близок клиент к бренду", – говорит Садасива.

Применение комбинации искусственного интеллекта, анализа данных и машинного обучения (и т. д.) на этом уровне взаимодействия с потребительскими данными может изменить взаимодействие с клиентами.