Превратите данные в золото: проверенные стратегии использования самого ценного актива вашей организации

Превращение данных в актив должно стать приоритетом любого бизнеса.

Покажите мне данные!

Организации, как правило, имеют доступ к огромным массивам данных. Проблема не в получении «новой нефти», а в её использовании — будь то прямые данные клиентов или данные IoT-устройств. Как лучше всего использовать этот бесценный актив и заставить его работать?

Самое важное, что может сделать любая организация — разработать эффективную и комплексную стратегию управления данными и сделать её приоритетом.

Во-первых, нужно понять, какие данные у вас есть; во-вторых, уметь их анализировать; в-третьих, применять интеллект поверх данных, «чтобы управлять другими типами опыта, вычислений или рабочих процессов», — говорит Симха Садасива, сооснователь и CEO Ushur.

Для реализации комплексной стратегии управления данными нужен партнёр. Он должен помочь предприятиям не только рассматривать имеющиеся данные, но и внедрять автоматизацию с помощью ИИ и машинного обучения для анализа и дополнения недостающих данных: «либо взаимодействуя с различными заинтересованными сторонами, либо предоставляя им инсайты о том, насколько близок клиент, основываясь на данных, уже имеющихся в бэкофисе», — продолжает Садасива.

Источники данных

Традиционные источники — это данные, давно существующие в предприятии: системы управления данными, SQL-базы (структурированные*), или неструктурированные** документоориентированные базы, такие как «Mongo», — объясняет Садасива. Это данные, хранящиеся в глубине предприятия.

Но в современной связанной среде появляются источники данных от контугентов, взаимодействующих с предприятием.

«Подумайте об конечных пользователях, агентах, бизнес-партнёрах, даже сотрудниках. Они вносят вклад в источники данных в виде фото, изображений, видео и т.д.», — говорит Садасива.

Эти новые источники — например, чек клиента/сотрудника — требуют ИИ-техник для осмысления. С помощью оптического распознавания символов (OCR) можно автоматически извлечь информацию из чека и вернуть её в корпоративное хранилище данных. «Это требует огромных возможностей и способности безопасно передавать информацию в бэкофис», — отмечает Садасива.

Правильные данные

С точки зрения автоматизации и машинного интеллекта, методы глубокого обучения могут анализировать все типы данных, которыми располагают предприятия — от людей или исторические. Организациям нужно комбинировать этот базовый набор данных с обучением с учителем и без учителя.

Ushur, например, создала инструменты, использующие данные ядра предприятия и действующие на базе обучения с учителем и без учителя, опираясь на уже имеющиеся наборы данных.

Существует множество типов данных из ещё большего числа источников. Но возникает проблема, хоть и менее актуальная для бэкенда предприятия.

Подача неправильных или предвзятых данных в системы приводит к негативным результатам, вредящим бизнесу. Примеры: сексистский ИИ-инструмент для найма Amazon, который компания отказалась использовать, или расистски предвзятые алгоритмы оценки риска в судах США (2016 г.), чаще назначавшие мягкие приговоры кавказцам, чем афроамериканцам при одинаковых преступлениях.

Исследовательница ИИ профессор Джоанна Брайсон заметила: «Если базовые данные отражают стереотипы, или если вы обучаете ИИ на человеческой культуре, вы обнаружите предвзятость».

Решение — устранить стереотипы и предвзятость, обеспечив, чтобы данные это отражали.

Неструктурированные** vs структурированные* данные

Структурированные данные — это обычно базы данных, такие как SQL. Их можно организовывать на основе информации о клиентах или конкретных бизнес-задачах.

Неструктурированные данные — это «большой кусок» текстовой информации. «Это может быть описание проблемы клиентом в email или PDF-документе», — говорит Садасива. «Внутри могут скрываться структурированные фрагменты: имя клиента, телефон, номер полиса, номер кредитной карты».

Такой тип называется полуструктурированными данными, зарытыми в неструктурированной информации. Извлечение их требует передовой техники «искусственного интеллекта».

Бизнес-кейс для данных

Лучший способ продемонстрировать ценность управления данными — пример с перегрузом email.

Крупные предприятия получают десятки тысяч писем от клиентов. «Ручное прохождение по ним для сегментации, триажи и перенаправления в нужный отдел — абсурдно», — говорит Садасива. «Это первичная проблема, требующая огромных ручных затрат».

Решение требует извлечения и разделения полуструктурированных данных из неструктурированной информации email. «Широкий набор инструментов позволяет извлечь информацию о клиенте и автоматически направить её к нужному сотруднику для действий. Это простой пример применения автоматизации поверх данных, которые уже есть у предприятия», — продолжает Садасива.

«У большинства предприятий есть миллионы байт неструктурированной информации: emails, описания проблем, статьи, источники информации, которые можно использовать.

«Это легаси-информация, которую они уже имеют. Применяя к ней науку о данных, предприятия могут сделать её полезной для обучения компьютерных моделей, тем самым сокращая объём ручной работы в будущем».

Использование данных клиентов: новый подход мышления

Речь идёт о микро-вовлечении, по словам Садасивы — коротких фрагментах взаимодействия туда-сюда между потребителями и предприятиями. Когда бизнес начинает рассматривать каждое взаимодействие с клиентом как микро-вовлечение, это заставляет переосмыслить весь путь клиента и сегментировать его: проспектинг, онбординг, поддержка, апсейл, кросссейл и поддержание отношений.

В пути клиента происходит множество взаимодействий. Применяя науку о данных для взаимодействия и сбора информации, можно получить реальные инсайты.

«Это некий новый век, новый способ оценки того, насколько близок бренд к клиенту, и насколько клиент чувствует себя близким к бренду», — говорит Садасива.

Применение комбинации ИИ, аналитики данных и машинного обучения на уровне микро-вовлечения к данным потребителей может трансформировать вовлечение клиентов.