Laat me de gegevens zien:hoe organisaties hun meest waardevolle bezit optimaal kunnen benutten

Het omzetten van gegevens in een asset zou een zakelijke prioriteit moeten zijn.

Laat me de gegevens zien!

Organisaties hebben over het algemeen toegang tot enorme hoeveelheden data. En het verkrijgen van de ‘nieuwe olie’ is niet per se het probleem. De moeilijkheid is om van die gegevens gebruik te maken; of dat nu directe klant- of IoT-apparaatgegevens zijn. Hoe kan ik dit kostbare bezit het beste gebruiken en aan het werk zetten?

Het belangrijkste dat elke organisatie kan doen, is een effectieve en holistische strategie voor gegevensbeheer bedenken - geef er prioriteit aan!

Eerst moet je begrijpen welke gegevens je hebt; ten tweede moet je die gegevens kunnen analyseren; en ten derde moet je intelligentie bovenop de gegevens kunnen toepassen "om ofwel andere soorten ervaringen, berekeningen of workflows aan te sturen", zegt Simha Sadasiva, medeoprichter en CEO van Ushur.

Om deze uitgebreide datamanagementstrategie te realiseren, is een partner nodig. Deze bondgenoot moet ondernemingen in staat stellen om niet alleen te kijken naar de gegevens die ze hebben, maar ook om automatisering te stimuleren, door middel van kunstmatige intelligentie en machine learning-technieken, om ontbrekende gegevens te analyseren en aan te vullen; "door interactie met verschillende opdrachtgevers of door hen inzicht te geven in hoe dichtbij de klant is op basis van de gegevens die ze momenteel in hun backoffice hebben", vervolgt Sadasiva.

Gegevensbronnen

Traditionele gegevensbronnen zijn de bronnen die in ondernemingen bestaan ​​en dat al een tijdje doen. Dit kunnen gegevensbeheer of SQL-databases zijn, die gestructureerd* kunnen zijn, of ongestructureerde** documentdatabases, zoals 'dingen als Mongo', legt Sadasiva uit. Dit zijn de gegevens die achter in de onderneming aanwezig zijn.

Maar in de verbonden omgeving van vandaag komen er gegevensbronnen binnen van kiezers die interactie hebben met ondernemingen.

“Denk aan eindgebruikers, denk aan agenten, denk aan zakenpartners, tot op zekere hoogte zelfs werknemers. Ze dragen bij aan de gegevensbron in de vorm van foto's, afbeeldingen en video's, enzovoort", zegt Sadasiva.

Deze nieuwere gegevensbronnen, zoals een kwitantie van een klant/werknemer, hebben kunstmatige-intelligentietechnieken nodig om te begrijpen. Door bijvoorbeeld optische tekenherkenning te gebruiken om naar een bon te kijken, kunnen organisaties de informatie automatisch extraheren en terugbrengen naar een datawarehouse aan de achterkant van de onderneming. "Dat vereist enorme hoeveelheden mogelijkheden en ook de mogelijkheid om die informatie veilig naar de backoffice over te brengen", zegt Sadasiva.

Het juiste soort gegevens

Vanuit het oogpunt van automatisering en machine-intelligentie kunnen de gebruikte deep learning-technieken al deze soorten gegevens analyseren die ondernemingen momenteel bezitten:menselijke of historische bronnen. Organisaties moeten deze onderliggende dataset combineren met begeleid en niet-gesuperviseerd leren.

Ushur heeft bijvoorbeeld tools gemaakt die profiteren van de gegevens die in de kernonderneming aanwezig zijn en handelen naar dat begeleid en niet-gesuperviseerd leren door gebruik te maken van de dataset die ondernemingen al hebben.

Er zijn veel verschillende soorten gegevens die kunnen worden geanalyseerd, uit een nog groter aantal bronnen. Maar er is een probleem dat zich voordoet, hoewel misschien niet zo relevant voor de backend van ondernemingen.

Het invoeren van het verkeerde type gegevens of vooringenomen gegevens in systemen kan leiden tot negatieve resultaten die een bedrijf of instelling schaden. Je hoeft niet verder te kijken dan de seksistische AI-wervingstool van Amazon die de techgigant vorig jaar heeft gedumpt. Of dat in 2016 bleek dat Amerikaanse algoritmen voor risicobeoordeling - die door rechtszalen in het hele land worden gebruikt om te beslissen over het lot en de vrijheden van degenen die terechtstaan ​​- raciaal vooringenomen zijn, waardoor blanken vaak milder worden veroordeeld dan Afro-Amerikanen, ondanks dat er geen verschil is in het soort misdaad toegewijd.

AI-onderzoeker professor Joanna Bryson zei destijds:"Als de onderliggende gegevens stereotypen weerspiegelen, of als je AI traint vanuit de menselijke cultuur, zul je vooringenomenheid vinden."

De manier om dit te omzeilen is door stereotypen en vooroordelen uit te bannen en ervoor te zorgen dat de gegevens dit weerspiegelen.

Ongestructureerde** versus gestructureerde* gegevens

Gestructureerde gegevens die doorgaans verwijzen naar databases, zoals SQL. Deze gestructureerde informatie die kan worden georganiseerd, hetzij op basis van klantinformatie of specifieke soorten informatie over een specifiek bedrijfsprobleem.

Daarentegen kunnen ongestructureerde gegevens een "grote klodder" tekstuele informatie zijn. "Het kan een probleemstelling zijn die een klant heeft beschreven, bijvoorbeeld via een e-mail of pdf-document", zegt Sadasiva. "Daarin kunnen klompjes gestructureerde informatie zitten, zoals klantnaam, telefoonnummer, claimnummer, polisnummer of creditcardnummer."

Dit type informatie wordt semi-gestructureerde gegevens genoemd, die kunnen worden begraven in ongestructureerde informatie. Het vermogen om deze semi-gestructureerde informatie uit ongestructureerde gegevens te extraheren, vereist redelijk geavanceerde 'kunstmatige intelligentie'-technieken.

Een businesscase voor data

De beste manier om de businesscase voor goed databeheer te laten zien, is met een voorbeeld:de e-mailoverbelasting.

Grote ondernemingen ontvangen tienduizenden e-mails van klanten. "Het is belachelijk om die e-mail handmatig door te nemen voor het scheiden, sorteren en verzenden van die e-mail naar de juiste afdeling en juiste persoon voordat je teruggaat naar de klant", zegt Sadasiva. "Het is een eerstelijnsprobleem dat een aanzienlijke hoeveelheid handmatig werk vergt.

Het oplossen van dit probleem vereist de mogelijkheid om de semi-gestructureerde gegevens in de ongestructureerde informatie van een e-mail te extraheren en te scheiden. “Een brede set aan datatools kan worden gebruikt om deze klantinformatie te extraheren en automatisch kun je dat naar de juiste persoon sturen en actie ondernemen op die tekst. Dat is een eenvoudig voorbeeld van hoe je automatisering kunt toepassen bovenop de gegevens die een onderneming al heeft”, vervolgt Sadasiva.

“De meeste bedrijven hebben miljoenen bytes aan ongestructureerde informatie, in de vorm van e-mails, probleemstellingen, artikelen of informatiebronnen waar ze gebruik van kunnen maken.

“Dit is legacy-informatie die ze al hebben. En door er data science op toe te passen, kunnen bedrijven het nuttig maken voor het trainen van computermodellen, waardoor ze de hoeveelheid handwerk voor de toekomst daadwerkelijk kunnen verminderen.”

Gebruik maken van uw klantgegevens:een nieuwe manier van denken

Het draait allemaal om micro-engagement, volgens Sadasiva, dat zijn korte fragmenten van interactie die heen en weer gaan tussen consumenten en bedrijven. Wanneer bedrijven elke interactie met een consument of een klant gaan beschouwen als een micro-engagement, leidt dit ertoe dat ze het hele klanttraject opnieuw gaan bekijken en dit segmenteren tussen prospectie, onboarding van de klant, ondersteuning van de klant, up-selling, cross-over -verkopen en onderhouden van die relatie met de eindgebruiker.

Tijdens de customer journey zijn er verschillende interacties van betrokkenheid. Door datawetenschap toe te passen om te communiceren en die informatie van de klant te verzamelen, kunnen echte inzichten worden verkregen.

"Dit is een beetje een nieuw tijdperk, een nieuwe manier om te beoordelen hoe dicht een bepaald merk bij hun klant staat en hoe dicht de klant bij het merk staat", zegt Sadasiva.

Het toepassen van een combinatie van kunstmatige intelligentie, data-analyse en machine learning (enz.) op dit micro-engagementniveau op consumentengegevens kan de klantbetrokkenheid transformeren.