Data omzetten in goud: Bewezen strategieën om de meest waardevolle activum van uw organisatie te benutten

Het omzetten van data in een activum zou een bedrijfsprioriteit moeten zijn.

Laat me de data zien!

Organisaties hebben over het algemeen toegang tot enorme hoeveelheden data. Het verkrijgen van de "nieuwe olie" is niet noodzakelijk het probleem. De uitdaging ligt in het benutten van die data, of het nu gaat om directe klantdata of IoT-apparaatdata. Hoe kan ik deze kostbare activum het beste gebruiken en aan de slag zetten?

Het belangrijkste wat elke organisatie kan doen, is een effectieve en holistische datamanagementstrategie ontwikkelen – maak het een prioriteit!

Allereerst moet u begrijpen welke data u heeft; ten tweede moet u in staat zijn die data te analyseren; en ten derde moet u intelligentie erbovenop kunnen toepassen "om andere typen ervaringen, berekeningen of workflows aan te sturen," aldus Simha Sadasiva, medeoprichter en CEO bij Ushur.

Om deze uitgebreide datamanagementstrategie te bereiken, is een partner nodig. Deze bondgenoot moet ondernemingen in staat stellen niet alleen te kijken naar de data die ze hebben, maar ook automatisering te sturen via kunstmatige intelligentie en machine learning-technieken om data te analyseren en ontbrekende data aan te vullen; "zowel door te interacteren met verschillende belanghebbenden als door hen inzicht te geven in hoe dicht de klant bij hun data in de back-office zit," vervolgt Sadasiva.

Databronnen

Traditionele databronnen zijn die welke al langer in ondernemingen bestaan. Dit kan omvatten datamanagement of SQL-databases, die gestructureerd* kunnen zijn, of ongestructureerde** documentdatabases, zoals "dingen als Mongo," legt Sadasiva uit. Dit is de data die in de achtergrond van de onderneming bestaat.

Maar in de verbonden omgeving van vandaag komen er databronnen binnen van belanghebbenden die interacteren met ondernemingen.

"Denk aan eindgebruikers, agents, zakelijke partners, zelfs werknemers tot op zekere hoogte. Ze dragen bij aan databronnen in de vorm van foto's, afbeeldingen en video's, etcetera," aldus Sadasiva.

Deze nieuwere databronnen – zoals een klant/medewerkerbon – vereisen kunstmatige intelligentie-technieken om zin van te maken. Bijvoorbeeld, door optische tekenherkenning (OCR) op een bon toe te passen, kunnen organisaties de informatie automatisch extraheren en terugbrengen naar een datawarehouse in de back-office van de onderneming. "Dit vereist enorme capaciteiten en ook de mogelijkheid om die informatie veilig naar de back-office over te dragen," zegt Sadasiva.

Het juiste type data

Vanuit een automatiserings- en machine-intelligentieperspectief kunnen de diepteleertechnieken die worden gebruikt, al deze typen data analyseren die ondernemingen momenteel bezitten – menselijke bronnen of historische bronnen. Organisaties moeten deze onderliggende dataset combineren met supervised en unsupervised learning.

Ushur heeft bijvoorbeeld tools ontwikkeld die de data in de kern van de onderneming benutten en handelen op basis van supervised en unsupervised learning door de dataset te leveren die ondernemingen al hebben.

Er zijn veel verschillende typen data die geanalyseerd kunnen worden, uit een nog groter aantal bronnen. Maar er is een probleem dat zich voordoet, hoewel misschien minder relevant voor de back-office van de onderneming.

Het invoeren van het verkeerde type data, of partijdige data in systemen kan leiden tot negatieve resultaten die een bedrijf of instelling schaden. U hoeft niet verder te kijken dan Amazons seksistische AI-wervingsinstrument dat de tech-gigant vorig jaar afschafte. Of dat in 2016 naar voren kwam dat Amerikaanse risico-assessmentsalgoritmen – gebruikt door gerechten door het hele land om de loten en vrijheden van verdachten te beslissen – rassistisch bevooroordeeld zijn, vaak blanken zachter straffen dan Afro-Amerikanen ondanks geen verschil in het type misdrijf.

AI-onderzoeker professor Joanna Bryson zei toen: "Als de onderliggende data stereotyfen weerspiegelt, of als je AI traint op basis van menselijke cultuur, zul je bias vinden."

De oplossing is door stereotyfen en bias uit te roeien, en ervoor te zorgen dat de data dit weerspiegelt.

Ongestructureerde** vs gestructureerde* data

Gestructureerde data verwijst doorgaans naar databases, zoals SQL. Dit is gestructureerde informatie die georganiseerd kan worden, ofwel op basis van klantinformatie of specifieke typen informatie over een specifiek zakelijk probleem.

Daarentegen kan ongestructureerde data een "grote klont" tekstuele informatie zijn. "Het kan een probleemstelling zijn die een klant heeft beschreven, via een e-mail of PDF-document, bijvoorbeeld," zegt Sadasiva. "Daarin kunnen nuggets van gestructureerde informatie zitten, zoals klantnaam, telefoonnummer, schadenummer, polisnummer of creditcardnummer."

Dit type informatie wordt aangeduid als semi-gestructureerde data, die verborgen kan zitten in ongestructureerde informatie. De mogelijkheid om deze semi-gestructureerde informatie uit ongestructureerde data te extraheren, vereist redelijk state-of-the-art 'kunstmatige intelligentie'-technieken.

Een business case voor data

De beste manier om de business case voor goed datamanagement te tonen, is met een voorbeeld: de e-mailoverlast.

Grote ondernemingen ontvangen tienduizenden e-mails van klanten. "Om die handmatig door te nemen voor segregatie, triage en het doorsturen van die e-mail naar de juiste afdeling en juiste persoon voordat er terug naar de klant gegaan wordt, is onzin," zegt Sadasiva. "Het is een eerste-niveau probleem dat een aanzienlijke hoeveelheid handmatig werk kost.

De oplossing vereist de mogelijkheid om de semi-gestructureerde data in de ongestructureerde informatie van een e-mail te extraheren en te scheiden. "Een breed scala aan datatools kan gebruikt worden om deze klantinformatie te extraheren en automatisch kunt u die triageren naar de juiste persoon en actie ondernemen op die tekst. Dat is een simpel voorbeeld van hoe u automatisering op data kunt toepassen die een onderneming al heeft," vervolgt Sadasiva.

"De meeste ondernemingen hebben miljoenen bytes ongestructureerde informatie, in de vorm van e-mails, probleemstellingen, artikelen of informatiebronnen die ze kunnen aanspreken.

"Dit is legacy-informatie die ze al hebben. En door data science erop toe te passen, kunnen ondernemingen het nuttig maken voor het trainen van computermodellen, waardoor ze de hoeveelheid handmatig werk voor de toekomst kunnen reduceren."

Uw klantdata benutten: een nieuwe manier van denken

Het gaat allemaal om micro-engagement, volgens Sadasiva, wat korte fragmenten van interactie zijn die heen en weer gaan tussen consumenten en ondernemingen. Wanneer bedrijven elke interactie met een consument of klant als een micro-engagement bekijken, leidt dat hen om de hele klantreis nadenken en te segmenteren tussen prospecting, onboarding van de klant, ondersteuning van de klant, up-selling, cross-selling en het onderhouden van die relatie met de eindgebruiker.

Er zijn verschillende interacties van engagement mogelijk tijdens de klantreis. Door data science toe te passen om die informatie van de klant te interacteren en te verzamelen, kunnen echte inzichten worden verkregen.

"Dit is enigszins een nieuwe tijdperk, een nieuwe manier van beoordelen hoe dicht een bepaald merk bij hun klant zit, en hoe dicht de klant zich bij het merk voelt," zegt Sadasiva.

Het toepassen van een combinatie van kunstmatige intelligentie, data-analytics en machine learning (etcetera) op dit micro-engagementniveau op consumentendata kan klantengagement transformeren.