Tunjukkan datanya kepada saya:Bagaimana organisasi dapat memanfaatkan aset mereka yang paling berharga dengan sebaik-baiknya
Mengubah data menjadi aset harus menjadi prioritas bisnis.
Tunjukkan datanya!
Organisasi, secara umum, memiliki akses ke sejumlah besar data. Dan mendapatkan 'minyak baru' belum tentu menjadi masalah. Kesulitannya adalah memanfaatkan data itu; apakah itu data pelanggan langsung atau perangkat IoT. Bagaimana cara terbaik untuk menggunakan aset berharga ini dan menggunakannya?
Hal terpenting yang dapat dilakukan oleh organisasi mana pun adalah membuat strategi pengelolaan data yang efektif dan holistik — memprioritaskannya!
Pertama, Anda perlu memahami data apa yang Anda miliki; kedua Anda harus mampu menganalisis data itu; dan ketiga, Anda harus dapat menerapkan kecerdasan di atas data “untuk mendorong jenis pengalaman lain, atau komputasi atau alur kerja”, kata Simha Sadasiva, salah satu pendiri dan CEO di Ushur.
Untuk mencapai strategi pengelolaan data yang komprehensif ini, diperlukan partner. Sekutu ini harus memungkinkan perusahaan untuk tidak hanya melihat data yang mereka miliki, tetapi juga mendorong otomatisasi, melalui kecerdasan buatan dan teknik pembelajaran mesin, untuk menganalisis dan melengkapi data yang hilang; “baik dengan berinteraksi dengan konstituen yang berbeda atau dengan menunjukkan kepada mereka wawasan tentang seberapa dekat pelanggan berdasarkan data yang mereka miliki saat ini di back office mereka,” lanjut Sadasiva.
Sumber data
Sumber data tradisional adalah yang ada di perusahaan, dan telah melakukannya untuk sementara waktu. Ini dapat mencakup manajemen data atau database SQL, yang dapat terstruktur*, atau database dokumen tidak terstruktur**, seperti “hal-hal seperti Mongo,” jelas Sadasiva. Ini data yang ada di belakang perusahaan.
Namun, dalam lingkungan yang terhubung saat ini, ada sumber data yang berasal dari konstituen yang berinteraksi dengan perusahaan.
“Pikirkan pengguna akhir, pikirkan agen, pikirkan mitra bisnis, bahkan karyawan sampai batas tertentu. Mereka berkontribusi pada sumber data dalam bentuk foto, gambar, video, dan sebagainya,” kata Sadasiva.
Sumber data yang lebih baru ini — seperti tanda terima pelanggan/karyawan — memerlukan teknik kecerdasan buatan untuk dipahami. Misalnya, menggunakan pengenalan karakter optik untuk melihat tanda terima, organisasi dapat secara otomatis mengekstrak informasi dan membawanya kembali ke gudang data di bagian belakang perusahaan. “Itu membutuhkan sejumlah besar kemampuan dan juga kemampuan untuk mentransfer informasi tersebut dengan aman ke back office,” kata Sadasiva.
Jenis data yang tepat
Dari perspektif otomatisasi dan kecerdasan mesin, teknik pembelajaran mendalam yang digunakan dapat menganalisis semua jenis data yang dimiliki perusahaan saat ini — sumber manusia atau data historis. Organisasi perlu menggabungkan kumpulan data dasar ini dengan pembelajaran terawasi dan tidak terawasi.
Ushur, misalnya, telah menciptakan alat yang memanfaatkan data yang ada di perusahaan inti dan bertindak berdasarkan pembelajaran yang diawasi dan tidak diawasi dengan memanfaatkan kumpulan data yang sudah dimiliki perusahaan.
Ada banyak jenis data yang berbeda yang dapat dianalisis, dari sumber yang lebih banyak lagi. Namun, ada masalah yang terjadi, meskipun mungkin tidak relevan untuk backend perusahaan.
Memasukkan jenis data yang salah, atau data yang bias ke dalam sistem dapat menyebabkan hasil negatif yang merugikan bisnis atau institusi. Anda tidak perlu melihat lebih jauh dari alat rekrutmen AI seksis Amazon yang dibuang oleh raksasa teknologi tahun lalu. Atau, pada tahun 2016 muncul bahwa algoritme penilaian risiko AS — yang digunakan oleh ruang sidang di seluruh negeri untuk memutuskan nasib dan kebebasan mereka yang diadili — bias secara rasial, sering kali menghukum orang Kaukasia lebih lunak daripada orang Afrika-Amerika meskipun tidak ada perbedaan dalam jenis kejahatan berkomitmen.
Peneliti AI Profesor Joanna Bryson, mengatakan pada saat itu:“Jika data yang mendasari mencerminkan stereotip, atau jika Anda melatih AI dari budaya manusia, Anda akan menemukan bias.”
Cara mengatasinya adalah dengan menghilangkan stereotip dan bias, dan memastikan bahwa data mencerminkan hal ini.
Data tidak terstruktur** vs terstruktur*
Data terstruktur biasanya mengacu pada database, seperti SQL. Ini informasi terstruktur yang dapat diatur, baik berdasarkan informasi pelanggan atau jenis informasi tertentu tentang masalah bisnis tertentu.
Sebaliknya, data tidak terstruktur dapat menjadi "gumpalan besar" informasi tekstual. “Itu bisa berupa pernyataan masalah yang dijelaskan pelanggan, melalui email atau dokumen pdf, misalnya,” kata Sadasiva. “Di dalamnya dapat berupa nugget informasi terstruktur, seperti nama pelanggan, nomor telepon, nomor klaim, nomor polis, atau nomor kartu kredit.”
Jenis informasi ini disebut sebagai data semi terstruktur, yang dapat dikubur dalam informasi tidak terstruktur. Memiliki kemampuan untuk mengekstrak informasi semi-terstruktur ini dari data tidak terstruktur membutuhkan teknik 'kecerdasan buatan' yang cukup canggih.
Kasus bisnis untuk data
Cara terbaik untuk menunjukkan kasus bisnis untuk pengelolaan data yang baik adalah dengan contoh:email yang berlebihan.
Perusahaan besar menerima puluhan ribu email dari pelanggan. “Melalui secara manual untuk memisahkan, memilah-milah, dan mengirim email itu ke departemen yang tepat dan orang yang tepat sebelum kembali ke pelanggan itu konyol,” kata Sadasiva. “Ini adalah masalah tingkat pertama yang membutuhkan banyak pekerjaan manual.
Memecahkan masalah ini memerlukan kemampuan untuk mengekstrak dan memisahkan data semi-terstruktur yang ada dalam informasi email yang tidak terstruktur. “Seperangkat alat data yang luas dapat digunakan untuk mengekstrak informasi pelanggan ini dan secara otomatis Anda dapat membaginya ke orang yang tepat dan mengambil tindakan pada teks itu. Itu adalah contoh sederhana tentang bagaimana Anda dapat menerapkan otomatisasi di atas data yang sudah dimiliki perusahaan,” lanjut Sadasiva.
“Sebagian besar perusahaan memiliki jutaan byte informasi tidak terstruktur, dalam bentuk email, pernyataan masalah, artikel, atau sumber informasi yang dapat mereka manfaatkan.
“Ini adalah informasi warisan yang sudah mereka miliki. Dan dengan menerapkan ilmu data ke dalamnya, perusahaan dapat membuatnya berguna untuk melatih model komputer, di mana mereka benar-benar dapat mengurangi jumlah pekerjaan manual untuk masa depan.”
Memanfaatkan data pelanggan Anda:cara berpikir baru
Ini semua tentang keterlibatan mikro, menurut Sadasiva, yang merupakan cuplikan singkat dari interaksi yang bolak-balik antara konsumen dan perusahaan. Ketika bisnis mulai melihat setiap interaksi dengan konsumen atau pelanggan sebagai keterlibatan mikro, itu mengarahkan mereka untuk memikirkan kembali seluruh perjalanan pelanggan dan membaginya antara mencari calon pelanggan, mengarahkan pelanggan, mendukung pelanggan, meningkatkan penjualan, lintas -menjual dan memelihara hubungan tersebut dengan pengguna akhir.
Ada berbagai interaksi engagement yang dapat dilakukan selama customer journey. Dengan menerapkan ilmu data untuk berinteraksi dan mengumpulkan informasi tersebut dari pelanggan, wawasan nyata dapat diperoleh.
“Ini adalah zaman yang baru, cara baru untuk menilai seberapa dekat merek tertentu dengan pelanggan mereka, dan seberapa dekat perasaan pelanggan terhadap merek tersebut,” kata Sadasiva.
Menerapkan kombinasi kecerdasan buatan, analisis data, dan pembelajaran mesin (dll) pada tingkat keterlibatan mikro ini ke data konsumen dapat mengubah keterlibatan pelanggan.
