Mengubah Data menjadi Emas: Strategi Terbukti untuk Memanfaatkan Aset Termilik Organisasi

Mengubah data menjadi aset seharusnya menjadi prioritas bisnis. Tunjukkan padaku data!

Secara umum, organisasi memiliki akses ke sejumlah besar data. Dan memperoleh "minyak baru" bukanlah masalah utamanya. Kesulitan terletak pada pemanfaatan data tersebut; baik itu data pelanggan langsung atau data dari perangkat IoT. Bagaimana cara saya menggunakan aset berharga ini sebaik mungkin dan memanfaatkannya?

Hal terpenting yang dapat dilakukan organisasi adalah menyusun strategi manajemen data yang efektif dan holistik — prioritaskan!

Pertama, Anda perlu memahami data yang Anda miliki; kedua, Anda perlu dapat menganalisis data tersebut; dan ketiga, Anda perlu dapat menerapkan kecerdasan di atas data "untuk mendorong jenis pengalaman lain, atau komputasi atau alur kerja," kata Simha Sadasiva, pendiri dan CEO Ushur.

Untuk mencapai strategi manajemen data yang komprehensif ini, diperlukan mitra. Mitranya harus memungkinkan perusahaan untuk tidak hanya melihat data yang mereka miliki, tetapi juga mendorong otomatisasi, melalui teknik kecerdasan buatan dan pembelajaran mesin, untuk menganalisis dan melengkapi data yang hilang; "baik dengan berinteraksi dengan berbagai pihak atau dengan menunjukkan wawasan kepada mereka tentang seberapa dekat pelanggan berdasarkan data yang saat ini dimiliki di back office mereka," lanjut Sadasiva.

Sumber data

Sumber data tradisional adalah yang ada di perusahaan dan telah ada selama bertahun-tahun. Ini dapat mencakup manajemen data atau database SQL, yang dapat terstruktur*, atau database dokumen tidak terstruktur**, seperti "hal-hal seperti Mongo," jelas Sadasiva. Ini adalah data yang ada di bagian belakang perusahaan.

Namun, di lingkungan yang terhubung saat ini, ada sumber data yang datang dari pihak-pihak yang berinteraksi dengan perusahaan.

"Pikirkan pengguna akhir, pikirkan agen, pikirkan mitra bisnis, bahkan karyawan hingga sebagian besar. Mereka berkontribusi pada sumber data dalam bentuk foto, gambar dan video, dan lain-lain," kata Sadasiva.

Sumber data yang lebih baru ini — seperti terima kasih pelanggan/karyawan — memerlukan teknik kecerdasan buatan untuk dapat dimengerti. Misalnya, menggunakan pengenalan karakter optik untuk melihat terima kasih, organisasi dapat secara otomatis mengekstrak informasi dan mengembalikannya ke gudang data di bagian belakang perusahaan. "Itu membutuhkan kemampuan yang luar biasa 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 historis. Organisasi perlu menggabungkan kumpulan data dasar ini dengan pembelajaran terpantau dan tidak terpantau.

Ushur, misalnya, telah menciptakan alat yang memanfaatkan data yang ada di inti perusahaan dan bertindak berdasarkan pembelajaran terpantau dan tidak terpantau dengan memanfaatkan kumpulan data yang sudah dimiliki perusahaan.

Ada banyak jenis data yang dapat dianalisis, dari sumber yang lebih banyak lagi. Namun, ada masalah yang muncul, meskipun mungkin tidak relevan bagi bagian belakang perusahaan.

Memasukan jenis data yang salah, atau data yang bias, ke dalam sistem dapat menghasilkan hasil negatif yang merusak bisnis atau institusi. Anda tidak perlu melihat lebih jauh dari alat rekrutmen AI yang seksis Amazon yang dihapus raksasa teknologi tahun lalu. Atau, bahwa pada tahun 2016 terungkap bahwa algoritma penilaian risiko AS — yang digunakan oleh pengadilan di seluruh negeri untuk menentukan nasib dan kebebasan mereka yang diadili — memiliki bias rasial, sering memberikan hukuman yang lebih ringan kepada kaukasian daripada amerika asli meskipun tidak ada perbedaan dalam jenis kejahatan yang dilakukan.

Peneliti AI Profesor Joanna Bryson, katanya saat itu: "Jika data yang mendasarinya mencerminkan stereotip, atau jika Anda melatih AI dari budaya manusia, Anda akan menemukan bias."

Cara mengatasi ini adalah dengan memadamkan stereotip dan bias, dan memastikan bahwa data mencerminkannya.

Data tidak terstruktur** vs terstruktur*

Data terstruktur biasanya merujuk pada database, seperti SQL. Informasi terstruktur ini dapat diorganisir, baik berdasarkan informasi pelanggan atau jenis informasi tertentu tentang masalah bisnis tertentu.

Sebaliknya, data tidak terstruktur dapat berupa "gabungan besar" informasi teks. "Itu bisa menjadi pernyataan masalah yang telah dijelaskan pelanggan, melalui email atau dokumen pdf, misalnya," kata Sadasiva. "Di dalamnya dapat terdapat pepitas informasi terstruktur, seperti nama pelanggan, nomor telepon, nomor klaim, nomor polis atau nomor kartu kredit."

Jenis informasi ini disebut data semi-terstruktur, yang dapat tertinggal dalam informasi tidak terstruktur. Memiliki kemampuan untuk mengekstrak informasi semi-terstruktur ini dari data tidak terstruktur membutuhkan teknik "kecerdasan buatan" yang cukup modern.

Kasus bisnis untuk data

Cara terbaik untuk menunjukkan kasus bisnis untuk manajemen data yang baik adalah dengan contoh: kelebihan beban email.

Perusahaan besar menerima puluhan ribu email dari pelanggan. "Untuk secara manual melalui mereka untuk segregasi, pengesanan dan mengirim email itu ke departemen dan orang yang tepat sebelum kembali ke pelanggan adalah konyol," kata Sadasiva. "Itu adalah masalah level pertama yang memerlukan sejumlah besar pekerjaan manual."

Menyelesaikan masalah ini membutuhkan kemampuan untuk mengekstrak dan memisahkan data semi-terstruktur yang ada dalam informasi tidak terstruktur email. "Serangkaian alat data yang luas dapat digunakan untuk mengekstrak informasi pelanggan ini dan secara otomatis Anda dapat mengesankannya kepada orang yang tepat dan bertindak pada teks itu. Itu adalah contoh sederhana 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 gali."

"Ini adalah informasi warisan yang sudah dimiliki. Dan dengan menerapkan ilmu data padanya, perusahaan dapat membuatnya berguna untuk melatih model komputer, di mana mereka dapat sebenarnya mengurangi jumlah pekerjaan manual untuk masa depan."

Memanfaatkan data pelanggan Anda: cara berpikir baru

Itu semua tentang mikro-engajemen, menurut Sadasiva, yang merupakan cuplikan interaksi singkat yang saling terjadi antara konsumen dan perusahaan. Saat bisnis mulai melihat setiap interaksi dengan konsumen atau pelanggan sebagai mikro-engajemen, hal itu memimpin mereka untuk mempertimbangkan kembali seluruh perjalanan pelanggan dan memisahkannya antara pencarian pelanggan, pendaftaran pelanggan, mendukung pelanggan, penjualan tambahan, penjualan silang dan memelihara hubungan dengan pengguna akhir.

Ada berbagai interaksi keterlibatan yang dapat dilakukan selama perjalanan pelanggan. Dengan menerapkan ilmu data untuk berinteraksi dan mengumpulkan informasi tersebut dari pelanggan, wawasan nyata dapat diperoleh.

"Ini adalah era baru yang agak baru, cara baru untuk menilai seberapa dekat suatu merek dengan pelanggan mereka, dan seberapa dekat pelanggan merasa terhadap merek," kata Sadasiva.

Menerapkan kombinasi kecerdasan buatan, analitik data dan pembelajaran mesin (dan lain-lain) pada tingkat mikro-engajemen ini pada data konsumen dapat mengubah keterlibatan pelanggan.