데이터 표시:조직이 가장 소중한 자산을 최대한 활용할 수 있는 방법

데이터를 자산으로 전환하는 것이 비즈니스 우선 순위여야 합니다.

데이터를 보여주세요!

일반적으로 조직은 방대한 양의 데이터에 액세스할 수 있습니다. 그리고 '새 기름'을 얻는 것이 반드시 문제는 아닙니다. 어려움은 해당 데이터를 활용하는 것입니다. 그것이 직접적인 고객 데이터이든 IoT 장치 데이터이든 상관없습니다. 이 소중한 자산을 어떻게 가장 잘 활용하고 사용할 수 있습니까?

모든 조직이 할 수 있는 가장 중요한 일은 효과적이고 전체적인 데이터 관리 전략을 수립하는 것입니다. 우선 순위를 정하십시오!

먼저 어떤 데이터가 있는지 이해해야 합니다. 두 번째로 해당 데이터를 분석할 수 있어야 합니다. 셋째, Ushur의 공동 설립자이자 CEO인 Simha Sadasiva는 "다른 유형의 경험이나 계산 또는 워크플로를 구동하기 위해" 데이터에 인텔리전스를 적용할 수 있어야 한다고 말합니다.

이러한 포괄적인 데이터 관리 전략을 달성하려면 파트너가 필요합니다. 이 동맹은 기업이 보유하고 있는 데이터를 볼 뿐만 아니라 인공 지능 및 기계 학습 기술을 통해 누락된 데이터를 분석하고 완성하는 자동화를 추진할 수 있도록 해야 합니다. Sadasiva는 "다양한 구성 요소와 상호 작용하거나 현재 백오피스에 있는 데이터를 기반으로 고객과 얼마나 가까운지에 대한 통찰력을 보여줌으로써"라고 말합니다.

데이터 출처

전통적인 데이터 소스는 기업에 존재하는 데이터 소스이며 한동안 그렇게 해왔습니다. 여기에는 정형*일 수 있는 데이터 관리 또는 SQL 데이터베이스 또는 "Mongo와 같은 것"과 같은 비정형** 문서 데이터베이스가 포함될 수 있다고 Sadasiva는 설명합니다. 기업 후면에 존재하는 데이터입니다.

그러나 오늘날의 연결된 환경에서는 기업과 상호 작용하는 구성 요소에서 들어오는 데이터 소스가 있습니다.

“최종 사용자를 생각하고, 에이전트를 생각하고, 비즈니스 파트너를 생각하고, 직원을 생각하기도 합니다. 그들은 사진, 이미지, 동영상 등의 형태로 데이터 소스에 기여하고 있습니다.”라고 Sadasiva는 말합니다.

고객/직원 영수증과 같은 이러한 새로운 데이터 소스를 이해하려면 인공 지능 기술이 필요합니다. 예를 들어, 광학 문자 인식을 사용하여 영수증을 보면 조직은 자동으로 정보를 추출하여 기업의 백엔드에 있는 데이터 웨어하우스로 다시 가져올 수 있습니다. "이를 위해서는 엄청난 양의 기능과 해당 정보를 백오피스로 안전하게 전송할 수 있는 능력이 필요합니다."라고 Sadasiva는 말합니다.

올바른 종류의 데이터

자동화 및 기계 지능 관점에서 사용되는 딥 러닝 기술은 기업이 현재 보유하고 있는 이러한 모든 유형의 데이터(인적 출처 또는 과거 데이터)를 분석할 수 있습니다. 조직은 이 기본 데이터 세트를 지도 및 비지도 학습과 결합해야 합니다.

예를 들어 Ushur는 핵심 기업에 존재하는 데이터를 활용하고 기업이 이미 보유하고 있는 데이터 세트를 활용하여 지도 및 비지도 학습에 작용하는 도구를 만들었습니다.

훨씬 더 많은 소스에서 분석할 수 있는 다양한 유형의 데이터가 있습니다. 그러나 기업의 백엔드와 관련이 없을 수도 있지만 발생하는 문제가 있습니다.

잘못된 유형의 데이터 또는 편향된 데이터를 시스템에 제공하면 비즈니스나 기관에 해를 끼치는 부정적인 결과를 초래할 수 있습니다. 기술 대기업이 작년에 버린 Amazon의 성차별적 AI 채용 도구보다 더 멀리 볼 필요가 없습니다. 또는 2016년에 미국 전역의 법정에서 재판을 받는 사람들의 운명과 자유를 결정하는 데 사용되는 미국 위험 평가 알고리즘이 인종적으로 편향되어 있으며 범죄 유형의 차이가 없음에도 불구하고 종종 백인에게 아프리카계 미국인보다 더 관대하게 선고합니다. 헌신했습니다.

당시 AI 연구원인 조안나 브라이슨(Joanna Bryson) 교수는 “기본 데이터가 고정 관념을 반영하거나 인간 문화에서 AI를 훈련시킨다면 편견을 발견하게 될 것”이라고 말했다.

이를 우회하는 방법은 고정 관념과 편견을 없애고 데이터가 이를 반영하는지 확인하는 것입니다.

구조화되지 않은** 데이터와 구조화된* 데이터

일반적으로 SQL과 같은 데이터베이스를 참조하는 구조화된 데이터입니다. 고객 정보 또는 특정 비즈니스 문제에 대한 특정 유형의 정보를 기반으로 구성할 수 있는 이 구조화된 정보입니다.

대조적으로, 구조화되지 않은 데이터는 텍스트 정보의 "큰 덩어리"가 될 수 있습니다. "예를 들어 이메일이나 PDF 문서를 통해 고객이 설명한 문제 설명일 수 있습니다."라고 Sadasiva는 말합니다. "그 안에는 고객 이름, 전화 번호, 청구 번호, 정책 번호 또는 신용 카드 번호와 같은 구조화된 정보가 포함될 수 있습니다."

이러한 유형의 정보를 반정형 데이터라고 하며, 이는 비정형 정보에 묻혀 있을 수 있습니다. 비정형 데이터에서 반정형 정보를 추출하는 기능을 갖추려면 상당히 최첨단의 '인공 지능' 기술이 필요합니다.

데이터에 대한 비즈니스 사례

좋은 데이터 관리에 대한 비즈니스 사례를 보여주는 가장 좋은 방법은 이메일 과부하와 같은 예를 사용하는 것입니다.

대기업은 고객으로부터 수만 개의 이메일을 받습니다. Sadasiva는 "수동으로 이메일을 분류하고 분류하여 적절한 부서와 적절한 사람에게 보내기 위한 절차를 거쳐 고객에게 다시 돌아가기 전에 우스꽝스러운 일입니다."라고 말합니다. “상당한 수작업이 필요한 1단계 문제입니다.

이 문제를 해결하려면 이메일의 비정형 정보에 있는 반정형 데이터를 추출하고 분리하는 기능이 필요합니다. “광범위한 데이터 도구 세트를 사용하여 이 고객 정보를 추출할 수 있으며 자동으로 해당 정보를 적합한 사람에게 분류하고 해당 텍스트에 대해 조치를 취할 수 있습니다. 이는 기업이 이미 보유하고 있는 데이터에 자동화를 적용하는 방법을 보여주는 간단한 예입니다."라고 Sadasiva는 말합니다.

“대부분의 기업은 이메일, 문제 설명, 기사 또는 정보 소스의 형태로 활용할 수 있는 수백만 바이트의 비정형 정보를 보유하고 있습니다.

“이것은 그들이 이미 가지고 있는 레거시 정보입니다. 그리고 데이터 과학을 적용함으로써 기업은 컴퓨터 모델을 훈련하는 데 유용하게 사용할 수 있으며, 이를 통해 미래를 위한 수동 작업의 양을 실제로 줄일 수 있습니다."

고객 데이터 활용:새로운 사고 방식

Sadasiva에 따르면 소비자와 기업 사이를 오가는 상호 작용의 짧은 스니펫인 마이크로 참여에 관한 것입니다. 기업이 소비자 또는 고객과의 모든 상호 작용을 마이크로 참여로 보기 시작하면 전체 고객 여정을 재고하고 잠재 고객 발굴, 고객 온보딩, 고객 지원, 상향 판매, 교차 -최종 사용자와의 관계를 판매하고 유지합니다.

고객 여정 중에 발생할 수 있는 다양한 참여 상호 작용이 있습니다. 데이터 과학을 적용하여 고객과 상호 작용하고 해당 정보를 수집함으로써 진정한 통찰력을 얻을 수 있습니다.

Sadasiva는 "이제는 특정 브랜드가 고객과 얼마나 친밀한지, 고객이 브랜드에 대해 느끼는 감정을 평가하는 새로운 방식의 새로운 시대입니다."라고 말합니다.

이 마이크로 참여 수준에서 인공 지능, 데이터 분석 및 기계 학습(등)을 조합하여 소비자 데이터에 적용하면 고객 참여를 혁신할 수 있습니다.