向我展示数据：组织如何充分利用其最宝贵的资产

将数据转化为资产应该是企业的首要任务。

给我看看数据！

一般来说，组织可以访问大量数据。获得“新石油”不一定是问题所在。困难在于利用这些数据；无论是直接客户数据还是物联网设备数据。 我怎样才能最好地利用这个宝贵的资产并让它发挥作用？

任何组织都可以做的最重要的事情是提出有效且全面的数据管理策略——优先考虑！

首先，您需要了解您拥有哪些数据；其次，您需要能够分析该数据；第三，您需要能够在数据之上应用智能，“以推动其他类型的体验、计算或工作流程，”Ushur 的联合创始人兼首席执行官 Simha Sadasiva 说。

为了实现这一全面的数据管理战略，需要一个合作伙伴。这个盟友应该使企业不仅可以查看他们拥有的数据，还可以通过人工智能和机器学习技术推动自动化，以分析和完成缺失的数据； “通过与不同的组成部分进行交互，或者根据他们目前在后台办公室拥有的数据，向他们展示客户与客户的距离有多近，”Sadasiva 继续说道。

数据来源

传统的数据源是那些存在于企业中的数据源，并且已经这样做了一段时间。这可以包括数据管理或 SQL 数据库，可以是结构化的*，或非结构化的**文档数据库，例如“Mongo 之类的东西”，Sadasiva 解释说。这是存在于企业背后的数据。

但是，在当今的互联环境中，有来自与企业交互的成分的数据源。

“想想最终用户，想想代理，想想商业伙伴，甚至某种程度上的员工。他们以照片、图像和视频等形式为数据源做出贡献，”Sadasiva 说。

这些较新的数据来源——例如客户/员工收据——需要人工智能技术才能理解。例如，使用光学字符识别来查看收据，组织可以自动提取信息并将其带回企业后端的数据仓库。 “这需要大量的功能，以及将这些信息安全地传输到后台的能力，”Sadasiva 说。

正确的数据类型

从自动化和机器智能的角度来看，所使用的深度学习技术可以分析企业目前拥有的所有这些类型的数据——人力资源或历史数据。组织需要将此基础数据集与有监督和无监督学习相结合。

例如，Ushur 创建的工具可以利用核心企业中存在的数据，并通过利用企业已有的数据集对监督和非监督学习进行操作。

可以分析来自更多来源的许多不同类型的数据。但是，出现了一个问题，尽管可能与企业后端无关。

将错误类型的数据或有偏见的数据输入系统可能会导致负面结果，从而损害企业或机构。亚马逊去年放弃的性别歧视人工智能招聘工具，你不必再看更远了。或者，在 2016 年出现了美国的风险评估算法——全国各地的法庭用来决定受审者的命运和自由——存在种族偏见，尽管犯罪类型没有差异，但对高加索人的判决往往比非裔美国人更宽松承诺。

AI 研究员 Joanna Bryson 教授当时表示：“如果底层数据反映了刻板印象，或者如果你从人类文化中训练 AI，就会发现偏见。”

解决这个问题的方法是消除刻板印象和偏见，并确保数据反映这一点。

非结构化**与结构化*数据

结构化数据通常指数据库，例如 SQL。这种结构化信息可以根据客户信息或有关特定业务问题的特定类型的信息进行组织。

相反，非结构化数据可能是文本信息的“大块”。 “这可能是客户通过电子邮件或 pdf 文档描述的问题陈述，”Sadasiva 说。 “里面可能是结构化信息块，例如客户姓名、电话号码、索赔号、保单号或信用卡号。”

这种类型的信息被称为半结构化数据，它可以隐藏在非结构化信息中。能够从非结构化数据中提取这种半结构化信息需要相当先进的“人工智能”技术。

数据业务案例

展示良好数据管理业务案例的最佳方式是举个例子：电子邮件过载。

大型企业收到来自客户的数万封电子邮件。 “在返回给客户之前，手动进行隔离、分类并将电子邮件发送给正确的部门和正确的人是荒谬的，”Sadasiva 说。 “这是一个需要大量手动工作的第一级问题。

解决这个问题需要能够提取和分离出电子邮件的非结构化信息中存在的半结构化数据。 “可以使用一组广泛的数据工具来提取这些客户信息，并且您可以自动将其分类给合适的人并对该文本采取行动。这是一个简单的示例，说明了如何在企业已有的数据上应用自动化，”Sadasiva 继续说道。

“大多数企业拥有数百万字节的非结构化信息，以电子邮件、问题陈述、文章或信息源的形式可供他们利用。

“这是他们已经拥有的遗留信息。而通过应用数据科学，企业可以将其用于训练计算机模型，从而实际上可以减少未来的人工工作量。”

利用您的客户数据：一种新的思维方式

根据 Sadasiva 的说法，这一切都与微互动有关，它是消费者和企业之间来回互动的简短片段。当企业开始将与消费者或客户的每一次互动视为一种微参与时，它会引导他们重新思考整个客户旅程，并将其细分为潜在客户、客户入职、支持客户、追加销售、交叉- 销售并维持与最终用户的关系。

在客户旅程中可以进行各种互动互动。通过应用数据科学进行交互并从客户那里收集这些信息，可以获得真正的洞察力。

“这在某种程度上是一个新时代，一种评估某个品牌与其客户的接近程度以及客户对该品牌的感觉有多接近的新方法，”Sadasiva 说。

在这种微观参与级别上将人工智能、数据分析和机器学习（等）组合应用到消费者数据中，可以改变客户参与度。