将数据转化为黄金：利用组织最宝贵资产的实证策略

将数据转化为资产应成为企业的战略重点。

“给我看数据！”

一般而言，组织拥有海量数据。获取这“新石油”并非难题，难点在于如何利用这些数据——无论是直接的客户数据还是物联网设备数据。如何最好地利用这项宝贵资产并让其发挥作用？

任何组织最重要的举措，就是制定一套行之有效的全方位数据管理策略——并将其列为优先事项！

首先，你需要了解拥有哪些数据；其次，你需要具备分析这些数据的能力；第三，你需要能在数据之上应用智能，“以驱动其他类型的体验、计算或工作流”，Ushur联合创始人兼CEO Simha Sadasiva表示。

为实现这一全面的数据管理策略，企业需要一位合作伙伴。这位盟友应助力企业不仅查看现有数据，还能通过人工智能和机器学习技术推动自动化，分析并补全缺失数据；“无论是通过与不同利益相关方互动，还是基于后台现有数据展示客户接近度的洞察”，Sadasiva补充道。

数据来源

传统数据源指企业内部长期存在的数据。这包括数据管理系统或SQL数据库（结构化*），或非结构化**文档数据库，如“Mongo之类的东西”，Sadasiva解释道。这些是企业后端存储的数据。

但在当今互联环境中，还有来自与企业互动的各方的数据源。

“想想最终用户、代理、业务合作伙伴，甚至员工。他们通过照片、图像、视频等形式贡献数据源”，Sadasiva说。

这些较新的数据源——如客户/员工收据——需要人工智能技术来解读。例如，利用光学字符识别（OCR）读取收据，组织可自动提取信息并带回企业后端的数据仓库。“这需要海量能力，并能安全地将信息传输到后台”，Sadasiva指出。

正确类型的数据

从自动化和机器智能角度看，深度学习技术可分析企业现有的所有类型数据——人工来源或历史来源。组织需将这些底层数据集与监督学习和无监督学习相结合。

例如，Ushur创建了工具，利用企业现有数据集，通过监督和无监督学习发挥核心企业数据的价值。

可分析的数据类型繁多，来源更是数不胜数。但存在一个问题，尽管对企业后端或许不那么相关。

向系统输入错误类型或有偏见的数据，会导致损害业务或机构的负面结果。亚马逊去年弃用的性别歧视AI招聘工具便是例证。2016年曝光，美国法院广泛使用的风险评估算法存在种族偏见，尽管犯罪类型无差异，却对白人判刑更宽、对非裔美国人更重。

AI研究员Joanna Bryson教授当时表示：“如果底层数据反映刻板印象，或从人类文化训练AI，你就会发现偏见。”

解决之道在于消除刻板印象和偏见，确保数据体现公正性。

非结构化**与结构化*数据

结构化数据通常指数据库，如SQL。这类信息可按客户信息或特定业务问题的特定信息类型进行组织。

相比之下，非结构化数据可能是文本信息的“大块”。“例如，客户通过电子邮件或PDF文档描述的问题陈述”，Sadasiva说。“其中可能埋藏着结构化信息碎片，如客户姓名、电话、理赔单号、保单号或信用卡号。”

这类信息称为半结构化数据，隐藏在非结构化信息中。从非结构化数据中提取半结构化信息，需要相当先进的“人工智能”技术。

数据的商业案例

展示良好数据管理商业价值的最佳方式是案例：邮件过载。

大型企业每天收到数万封客户邮件。“人工逐一分拣、分流、转发至正确部门和人员再回复客户，简直荒谬”，Sadasiva说。“这是一级难题，耗费大量人工。”

解决此问题需要从邮件的非结构化信息中提取并分离半结构化数据。“广泛的数据工具可提取客户信息，自动分流给正确人员并对文本采取行动。这是将自动化应用于企业现有数据的简单例证”，Sadasiva续道。

“大多数企业拥有数百万字节的非结构化信息，形式包括邮件、问题陈述、文章或可利用的信息源。

“这些是已有的遗留信息。通过应用数据科学，企业可使其对训练计算机模型变得有用，从而减少未来的人工工作量。”

利用客户数据：全新思维模式

一切关乎“微互动”，据Sadasiva称，即消费者与企业之间简短、来回的互动片段。当企业开始将每次与消费者或客户的互动视为微互动，便会重新审视整个客户旅程，将其细分为获客、客户引导、客户支持、向上销售、交叉销售及维护与最终用户的关系。

客户旅程中存在各种互动环节。通过应用数据科学互动并收集客户信息，可获得真实洞察。

“这某种程度上是新时代、评估品牌与客户亲密度、以及客户对品牌亲近感的新方式”，Sadasiva说。

在微互动层面，结合人工智能、数据分析和机器学习等技术作用于消费者数据，可彻底变革客户互动。