Muéstrame los datos:cómo las organizaciones pueden hacer el mejor uso de su activo más preciado

Convertir los datos en un activo debe ser una prioridad comercial.

¡Muéstrame los datos!

Las organizaciones, en general, tienen acceso a grandes cantidades de datos. Y obtener el "petróleo nuevo" no es necesariamente el problema. La dificultad es hacer uso de esos datos; ya sean datos directos del cliente o del dispositivo IoT. ¿Cómo puedo utilizar mejor este preciado activo y ponerlo a trabajar?

Lo más importante que cualquier organización puede hacer es idear una estrategia de gestión de datos eficaz y holística:¡priorícela!

Primero, debe comprender qué datos tiene; segundo, debe poder analizar esos datos; y tercero, debe poder aplicar inteligencia sobre los datos "para impulsar otros tipos de experiencias, cálculos o flujos de trabajo", dice Simha Sadasiva, cofundadora y directora ejecutiva de Ushur.

Para lograr esta estrategia integral de gestión de datos, se necesita un socio. Este aliado debería permitir a las empresas no solo mirar los datos que tienen, sino también impulsar la automatización, a través de técnicas de inteligencia artificial y aprendizaje automático, para analizar y completar los datos faltantes; “Ya sea interactuando con diferentes integrantes o mostrándoles información sobre qué tan cerca está el cliente en función de los datos que tienen actualmente en su back office”, continúa Sadasiva.

Fuentes de datos

Las fuentes tradicionales de datos son las que existen en las empresas, y lo han hecho durante un tiempo. Esto puede incluir gestión de datos o bases de datos SQL, que pueden ser bases de datos de documentos estructurados* o no estructurados**, como “cosas como Mongo”, explica Sadasiva. Estos son los datos que existen en la parte trasera de la empresa.

Pero, en el entorno conectado de hoy, hay fuentes de datos provenientes de componentes que interactúan con las empresas.

“Piense en los usuarios finales, piense en los agentes, piense en los socios comerciales, incluso en los empleados hasta cierto punto. Están contribuyendo a la fuente de datos en forma de fotos, imágenes y videos, etcétera”, dice Sadasiva.

Estas nuevas fuentes de datos, como un recibo de cliente/empleado, necesitan que las técnicas de inteligencia artificial tengan sentido. Por ejemplo, al usar el reconocimiento óptico de caracteres para ver un recibo, las organizaciones pueden extraer automáticamente la información y devolverla a un almacén de datos en el back-end de la empresa. "Eso requiere una gran cantidad de capacidades y también la capacidad de transferir de forma segura esa información a la oficina administrativa", dice Sadasiva.

El tipo correcto de datos

Desde una perspectiva de automatización e inteligencia artificial, las técnicas de aprendizaje profundo que se utilizan pueden analizar todos estos tipos de datos que las empresas poseen actualmente:fuentes humanas o históricas. Las organizaciones necesitan combinar este conjunto de datos subyacente con el aprendizaje supervisado y no supervisado.

Ushur, por ejemplo, ha creado herramientas que aprovechan los datos que existen en el núcleo de la empresa y actúa sobre ese aprendizaje supervisado y no supervisado aprovechando el conjunto de datos que ya tienen las empresas.

Hay muchos tipos diferentes de datos que se pueden analizar, de un número aún mayor de fuentes. Pero hay un problema que ocurre, aunque quizás no sea tan relevante para el back-end de la empresa.

Introducir el tipo incorrecto de datos o datos sesgados en los sistemas puede generar resultados negativos que perjudiquen a una empresa o institución. No tiene que buscar más allá de la sexista herramienta de reclutamiento de IA de Amazon que el gigante tecnológico abandonó el año pasado. O que en 2016 se supo que los algoritmos de evaluación de riesgos de EE. UU., utilizados por los tribunales de todo el país para decidir el destino y las libertades de las personas enjuiciadas, tienen prejuicios raciales y, con frecuencia, condenan a los caucásicos con más indulgencia que a los afroamericanos a pesar de que no hay diferencia en el tipo de delito. cometido.

La investigadora de IA, la profesora Joanna Bryson, dijo en ese momento:"Si los datos subyacentes reflejan estereotipos, o si entrenas a la IA a partir de la cultura humana, encontrarás sesgos".

La forma de evitar esto es eliminando los estereotipos y los sesgos, y asegurándose de que los datos lo reflejen.

Datos no estructurados** frente a estructurados*

Datos estructurados que normalmente se refieren a bases de datos, como SQL. Esta información estructurada que se puede organizar, ya sea en función de la información del cliente o tipos específicos de información sobre un problema comercial específico.

Por el contrario, los datos no estructurados pueden ser una "gran mancha" de información textual. “Podría ser una declaración del problema que un cliente ha descrito, a través de un correo electrónico o un documento pdf, por ejemplo”, dice Sadasiva. "Dentro de eso puede haber pepitas de información estructurada, como el nombre del cliente, número de teléfono, número de reclamo, número de póliza o número de tarjeta de crédito".

Este tipo de información se conoce como datos semiestructurados, que pueden estar enterrados en información no estructurada. Tener la capacidad de extraer esta información semiestructurada de datos no estructurados requiere técnicas de "inteligencia artificial" bastante avanzadas.

Un caso de negocio para los datos

La mejor manera de mostrar el caso comercial para una buena gestión de datos es con un ejemplo:la sobrecarga de correo electrónico.

Las grandes empresas reciben decenas de miles de correos electrónicos de los clientes. “Es ridículo revisar manualmente los correos electrónicos para segregar, clasificar y enviar ese correo electrónico al departamento correcto y a la persona correcta antes de volver al cliente”, dice Sadasiva. “Es un problema de primer nivel que requiere una cantidad significativa de trabajo manual.

Resolver este problema requiere la capacidad de extraer y separar los datos semiestructurados presentes en la información no estructurada de un correo electrónico. “Se puede utilizar un amplio conjunto de herramientas de datos para extraer esta información del cliente y, automáticamente, puede asignarla a la persona adecuada y tomar medidas sobre ese texto. Ese es un ejemplo simple de cómo puede aplicar la automatización sobre los datos que ya tiene una empresa”, continúa Sadasiva.

“La mayoría de las empresas tienen millones de bytes de información no estructurada, en forma de correos electrónicos, declaraciones de problemas, artículos o fuentes de información a las que pueden acceder.

“Esta es información heredada que ya tienen. Y al aplicarle ciencia de datos, las empresas pueden hacer que sea útil para entrenar modelos de computadora, por lo que pueden reducir la cantidad de trabajo manual para el futuro”.

Hacer uso de los datos de sus clientes:una nueva forma de pensar

Se trata de micro-compromiso, según Sadasiva, que son breves fragmentos de interacción que van y vienen entre los consumidores y las empresas. Cuando las empresas comienzan a considerar cada interacción con un consumidor o un cliente como un microcompromiso, las lleva a repensar todo el viaje del cliente y segmentarlo entre prospección, incorporación del cliente, apoyo al cliente, ventas cruzadas, ventas cruzadas. -vender y mantener esa relación con el usuario final.

Hay varias interacciones de compromiso que se pueden tener durante el recorrido del cliente. Al aplicar la ciencia de datos para interactuar y recopilar esa información del cliente, se pueden obtener conocimientos reales.

"Esto es algo así como una nueva era, una nueva forma de evaluar qué tan cerca está una determinada marca de su cliente y qué tan cerca se siente el cliente hacia la marca", dice Sadasiva.

La aplicación de una combinación de inteligencia artificial, análisis de datos y aprendizaje automático (etcétera) en este nivel de microcompromiso con los datos del consumidor puede transformar el compromiso del cliente.