Mostre-me os dados:como as organizações podem fazer o melhor uso de seus ativos mais preciosos

Transformar dados em ativos deve ser uma prioridade de negócios.
Mostre-me os dados!

As organizações, em geral, têm acesso a grandes quantidades de dados. E obter o “novo petróleo” não é necessariamente o problema. A dificuldade é fazer uso desses dados; sejam dados diretos do cliente ou do dispositivo IoT. Como posso usar melhor esse recurso precioso e colocá-lo em prática?

A coisa mais importante que qualquer organização pode fazer é criar uma estratégia de gerenciamento de dados eficaz e holística – priorize-a!

Primeiro, você precisa entender quais dados você possui; segundo, você precisa ser capaz de analisar esses dados; e terceiro, você precisa ser capaz de aplicar inteligência sobre os dados “para impulsionar outros tipos de experiências, cálculos ou fluxos de trabalho”, diz Simha Sadasiva, cofundadora e CEO da Ushur.

Para alcançar essa estratégia abrangente de gerenciamento de dados, é necessário um parceiro. Esse aliado deve permitir que as empresas não apenas analisem os dados que possuem, mas também impulsionem a automação, por meio de inteligência artificial e técnicas de aprendizado de máquina, para analisar e completar os dados ausentes; “seja interagindo com diferentes constituintes ou mostrando a eles insights sobre a proximidade do cliente com base nos dados que eles têm atualmente em seu back office”, continua Sadasiva.

Fontes de dados

As fontes tradicionais de dados são aquelas que existem nas empresas e já existem há algum tempo. Isso pode incluir gerenciamento de dados ou bancos de dados SQL, que podem ser estruturados*, ou bancos de dados de documentos não estruturados**, como “coisas como Mongo”, explica Sadasiva. Estes são os dados que existem na parte de trás da empresa.

Mas, no ambiente conectado de hoje, existem fontes de dados provenientes de constituintes que interagem com as empresas.

“Pense nos usuários finais, pense nos agentes, pense nos parceiros de negócios e até nos funcionários até certo ponto. Eles estão contribuindo para a fonte de dados na forma de fotos, imagens e vídeos etc.”, diz Sadasiva.

Essas fontes de dados mais recentes – como recibos de clientes/funcionários – precisam que as técnicas de inteligência artificial façam sentido. Por exemplo, usando o reconhecimento óptico de caracteres para examinar um recibo, as organizações podem extrair automaticamente as informações e trazê-las de volta para um data warehouse no back-end da empresa. “Isso requer uma quantidade enorme de recursos e também a capacidade de transferir essas informações com segurança para o back office”, diz Sadasiva.

O tipo certo de dados

De uma perspectiva de automação e inteligência de máquina, as técnicas de aprendizado profundo usadas podem analisar todos esses tipos de dados que as empresas possuem atualmente – fontes humanas ou históricas. As organizações precisam combinar esse conjunto de dados subjacente com aprendizado supervisionado e não supervisionado.

Ushur, por exemplo, criou ferramentas que aproveitam os dados que existem na empresa principal e atuam nesse aprendizado supervisionado e não supervisionado, aproveitando o conjunto de dados que as empresas já possuem.

Existem muitos tipos diferentes de dados que podem ser analisados, de um número ainda maior de fontes. Mas há um problema que ocorre, embora talvez não seja tão relevante para o back-end da empresa.

Alimentar o tipo errado de dados ou dados tendenciosos em sistemas pode levar a resultados negativos que prejudicam uma empresa ou instituição. Você não precisa procurar além da ferramenta sexista de recrutamento de IA da Amazon que a gigante da tecnologia abandonou no ano passado. Ou que, em 2016, surgiu que os algoritmos de avaliação de risco dos EUA - usados ​​por tribunais em todo o país para decidir o destino e a liberdade dos julgados - são racialmente tendenciosos, frequentemente sentenciando caucasianos de forma mais branda do que afro-americanos, apesar de não haver diferença no tipo de crime comprometido.

A pesquisadora de IA, professora Joanna Bryson, disse na época:“Se os dados subjacentes refletem estereótipos, ou se você treina a IA a partir da cultura humana, encontrará viés”.

A maneira de contornar isso é eliminar estereótipos e preconceitos e garantir que os dados reflitam isso.

Dados não estruturados** x dados estruturados*

Dados estruturados normalmente referentes a bancos de dados, como SQL. Essas informações estruturadas podem ser organizadas com base nas informações do cliente ou em tipos específicos de informações sobre um problema de negócios específico.

Em contraste, os dados não estruturados podem ser uma “grande bolha” de informações textuais. “Pode ser uma declaração de problema que um cliente descreveu, por meio de um e-mail ou documento pdf, por exemplo”, diz Sadasiva. “Dentro disso, pode haver pepitas de informações estruturadas, como nome do cliente, número de telefone, número da reclamação, número da apólice ou número do cartão de crédito.”

Esse tipo de informação é chamado de dados semiestruturados, que podem ser enterrados em informações não estruturadas. Ter a capacidade de extrair essas informações semiestruturadas de dados não estruturados requer técnicas de “inteligência artificial” bastante avançadas.

Um caso de negócios para dados

A melhor maneira de mostrar o business case para um bom gerenciamento de dados é com um exemplo:a sobrecarga de e-mail.

Grandes empresas recebem dezenas de milhares de e-mails de clientes. “Passar manualmente por eles para segregar, fazer a triagem e enviar esse e-mail para o departamento certo e a pessoa certa antes de voltar para o cliente é ridículo”, diz Sadasiva. “É um problema de primeiro nível que exige uma quantidade significativa de trabalho manual.

Resolver esse problema requer a capacidade de extrair e separar os dados semiestruturados presentes nas informações não estruturadas de um email. “Um amplo conjunto de ferramentas de dados pode ser usado para extrair essas informações do cliente e automaticamente você pode fazer a triagem para a pessoa certa e agir nesse texto. Esse é um exemplo simples de como você pode aplicar a automação sobre os dados que uma empresa já possui”, continua Sadasiva.

“A maioria das empresas tem milhões de bytes de informações não estruturadas, na forma de e-mails, declarações de problemas, artigos ou fontes de informações que podem ser acessadas.

“Esta é uma informação legada que eles já possuem. E ao aplicar a ciência de dados a ele, as empresas podem torná-lo útil para o treinamento de modelos de computador, pelo que podem realmente reduzir a quantidade de trabalho manual para o futuro.”

Uso dos dados de seus clientes:uma nova maneira de pensar

É tudo sobre microengajamento, de acordo com Sadasiva, que são pequenos trechos de interação que vão e voltam entre consumidores e empresas. Quando as empresas começam a ver cada interação com um consumidor ou cliente como um microengajamento, isso as leva a repensar toda a jornada do cliente e segmentá-la entre prospecção, integração do cliente, suporte ao cliente, up-selling, cross -vender e manter esse relacionamento com o usuário final.

Existem várias interações de engajamento que podem ser realizadas durante a jornada do cliente. Ao aplicar a ciência de dados para interagir e coletar essas informações do cliente, é possível obter insights reais.

“Esta é uma nova era, uma nova maneira de avaliar a proximidade de uma determinada marca com o cliente e a proximidade do cliente com a marca”, diz Sadasiva.

A aplicação de uma combinação de inteligência artificial, análise de dados e aprendizado de máquina (etc.) nesse nível de microengajamento aos dados do consumidor pode transformar o envolvimento do cliente.