Montrez-moi les données :comment les organisations peuvent tirer le meilleur parti de leur atout le plus précieux

Transformer les données en atout doit être une priorité commerciale.

Montrez-moi les données !

Les organisations, en général, ont accès à d'énormes quantités de données. Et obtenir le « nouveau pétrole » n'est pas nécessairement le problème. La difficulté est d'utiliser ces données; qu'il s'agisse de données directes sur les clients ou sur les appareils IoT. Comment puis-je utiliser au mieux cet atout précieux et le mettre en œuvre ?

La chose la plus importante qu'une organisation puisse faire est de proposer une stratégie de gestion des données efficace et holistique - priorisez-la !

Tout d'abord, vous devez comprendre de quelles données vous disposez; deuxièmement, vous devez être en mesure d'analyser ces données ; et troisièmement, vous devez être en mesure d'appliquer l'intelligence en plus des données "pour générer d'autres types d'expériences, des calculs ou des flux de travail", explique Simha Sadasiva, cofondatrice et PDG d'Ushur.

Pour réaliser cette stratégie complète de gestion des données, un partenaire est nécessaire. Cet allié devrait permettre aux entreprises non seulement d'examiner les données dont elles disposent, mais également de piloter l'automatisation, grâce à l'intelligence artificielle et aux techniques d'apprentissage automatique, pour analyser et compléter les données manquantes ; « Soit en interagissant avec différents acteurs, soit en leur montrant des informations sur la proximité du client en fonction des données dont ils disposent actuellement dans leur back-office », poursuit Sadasiva.

Sources de données

Les sources de données traditionnelles sont celles qui existent dans les entreprises, et ce depuis un certain temps. Cela peut inclure la gestion des données ou les bases de données SQL, qui peuvent être des bases de données de documents structurées* ou non**, telles que « des choses comme Mongo », explique Sadasiva. Ce sont les données qui existent à l'arrière de l'entreprise.

Mais, dans l'environnement connecté d'aujourd'hui, il existe des sources de données provenant d'éléments qui interagissent avec les entreprises.

"Pensez aux utilisateurs finaux, pensez aux agents, pensez aux partenaires commerciaux, voire aux employés dans une certaine mesure. Ils contribuent à la source de données sous la forme de photos, d'images et de vidéos, etc. », explique Sadasiva.

Ces nouvelles sources de données, telles qu'un reçu client/employé, ont besoin des techniques d'intelligence artificielle pour donner un sens. Par exemple, en utilisant la reconnaissance optique de caractères pour consulter un reçu, les organisations peuvent automatiquement extraire les informations et les ramener dans un entrepôt de données au niveau du backend de l'entreprise. "Cela nécessite d'énormes capacités et également la capacité de transférer ces informations en toute sécurité vers le back-office", explique Sadasiva.

Le bon type de données

Du point de vue de l'automatisation et de l'intelligence artificielle, les techniques d'apprentissage en profondeur utilisées peuvent analyser tous ces types de données que les entreprises possèdent actuellement - sources humaines ou historiques. Les organisations doivent combiner cet ensemble de données sous-jacent avec un apprentissage supervisé et non supervisé.

Ushur, par exemple, a créé des outils qui tirent parti des données qui existent dans l'entreprise principale et agissent sur cet apprentissage supervisé et non supervisé en tirant parti de l'ensemble de données dont disposent déjà les entreprises.

Il existe de nombreux types de données qui peuvent être analysées, à partir d'un nombre encore plus grand de sources. Mais, il y a un problème qui se produit, bien que peut-être pas aussi pertinent pour le backend de l'entreprise.

L'introduction du mauvais type de données ou de données biaisées dans les systèmes peut entraîner des résultats négatifs qui nuisent à une entreprise ou à une institution. Vous n'avez pas à chercher plus loin que l'outil de recrutement d'IA sexiste d'Amazon que le géant de la technologie a abandonné l'année dernière. Ou qu'en 2016, il est apparu que les algorithmes d'évaluation des risques américains - utilisés par les tribunaux de tout le pays pour décider du sort et des libertés des personnes jugées - sont biaisés par la race, condamnant souvent les Caucasiens avec plus d'indulgence que les Afro-Américains malgré l'absence de différence dans le type de crime engagé.

La professeure Joanna Bryson, chercheuse en intelligence artificielle, a déclaré à l'époque :"Si les données sous-jacentes reflètent des stéréotypes, ou si vous entraînez l'IA à partir de la culture humaine, vous trouverez des biais."

La solution consiste à éliminer les stéréotypes et les préjugés, et à s'assurer que les données reflètent cela.

Données non structurées** vs structurées*

Données structurées faisant généralement référence à des bases de données, telles que SQL. Ces informations structurées peuvent être organisées, soit en fonction des informations client, soit en fonction de types d'informations spécifiques sur un problème métier spécifique.

En revanche, les données non structurées peuvent être une « grosse masse » d'informations textuelles. "Il peut s'agir d'une déclaration de problème qu'un client a décrite, via un e-mail ou un document pdf, par exemple", explique Sadasiva. "À l'intérieur, il peut y avoir des pépites d'informations structurées, telles que le nom du client, le numéro de téléphone, le numéro de réclamation, le numéro de police ou le numéro de carte de crédit."

Ce type d'informations est appelé données semi-structurées, qui peuvent être enfouies dans des informations non structurées. Avoir la capacité d'extraire ces informations semi-structurées à partir de données non structurées nécessite des techniques "d'intelligence artificielle" assez avancées.

Une analyse de rentabilisation des données

La meilleure façon de montrer l'analyse de rentabilisation d'une bonne gestion des données est de prendre un exemple :la surcharge d'e-mails.

Les grandes entreprises reçoivent des dizaines de milliers d'e-mails de clients. "Passer manuellement en revue ceux-ci pour séparer, trier et envoyer cet e-mail au bon service et à la bonne personne avant de retourner au client est ridicule", déclare Sadasiva. "C'est un problème de premier niveau qui nécessite une quantité importante de travail manuel.

La résolution de ce problème nécessite la capacité d'extraire et de séparer les données semi-structurées présentes dans les informations non structurées d'un e-mail. "Un large éventail d'outils de données peut être utilisé pour extraire ces informations client et vous pouvez automatiquement les trier vers la bonne personne et agir sur ce texte. C'est un exemple simple de la façon dont vous pouvez appliquer l'automatisation en plus des données dont dispose déjà une entreprise », poursuit Sadasiva.

"La plupart des entreprises disposent de millions d'octets d'informations non structurées, sous la forme d'e-mails, d'énoncés de problèmes, d'articles ou de sources d'informations qu'elles peuvent exploiter.

«Ce sont des informations héritées qu'ils ont déjà. Et en y appliquant la science des données, les entreprises peuvent le rendre utile pour la formation de modèles informatiques, ce qui leur permet de réduire réellement la quantité de travail manuel à l'avenir. »

Exploiter vos données clients :une nouvelle façon de penser

Tout est question de micro-engagement, selon Sadasiva, qui est de courts extraits d'interaction qui vont et viennent entre les consommateurs et les entreprises. Lorsque les entreprises commencent à considérer chaque interaction avec un consommateur ou un client comme un micro-engagement, cela les amène à repenser l'ensemble du parcours client et à le segmenter entre prospection, intégration du client, accompagnement du client, up-selling, cross - vendre et maintenir cette relation avec l'utilisateur final.

Il existe diverses interactions d'engagement qui peuvent avoir lieu au cours du parcours client. En appliquant la science des données pour interagir et collecter ces informations auprès du client, de véritables informations peuvent être obtenues.

"Il s'agit en quelque sorte d'une nouvelle ère, d'une nouvelle façon d'évaluer la proximité d'une certaine marque avec son client et la proximité du client avec la marque", déclare Sadasiva.

L'application d'une combinaison d'intelligence artificielle, d'analyse de données et d'apprentissage automatique (etc.) à ce niveau de micro-engagement aux données des consommateurs peut transformer l'engagement des clients.