Впервые опубликовано на TechCrunch+ 23 ноября 2021.
Данные – самый ценный актив компании. Но многие компании продают свои данные и разрушают ценность этого актива, а не используют его для укрепления и развития собственного бизнеса.
Практически любая digital-компания собирает какие-либо данные о своих пользователях, и правозащитники выражают всё большую озабоченность по поводу использования этих данных. Вместе с тем, в самом сборе данных нет ничего плохого. Важнее другие вопросы: почему, как и что происходит с данными, когда речь идет о создании прибыльного и устойчивого бизнеса, уважающего частную жизнь своих пользователей.
В большинстве случаев сбор данных не подразумевает каких-либо злодейских планов. Большинство компаний собирают максимально возможное количество данных в надежде, что они могут оказаться полезными когда-нибудь в будущем.
К счастью, ситуация меняется, и аналитики данных в современных компаниях приветствуют такие изменения. Сбор данных на основе гипотетических сценариев их использования говорит об отсутствии понимания, какие данные о пользователях важны на самом деле. Умные компании стремятся собирать только те данные, которые нужны для предоставления сервисов и продуктов конечным пользователям.
Как заставить данные работать на вас с помощью ИИ и матрицы данных
Вместо зарабатывания денег на продаже своих данных, умные компании анализируют эти данные в поисках значимых инсайтов. Реализация принципа “знай своего клиента” (KYC) зависит от имеющихся данных, а искусственный интеллект (ИИ) позволяет анализировать их и выявлять закономерности, которые пользователи не хотят афишировать.
Такие компании, как Pepsi, широко используют ИИ при создании новых товаров, и digital-компаниям стоит последовать их примеру. Компании, которые выбирают этот путь, должны нанимать больше аналитиков данных и специалистов по ИИ.
ИИ способен не только улучшить пользовательский опыт путем дополнительной персонализации, но и сделать процесс онбординга для продуктов и сервисов более удобным.
Данные становятся более комплексными, и компании стараются использовать их эффективнее, внедряя матрицу данных – взаимосвязанную среду данных и процессов их обработки и аналитики.
Матрица данных позволяет компаниям использовать и комбинировать различные методики обработки данных, что сокращает сроки разработки интеграции до 30%, внедрения до 30%, и поддержки еще до 70%. Кроме этого, матрица данных помогает компаниям использовать существующие модели и технологии концентраторов данных, озер данных и информационных хранилищ, а также создавать новые подходы и инструменты.
Компаниям, желающим внедрить матрицу данных, следует начать с интеграции алгоритмов машинного обучения в каждый уровень данных – от сбора до оптимизации и очистки. Они должны использовать облачные технологии и гибкие конфигурации, стимулировать унификацию и быстрый доступ к данным. Им также стоит определить основные потоки данных, понять процессы взаимодействия между базами данных и внедрить сквозную интеграцию между ними.
Финтех-компании и банки используют матрицу для защиты данных, управляя доступом к ресурсам и реализуя персонализированные предложения. К примеру, банковская группа Lloyds использует матрицу данных для анализа поведения клиентов и улучшения собственных продуктов и сервисов.
Матрицы данных помогают ритейл-компаниям улучшать удаленное обслуживание клиентов, анализируя их спрос и потребности, а также логистику. В частности, Apple использует матрицу данных для улучшения обслуживания клиентов и технологических предложений. Даже приложения для знакомств сейчас используют матрицы для быстрого доступа к большим объемам данных.
Интеллектуальные системы принятия решений
Все компании собирают данные, чтобы улучшать свои продукты и сервисы и соответствовать запросам и предпочтениям клиентов. Вам стоит тщательно проанализировать свои методы сбора данных и мотивацию их собирать.
Это можно сделать с помощью методики интеллектуального принятия решений (Decision Intelligence – DI), которая включают в себя традиционную аналитику данных, искусственный интеллект и комплексные адаптивные системные приложения. Интеллектуальные методы применяются к отдельным решениям и их последовательностям, формируя бизнес-процессы и сети для принятия неотложных решений.
Создание подобных структур позволяет компаниям получать необходимую для развития бизнеса информацию. В сочетании с возможностью построения общей структуры данных, инженерный анализ решений открывает новые возможности для переосмысления того, как компания может оптимизировать эти решения, чтобы сделать их более точными, воспроизводимыми и контролируемыми.
DI также может быть использована для анализа данных процессов, происходящих на цифровой платформе. Например, DI может помочь интернет-компаниям использовать данные, чтобы усовершенствовать путь пользователя и увеличить процент успешных транзакций.
Компании, которые хотят использовать DI, должны иметь четкое видение и стратегию использования данных для улучшения продуктов и услуг. Им придется нанять или подготовить специалистов по качественному анализу, а также организовать стабильные процессы сбора и обработки данных. И наконец, DI требует от компании соотносить собранные данные с гипотезами на основе бизнес-целей.
Многие компании, ориентированные на данные, используют DI в своей деятельности каждый день. В банковской, финансовой и финтех отраслях DI помогает компаниям анализировать поведение клиентов, прогнозировать их потребности, решать проблемы и адаптировать продукты и услуги. Например, Morgan Stanley использует DI для управления фондами и повышения качества инвестиционных решений.
Ритейлеры используют DI для принятия решений о ценовой политике, прогнозирования поведения покупателей и оптимизации цепочки поставок. Например, Amazon использует для оптимизации цепочки поставок как матрицы данных, так и DI. В сфере здравоохранения DI помогает врачам быстрее анализировать медицинские отчеты и легче определять приоритеты для успешного лечения.
Распознавание и прогнозирование трендов требует стратегического сбора данных
В идеале, ориентированным на данные предприятиям не стоит разрабатывать стратегию более чем на год вперед; вместо этого им следует анализировать и использовать собранные данные на постоянной основе. Изменения в желаниях и потребностях аудитории будут отражаться в данных, и умные цифровые платформы смогут понять, нужно ли корректировать предложения для пользователей.
Компании должны стратегически подходить к количеству и типам собираемых данных. Когда компании собирают слишком много данных, большая их часть оказывается неактуальной и просто усложняет процесс поиска нужных данных. Разработчики должны быть ключевым звеном в оценке качества данных, собираемых для анализа.
Когда компания исследует соответствие продукта рынку, собранные данные помогают подтвердить или опровергнуть проверяемые гипотезы, и именно разработчики должны формулировать требования к данным для проверки той или иной гипотезы.
Для дальнейшей оптимизации процесса сбора данных компаниям следует избегать строить гипотезы и методы сбора данных на основе опыта конкурентов. Определить соответствие продукта рынку можно только в том случае, когда собираемые данные непосредственно связаны с продуктами компании и их пользователями. В конечном итоге, готовые инструменты – такие как Power BI, Tableau или AutoML – в сочетании с навыками аналитиков в работе с Python, C# или MATLAB помогут компании использовать свои данные для принятия наилучших решений.
Как построить основанный на данных бизнес без ущерба для доверия пользователей
Вторжение в частную жизнь пользователей с целью продажи собранных данных – жуткая трата времени и DI, которая может нанести непоправимый ущерб отношениям компании со своими клиентами. Умные компании строят отношения на основе доверия пользователей, что собранные данные в конечном итоге принесут им пользу в виде функций и услуг, отвечающих их постоянно меняющимся потребностям.
Цифровой бизнес, основанный на данных и уважающий конфиденциальность пользователей, вовсе не жертвует своей прибылью. Напротив, удовлетворение потребностей аудитории с помощью стратегического сбора данных и использования ИИ и DI – единственный способ обеспечить прибыль в долгосрочной перспективе.
