Inhoud
- Geanonimiseerde klantgegevens verkopen aan derden
- Marketingefficiëntie verbeteren
- Verbeterde gebruikersprofilering
- Inzicht en advies als service
- Selfservice Analytics-platforms
- Vermijd reclamefraude
- Geen bugs, geen stress - Uw stapsgewijze handleiding voor het creëren van levensveranderende software zonder uw leven te vernietigen
- Laatste gedachten
Bron: Skypixel / Dreamstime.com
Afhaal:
Machine learning wordt gebruikt om big data te verfijnen en waarde te geven als nooit tevoren. Organisaties benutten nu de kracht van ML om geld te verdienen met hun gegevens.
Big data wordt altijd beschreven als een enorm waardevolle bron die elke bloeiende onderneming kan voeden en organisaties bruikbare inzichten, zakelijke kansen en superieure marges biedt. Net zoals ruwe olie moet worden geraffineerd voordat het kan worden omgezet in een waardevolle en nuttige bron, moeten gegevens echter worden verteerd door kunstmatige intelligentie (AI) en machine learning (ML) voordat het iets waard is. Van het benutten ervan om de efficiëntie van de activiteiten van een organisatie te verbeteren tot het benutten ervan om nieuwe inkomstenstromen te creëren, bedrijfsgegevens kunnen op veel verschillende manieren worden benut.
Zoals Tim Sloane, vice-president betalingsinnovatie bij Mercator Advisory Group, verklaarde: "Bij het genereren van gegevens draait alles om het benutten van de gegevens die je via nieuwe kanalen hebt." Laten we een paar concrete voorbeelden bekijken zonder tijd te verspillen. Omdat tijd geld is, mijn vriend!
Geanonimiseerde klantgegevens verkopen aan derden
Klantgegevens die geanonimiseerd zijn (dwz geen gevoelige informatie hebben) of gesynthetiseerd (dat wil zeggen enigszins aangepast, zodat deze nog steeds 100% statistisch relevant is, maar niet te herleiden zijn naar de oorspronkelijke klant) kunnen worden verkocht aan andere bedrijven die deze nodig hebben in de vorm van analytische producten. Geaggregeerde, vooraf geteste gegevens kunnen in geld worden omgezet, omdat deze een waarde kunnen hebben die het oorspronkelijke gebruik te boven gaat en een nieuwe inkomstenstroom kan creëren. Een winkelcentrum wil bijvoorbeeld weten welk type voedsel de voorkeur heeft van liefhebbers van videogames nadat ze een aankoop hebben gedaan, zodat een specifieke fastfoodcabine in hetzelfde gebied als de gamingwinkels kan worden geplaatst. Of een telecommunicatiebedrijf kan geolocatiegegevens van klanten verkopen die kunnen worden gebruikt om efficiëntere "smart city" -technologieoplossingen te plannen.
Marketingefficiëntie verbeteren
Het is noodzakelijk om nieuwe prospects te bereiken om een bedrijf een constante stroom nieuwe klanten te bieden. Dat is de reden waarom marketing bijna altijd een van de duurste uitgavenposten in het budget van een moderne onderneming is. Machine learning kan worden gebruikt om veel marketinggegevens te begrijpen, de efficiëntie ervan te verbeteren en de kosten te verlagen. Algoritmen kunnen worden gebruikt om meer video's aan te bevelen om te bekijken of artikelen om te lezen op basis van de individuele voorkeuren van de gebruiker, waardoor de tijd die wordt besteed aan een website of platform wordt verhoogd of de aandacht van meer potentiële klanten wordt getrokken. De populariteit van een deel van de inhoud kan worden voorspeld door middel van sentimentanalyse, waardoor het type inhoud dat u wilt rangschikken wordt beperkt. (Zie voor meer informatie over AI in het bedrijfsleven, hoe kunstmatige intelligentie de verkoopsector zal revolutioneren.)
Verbeterde gebruikersprofilering
Een volledig begrip van het gedrag van klanten van een bedrijf is van cruciaal belang om meer geld uit hen te persen. Het verkrijgen van bruikbare inzichten uit gebruikersgegevens is de essentie van big data-analyse, en ML kan dit proces naar een hoger niveau tillen. Churn-voorspellingsmodellen kunnen worden ingesteld om klantgedrag te analyseren en te begrijpen wie de mensen zijn die het meest waarschijnlijk stoppen met het gebruik van uw product na een korte tijd. Als er passende maatregelen worden genomen om ze te behouden (bijvoorbeeld via volledig geautomatiseerde CRM-platforms), wordt er veel geld bespaard omdat de aanschafkosten tot vijf keer hoger zijn dan de kosten voor het behouden. CLTV-modellen (Customer Lifetime Value) kunnen ook worden gebruikt om te bepalen welke gebruikerspersonages waarschijnlijk meer geld aan uw producten zullen uitgeven door nuttige gegevens uit hun gewoonten te halen. Dit helpt bedrijven hun inspanningen alleen te richten op die leads die relevante inkomsten kunnen genereren.
Inzicht en advies als service
Bedrijven moeten vaak vertrouwen op de expertise van hun oudste, meest bekwame medewerkers om de moeilijkste taken uit te voeren. Het hogere personeelsbestand van een organisatie is een kritieke aanwinst waarvan de kennis en knowhow nauwelijks kan worden overgedragen wanneer deze ervaren werknemers uiteindelijk met pensioen gaan. Sommige bedrijven hebben echter kunstmatige intelligentie gebruikt om talloze pagina's met documentatie te verwerken, inclusief handleidingen, correspondentie over dagelijkse activiteiten en rapporten geschreven door de meest bekwame werknemers en voormalige werknemers. Het resultaat was de creatie van slimme digitale assistenten die in staat zijn om in realtime nuttige inzichten te bieden aan nieuwe medewerkers, snelle analyses van materiaalkeuzes voor productiebedrijven en elk teamlid helpen ter plekke een relevante beslissing te nemen. Dit helpt werknemers productiever te zijn door meer tijd te besteden aan het uitvoeren van hun taken, en minder tijd aan het uitzoeken van details.
Selfservice Analytics-platforms
Gegevens kunnen worden omgezet in een actief waarmee inkomsten kunnen worden gegenereerd, zelfs wanneer een bedrijf niet eigenaar is van die gegevens en deze niet genereert. Dit complexe bedrijfsmodel wordt gebruikt om organisaties die nuttige informatie uit hun strategische gegevens moeten extraheren, cloud-gebaseerde, self-service analyseplatforms te bieden. Deze platforms worden aangedreven door algoritmen die hun gegevens verzamelen, verrijken en analyseren voor verschillende doeleinden - zoals het verhogen van de efficiëntie van machines bij het vervaardigen van implantaten en het verlagen van hun kosten met maximaal 68% - of het verbeteren van het beheer van complexe systemen, netwerken, energiecentrales, enz. Vaak combineren deze platforms de mogelijkheden van ML met geavanceerde sensorgegevens om hun vermogen om storingen te voorspellen en zelf te genezen te verbeteren, operationele taken te automatiseren en te optimaliseren en stilstandstijden tot 40% te verminderen. (Nog niet iedereen heeft ML geïmplementeerd. Ontdek waarom in 4 wegversperringen die de acceptatie van machinaal leren blokkeren.)
Vermijd reclamefraude
Veel bedrijven die zich geen interne marketingteams kunnen veroorloven, moeten vertrouwen op externe leveranciers om hen nieuwe leads en prospects te bieden. In het tijdperk van digitale fraude is echter niet elke verkoper zo transparant als het zou moeten zijn. Om het aantal bereikte klanten vals te verhogen, verkopen sommige minder nauwgezette reclamebureaus valse sociale profielen die valse beoordelingen, opmerkingen en interacties op sociale media bieden, of bots die apps, software en mobiele / online games constant downloaden. Dit zijn echter geen live gebruikers - ze zullen niet alleen nooit voor enige service betalen, maar ze kunnen ook worden verward met echte mensen, en gezien hun potentieel grote aantal, leiden organisaties ertoe een valse user persona te vormen. Bots en valse profielen kunnen gemakkelijk worden gedetecteerd met behulp van machine learning, want machines zijn meer deskundig dan wij in het detecteren van hun eigen soort!
Geen bugs, geen stress - Uw stapsgewijze handleiding voor het creëren van levensveranderende software zonder uw leven te vernietigen
U kunt uw programmeervaardigheden niet verbeteren als niemand om softwarekwaliteit geeft.
Laatste gedachten
Er zou een reden moeten zijn (waarschijnlijk meer dan één) als vandaag 68% van de bedrijven machine learning toepast om processen te verbeteren. Degenen die het volledige potentieel van gegevensbeheer op basis van algoritmen en gegevensbeheer begrepen, zagen hun groei met 43% meer toenemen dan degenen die dat niet deden. Er is al een nieuwe markt voor gegevens en inzichten ontstaan en machine learning is de 'raffinaderij' die deze bron nog waardevoller en gemakkelijker te gelde maakt.