Nilalaman
- Nagbebenta ng Anonymousized Data ng Customer sa Mga Pangatlong Partido
- Pagpapahusay ng Marketing kahusayan
- Pinahusay na Profil ng Gumagamit
- Pananaw at Payo bilang isang Serbisyo
- Mga Platform ng Serbisyo para sa Self-Service
- Iwasan ang Panloloko ng Advertising
- Walang Mga bug, Walang Stress - Ang Iyong Hakbang sa Hakbang Patnubay sa Paglikha ng Software na Pagbabago ng Buhay nang Walang Pagsira sa Iyong Buhay
- Pangwakas na Kaisipan
Pinagmulan: Skypixel / Dreamstime.com
Takeaway:
Ginagamit ang pag-aaral ng makina upang pinuhin ang malaking data at bigyan ito ng halaga tulad ng dati. Ang mga organisasyon ngayon ay gumagamit ng lakas ng ML upang gawing pera ang kanilang data.
Ang malalaking data ay palaging inilarawan bilang isang napakahalagang mapagkukunan na maaaring mag-gasolina ng anumang umuunlad na negosyo, na nagbibigay ng mga samahan ng mga aksyon na may pananaw, mga oportunidad sa negosyo at higit na margin. Tulad ng langis ng krudo ay dapat na pino bago ito ma-convert sa isang mahalagang at kapaki-pakinabang na mapagkukunan, gayunpaman, ang data ay dapat na hinukay ng artipisyal na intelihente (AI) at pag-aaral ng makina (ML) bago ito nagkakahalaga ng isang bagay. Mula sa pag-agaw nito upang mapagbuti ang kahusayan ng operasyon ng isang organisasyon upang magamit ito upang lumikha ng mga bagong stream ng kita, ang data ng negosyo ay maaaring maging monetized sa maraming iba't ibang mga paraan.
Tulad ng Tim Sloane, VP ng pagbabayad ng pagbabago sa Mercator Advisory Group, ipinaliwanag, "ang data monetization ay tungkol sa pag-agaw ng data na mayroon ka sa pamamagitan ng mga bagong channel." Tingnan natin ang ilang mga kongkretong halimbawa na hindi nag-aaksaya ng anumang oras. Dahil pera ang oras, kaibigan ko!
Nagbebenta ng Anonymousized Data ng Customer sa Mga Pangatlong Partido
Ang data ng customer na hindi nagpapakilala (ibig sabihin, binawian ng anumang sensitibong impormasyon) o synthetized (ibig sabihin, bahagyang binago kaya't 100% pa rin ang may kaugnayan sa istatistika ngunit imposible upang masubaybayan ang orihinal na customer) ay maaaring ibenta sa ibang mga kumpanya na nangangailangan nito sa anyo ng mga produktong analitiko. Ang pinagsama-samang, naunang natukoy na data ay maaaring monetized dahil maaaring may hawak itong halaga na lampas sa orihinal na paggamit nito at maaaring lumikha ng isang bagong stream ng kita. Halimbawa, maaaring malaman ng isang mall kung aling uri ng pagkain ang mas pinipili ng mga mahilig sa video-game matapos silang mabili upang ang isang tukoy na fast-food booth ay maaaring mailagay sa parehong lugar tulad ng mga gaming shop. O maaaring ibenta ng isang kumpanya ng telecommunication ang data ng geolocation ng customer na maaaring magamit upang magplano ng mas mahusay na mga "matalinong lungsod" na solusyon sa teknolohiya.
Pagpapahusay ng Marketing kahusayan
Ang pag-abot ng mga bagong prospect ay kinakailangan upang magbigay ng isang kumpanya ng isang palaging daloy ng mga sariwang customer. Iyon ang dahilan kung bakit ang marketing ay halos palaging isa sa mga pinakamahal na item ng paggasta sa badyet ng anumang makabagong kumpanya. Ang pag-aaral ng makina ay maaaring magamit upang magkaroon ng kahulugan ng maraming data sa pagmemerkado, pagpapahusay ng kahusayan nito at pagbabawas ng mga gastos. Ang mga algorithm ay maaaring magamit upang magrekomenda ng karagdagang mga video upang panoorin o mga artikulo na basahin batay sa mga indibidwal na kagustuhan ng gumagamit, ang pagtaas ng oras na ginugol sa isang website o platform, o hinawakan ang pansin ng mas maraming mga potensyal na customer. Ang katanyagan ng isang piraso ng nilalaman ay maaaring ma-forecast sa pamamagitan ng pagsusuri ng damdamin, na tumutulong sa paliitin ang uri ng nilalaman na nais mong mag-linya. (Para sa higit pa sa AI sa negosyo, tingnan kung Paano Ang Rebolusyong Artipisyal na Magbabago sa Sales Industry.)
Pinahusay na Profil ng Gumagamit
Ang isang buong pag-unawa sa pag-uugali ng mga customer ng kumpanya ay kritikal upang pisilin ang mas maraming pera sa kanila. Ang pagkuha ng mga magagawang pananaw mula sa data ng gumagamit ay ang tinapay at mantikilya ng malaking pagsusuri ng data, at maaaring gawin ng ML ang prosesong ito sa susunod na antas. Ang mga modelo ng hula ng Churn ay maaaring itakda upang pag-aralan ang mga pag-uugali ng customer at maunawaan kung sino ang mga taong malamang na ihinto ang paggamit ng iyong produkto pagkatapos ng isang maikling panahon. Tulad ng naaangkop na aksyon ay kinuha upang mapanatili ang mga ito (halimbawa, sa pamamagitan ng ganap na awtomatikong mga platform ng CRM), maraming pera ang nai-save dahil ang gastos sa pagkuha ay hanggang sa limang beses na mas mataas kaysa sa gastos ng pagpapanatili. Maaari ring magamit ang mga modelong panghabang-buhay ng customer (CLTV) upang matukoy kung aling mga user personas ang mas malamang na gumastos ng pera sa iyong mga produkto sa pamamagitan ng pagkuha ng mga kapaki-pakinabang na data mula sa kanilang mga gawi. Tumutulong ito sa mga kumpanya na itutuon lamang ang kanilang mga pagsisikap sa mga nangungunang maaaring makabuo ng may-katuturang kita.
Pananaw at Payo bilang isang Serbisyo
Ang mga kumpanya ay madalas na kailangang umasa sa kadalubhasaan ng kanilang pinakaluma, pinaka bihasang empleyado upang maisagawa ang pinakamahirap na gawain. Ang isang senior workforce ng isang organisasyon ay isang kritikal na pag-aari na ang kaalaman at alam kung paano hindi maililipat kapag ang mga bihasang manggagawa na ito ay kalaunan ay magretiro. Gayunpaman, ang ilang mga kumpanya ay nagtatrabaho ng artipisyal na katalinuhan upang matunaw ang hindi mabilang na mga pahina ng dokumentasyon na kasama ang mga manu-manong gumagamit, sulat tungkol sa pang-araw-araw na operasyon, at mga ulat na isinulat ng pinaka-bihasang empleyado at dating empleyado. Ang resulta ay ang paglikha ng mga matalinong digital na katulong na nakapagbibigay ng kapaki-pakinabang na pananaw sa totoong oras sa mga bagong empleyado, mabilis na pagsusuri sa mga materyal na pagpipilian para sa mga kumpanya ng pagmamanupaktura, at tulungan ang bawat miyembro ng koponan na gumawa ng anumang may-katuturang desisyon sa lugar. Makakatulong ito sa mga empleyado na maging mas produktibo sa pamamagitan ng paggugol ng mas maraming oras sa pagsasagawa ng kanilang mga trabaho, at mas kaunting oras sa pag-isip ng mga detalye.
Mga Platform ng Serbisyo para sa Self-Service
Ang data ay maaaring maging isang mapagkakatiwalaang pag-aari kahit na ang isang kumpanya ay hindi pagmamay-ari ng data na iyon o bumubuo nito. Ang kumplikadong modelo ng negosyo na ito ay ginagamit upang magbigay ng mga samahan na kailangan upang kunin ang kapaki-pakinabang na impormasyon mula sa kanilang madiskarteng data na may mga platform na batay sa cloud, serbisyo sa self-service. Ang mga platform na ito ay pinalakas ng mga algorithm na pinagsama-sama, pagyamanin at pag-aralan ang kanilang data para sa iba't ibang mga layunin - tulad ng pagdaragdag ng kahusayan ng mga makina sa pagmamanupaktura ng mga implant at pagbawas ng kanilang mga gastos sa pamamagitan ng hanggang sa 68% - o mapahusay ang pamamahala ng mga kumplikadong sistema, mga network, kapangyarihan halaman, atbp Kadalasan, pinagsama ng mga platform na ito ang mga kakayahan ng ML na may data ng pagputol ng sensor na sensor upang mapagbuti ang kanilang kakayahan upang mahulaan at mabigo ang mga pagkabigo sa sarili, awtomatiko at ma-optimize ang mga gawain sa pagpapatakbo, at bawasan ang mga downtime ng hanggang sa 40%. (Hindi pa rin ipinatupad ng lahat ang ML. Alamin kung bakit sa 4 na mga Roadblocks na Ay Nakakagambala na Pag-ampon ng Learning sa Machine.)
Iwasan ang Panloloko ng Advertising
Maraming mga kumpanya na hindi kayang magbayad ng mga koponan sa pagmemerkado ng in-house ay dapat umasa sa mga nagbebenta ng third party upang mabigyan sila ng mga bagong lead at prospect. Gayunpaman, sa edad ng digital na pandaraya, hindi lahat ng nagbebenta ay malinaw tulad ng nararapat. Upang maling ipasok ang bilang ng mga customer na naabot, ang ilang mga hindi gaanong scrupulous na ahensya ng advertising ay nagbebenta ng maling mga profile sa lipunan na nagbibigay ng maling mga pagsusuri, puna at pakikipag-ugnay sa social media, o mga bot na patuloy na nagda-download ng apps, software, at mobile / online na mga laro. Gayunpaman, ang mga ito ay hindi live na mga gumagamit - hindi lamang sila ay hindi kailanman magbabayad para sa anumang serbisyo, ngunit maaari rin silang malito sa mga totoong tao, at bibigyan ng kanilang potensyal na malaking bilang, ang mga nangunguna sa organisasyon na bumubuo ng isang maling persona ng gumagamit. Ang mga bot at maling profile ay madaling makita gamit ang pag-aaral ng machine dahil, alam mo, ang mga makina ay mas dalubhasa kaysa sa amin sa pag-alis ng kanilang sariling uri!
Walang Mga bug, Walang Stress - Ang Iyong Hakbang sa Hakbang Patnubay sa Paglikha ng Software na Pagbabago ng Buhay nang Walang Pagsira sa Iyong Buhay
Hindi mo maaaring mapabuti ang iyong mga kasanayan sa pag-programming kapag walang nagmamalasakit sa kalidad ng software.
Pangwakas na Kaisipan
Dapat mayroong isang dahilan (marahil higit sa isa) kung ngayon, 68% ng mga kumpanya ang nagpatibay ng pag-aaral ng makina upang mapahusay ang mga proseso. Yaong mga naunawaan ang buong potensyal ng algorithm ng pamamahala ng data at pamamahala ng data ay nakakita ng kanilang pagtaas ng paglago ng 43% higit sa mga hindi. Ang isang bagong merkado para sa data at pananaw ay naipanganak na, at ang pag-aaral ng makina ay ang "refinery" na ginagawang mas mahalaga at madaling gawing pera ang mapagkukunang ito.