Hoewel sommige van de meest invloedrijke AI-tools voor bedrijven nog in ontwikkeling zijn, kan je bedrijf nu al deze belangrijke stappen nemen om je datahouse op orde te krijgen.
“Waar blijft mijn bestelling?”
Het is het soort vraag waar bedrijven steeds vaker kunstmatige intelligentie (AI) voor gebruiken om snel een antwoord te geven. Maar denk eens aan deze twee mogelijke, door AI gegenereerde reacties die je agent naar deze klant zou kunnen sturen:
Reactie 1:
Bedankt voor je vraag. Wat is je naam, e-mailadres en ordernummer? Waar heb je je bestelling geplaatst?
Reactie 2:
Robin, bedankt dat je een Gold Level-loyaliteitslid bent! Hoe kan ik helpen? Is er een probleem met de mok in je winkelwagen, de boodschappentas die je momenteel bekijkt op onze website, of iets anders?
Er is een enorm verschil in het gevoel dat deze antwoorden je klant geven en de verbondenheid die je met ze hebt. En dat verschil komt neer op data.
Het data-verschil
Generatieve AI belooft de manier waarop je je klantrelaties beheert aanzienlijk te veranderen, maar hiervoor zijn data nodig die nauwkeurig, actueel, toegankelijk en volledig zijn.
- Dit wordt datacentrische AI genoemd en is gebaseerd op het idee dat AI-systemen alleen worden ontwikkeld met behulp van kwalitatief hoogwaardige data.
- Het vereist ook dat bedrijven een gekoppeld en actueel beeld hebben van de activiteiten van klanten.
Formule 1 stuwt klanttevredenheid naar 88% door te zorgen dat elke seconde telt
De klantdata staan nu op één plek, waardoor het bedrijf persoonlijke interacties kan verbinden met digitale interacties om de juiste inzichten te verkrijgen en fans op het juiste moment te bereiken.
De Trailblazer-blik
“Je hebt misschien wel data beschikbaar, maar zijn die actueel, gezaghebbend en volledig?” aldus Carl Brundage, een gecertificeerd technisch architect gespecialiseerd in data en analyse bij Odaseva. “Zo niet, dan heb je misschien geen volledig beeld van je klant.”
- Het volledige beeld hebben – weten wat, wanneer, waarom en hoe je klant iets doet – is de sleutel tot het toevoegen van waardevolle context aan AI.
Wat je bedrijf nu kan doen
Hoewel sommige van de meest invloedrijke AI-tools voor bedrijven nog in ontwikkeling zijn, kan je bedrijf nu al deze belangrijke stappen nemen om je datahouse op orde te krijgen:
- Zorg dat je data van goede kwaliteit zijn. Verwijder duplicaten, uitschieters, fouten en andere zaken die je besluitvorming negatief kunnen beïnvloeden.
Verbind je databronnen – marketing, verkoop, service, commerce – tot één datarecord, dat in realtime wordt bijgewerkt, zodat de AI de beste aanbevelingen kan doen.
Leg de basis voor datagerichte AI
Klantdata vormen de kern van het leveren van geweldige ervaringen. Je data hoeven niet perfect te zijn om een effectief AI-programma te bouwen, maar ze moeten wel schoon zijn. Dat betekent vrij van fouten, onjuiste formats, duplicaten of verkeerde labels.
De data-experts van Tableau bieden deze stappen voor het opschonen van je data, een belangrijke eerste stap in het samenvoegen van datasets voor AI-projecten:
Verwijder dubbele of irrelevante waarnemingen
Dubbele waarnemingen ontstaan wanneer je datasets van meerdere plaatsen combineert. Irrelevante waarnemingen ontstaan wanneer data (bijvoorbeeld over oudere consumenten) niet passen in een probleem dat je probeert te analyseren (bijvoorbeeld het winkelgedrag van millennials). Als je deze verwijdert, worden analyses efficiënter, nuttiger en nauwkeuriger voor een AI-systeem.
Herstel structurele fouten
Dit gebeurt wanneer data typefouten, onjuist hoofdlettergebruik of verkeerde labels bevatten. ‘N.v.t.’ en ‘niet van toepassing’ betekenen bijvoorbeeld hetzelfde, maar worden niet op dezelfde manier geanalyseerd omdat ze anders worden gerenderd. De invoer moet consistent zijn voor een nauwkeurige en volledige analyse door het AI-systeem.
Filter ongewenste uitschieter
Er zijn vaak eenmalige waarnemingen die niet lijken te kloppen met de data die je analyseert. Dit kan het resultaat zijn van onjuiste data-invoer (die verwijderd moeten worden), maar soms helpt de uitschieter een theorie waaraan je werkt te bewijzen. Er is in elk geval analyse nodig om de geldigheid vast te stellen.
Los het probleem van ontbrekende data op
Ontbrekende of onvolledige data zijn een veelvoorkomend probleem in datasets en kunnen de nauwkeurigheid van AI-modellen verminderen. Je kunt dit op een paar manieren oplossen:
- Elimineer waarnemingen met ontbrekende waarden. Dit leidt echter wel tot verloren informatie.
- Voer ontbrekende waarden in op basis van andere waarnemingen. Maar je kunt data-integriteit verliezen omdat je uitgaat van aannames en niet van werkelijke waarnemingen
- Onderzoek de manier waarop de data worden gebruikt, om effectief door de ontbrekende waarden te navigeren.
Valideer
Na het opschonen van de data zou je deze vragen moeten kunnen beantwoorden:
- Kloppen de data?
- Volgen de data de juiste regels voor het veld?
- Bewijzen of weerleggen de data je theorie of bieden ze inzichten?
- Kun je trends ontdekken die helpen om de volgende theorie te onderbouwen? Zo niet, komt dat dan door aanhoudende problemen met de datakwaliteit?
Datacentrische AI + CRM = ijzersterke combinatie
AI is al begonnen met het transformeren van CRM en de manier waarop bedrijven contact houden met hun klanten en ze van dienst zijn. AI is nutteloos zonder goede data die geïntegreerd, nauwkeurig en realtime zijn. Tegelijkertijd is het onmogelijk om die bergen aan data te begrijpen zonder AI.
De winnende aanpak is het combineren van beide praktijken. Hierdoor kun je trends, uitdagingen en kansen in alle bedrijfsonderdelen identificeren en voorzien, en je klanten beter van dienst zijn.
Een eenduidig klantprofiel, mogelijk gemaakt door Data Cloud, geeft je een uitgebreid beeld van je gebruikers, of het nu bezoekers, klanten, prospects of abonnees zijn. Van oudsher zitten marketingdata opgesloten in marketingsystemen, servicedata in servicesystemen etcetera, waardoor je geen volledig beeld krijgt van de activiteiten van je klant.
“Er is absoluut behoefte aan een betrouwbaar eenduidig klantprofiel, op één plek en in realtime bijgewerkt”, aldus Brundage. “Iets wat je vorige maand hebt gedaan, kun je deze maand anders doen op basis van de data. En als je verouderde data hebt, is dat wat AI zal gebruiken.”
Er is een beroemde piramide die de hiërarchie van kennismanagement laat zien. Data staat onderaan en vertegenwoordigt alles wat we verzamelen, daarna komt informatie, dan kennis, en tot slot wijsheid, wat bovenaan staat.
Data en informatie bieden weinig context of geven geen antwoord op het ‘waarom’ van iets. Maar met geïntegreerde, realtime data aangevuld met AI kun je patronen zien, trends voorspellen en verbanden leggen tussen dingen die op het eerste gezicht misschien niet bij elkaar lijken te horen.
“Kennis is weten dat een tomaat een vrucht is”, zei Brundage. “Wijsheid is weten dat een tomaat niet in een fruitsalade gaat.”
