Дані, дані повсюдно – але як ви знаєте, що ваша модель штучного інтелекту отримує правильні дані?

Дані можуть створюватися однаково, але не всі дані однакові. Організації B2B, які шукають клієнтів для своїх товарів і послуг, повинні розробити методи, які дозволять їм “розрізняти” дані, що входять до їхніх моделей штучного інтелекту, щоб забезпечити, щоб ці моделі надавали інформацію та знання, необхідні для досягнення їхніх цілей. Для цього вони повинні зосередитися на створенні моделей, які максимально використовують власні, пропрієтарні дані – дані, зібрані з комунікацій з клієнтами, звітів про продажі та маркетингу, відповідей на кампанії та десятків інших метрик.

Хоча традиційні стратегії виходу на ринок, маркетингу та продажів працюють досить добре, організації, які бажають випередити конкурентів, все частіше переходять на використання штучного інтелекту. З хорошою моделлю штучного інтелекту клієнтів і ринку компанії можуть розробити набагато більш ефективні маркетингові та продажеві плани та зусилля – оскільки алгоритми штучного інтелекту можуть набагато ефективніше та швидше аналізувати тисячі даних, які допоможуть організаціям розробити більш ефективні стратегії.

Якість даних – дані, які справді відображають ринки та потенційну клієнтську базу організації, – є ключовим інгредієнтом тут. З правильними даними компанії можуть швидко та ефективно розробити ефективні маркетингові стратегії, визначити, на які ринки вони повинні зосередитися, та розробити потужні стратегії для досягнення найбільш кваліфікованих клієнтів. “Погані” дані, з іншого боку, не допоможуть організаціям досягнути цих цілей – і можуть навіть бути причиною великих втрат.

Хоча забезпечення якості даних є важливим для будь-якої організації, яка використовує моделі штучного інтелекту, це особливо важливо для компаній, які тільки починають використовувати штучний інтелект – компаній, які борються за імплементацію моделей штучного інтелекту, збираючи дані з публічних та пропрієтарних джерел. Які джерела вони повинні використовувати? Як вони можуть визначити, що дані, які вони отримують, допоможуть їм розробити найбільш ефективну модель? Як вони можуть відокремити корисні дані від некорисних? Враховуючи, що до 85% проектів штучного інтелекту закінчуються невдачею – багато з них через погані дані – ці питання є дуже важливими для організацій, які повинні серйозно поставитися до них перед початком свого шляху у сфері штучного інтелекту.

Є кілька шляхів, які організація може вибрати для поповнення своєї моделі штучного інтелекту даними, серед них – укладення контракту з фірмою, яка постачатиме дані з великих публічних та пропрієтарних баз даних про галузь, потенційних клієнтів, конкурентів, тенденції та іншу інформацію; фактично наповнення моделі даними, наданими цими фірмами, що дозволить організаціям швидко рухатися вперед зі штучним інтелектом. Це спокусливо, але для багатьох організацій це, ймовірно, буде помилкою; хоча багато даних, постачуваних цими фірмами, буде корисним, там, ймовірно, буде достатньо неточних даних, щоб спотворити модель штучного інтелекту даними, які є неважливими або навіть шкідливими для організаційних цілей. Крім того, спільне використання моделі штучного інтелекту з третьою стороною може становити ризик для безпеки.

Кращим шляхом для організацій може бути використання зовнішніх джерел для “більших картин” промислових та економічних даних – але використання власних внутрішніх, перших даних для конкретної інформації про клієнтів, їхніх конкретних ринків, конкурентів та іншу інформацію. Такі дані відображають саме ринок та клієнтську базу, яку організація намагається досягнути – оскільки вони засновані на даних, отриманих з комунікацій саме з цими клієнтами. Навіть молоді організації мають більше даних, ніж вони думають; електронні повідомлення, телефонні дзвінки, дані миттєвого обміну повідомленнями та інші комунікації можуть бути використані для отримання інформації про ринки, клієнтів, тенденції, фінансовий стан клієнтів, моделі покупок, переваги та іншу інформацію. Базуючись на цих даних, організації можуть допомогти підвищити точність своїх алгоритмів штучного інтелекту.

Системи управління відносинами з клієнтами (CRM) організації можуть давати цінні дані, з кожної транзакції, успішної чи ні, оцінюється для отримання інформації про те, як клієнти взаємодіють з продуктами та послугами, які підходи (повідомлення, електронна пошта, телефон тощо) найімовірніше призведуть до успіху, що клієнти подобалося або не подобалося в продуктах/маркетингу/підході організації, та іншу інформацію. Ці дані аналізуються просунутими алгоритмами для визначення найкращого способу досягнення потенційних клієнтів та ринків; що вони найімовірніше відповідають, наприклад, повідомленням про якість чи зниження витрат; який метод виходу на зв’язок (електронна пошта, телефонний дзвінок) вони найімовірніше відповідають; які рішенняmakers найімовірніше відповідають позитивно; та іншу інформацію.

Телефонні дзвінки, наприклад, можуть бути проаналізовані на предмет таких речей, як настрій клієнта, ключові слова, ознаки майбутніх планів клієнта, реакції на пропозиції, зацікавленість щодо конкретних ідей чи пропозицій, загальний інтерес (на основі, серед іншого, тривалості дзвінка) та іншу інформацію. Електронна пошта, повідомлення в соціальних мережах, взаємодія на сайті, зустрічі на виставках та заходах та будь-який інший метод, який організація використовує для виходу на зв’язок з клієнтами, можуть бути аналогічно проаналізовані. Результатом є скарбниця найбільш точних та актуальних даних – оскільки вони походять від клієнтів та ринків організації.

Після побудови цієї високоточної бази організація може розширити сферу свого моделі, використовуючи зовнішні джерела даних, які алгоритми та агенти системи штучного інтелекту будуть перевіряти проти базових даних. Якщо дані третіх сторін сумісні з даними про клієнтів організації, ринки, цілі, економічні умови та загальну стратегію, ці дані можуть бути включені до моделі, підвищуючи її ефективність. Якщо ці дані не збігаються або не підтримують дані, отримані з CRM, які вже перебувають у володінні організації – дані про фактичних клієнтів та ринки – вони відхиляються, і модель штучного інтелекту зберігає свою цілісність.

Це ефективна стратегія для всіх організацій – і, можливо, навіть більше для малих чи молодих організацій, які можуть використовувати свої CRM та дані клієнтів для побудови ефективної моделі штучного інтелекту з самого початку, без необхідності видалення застарілих даних, які можуть більше не бути актуальними для цілей організації. І з цією меншою, але більш гнучкою моделлю організації можуть набагато швидше та ефективніше визначити, наскільки ефективними є їхні зусилля зі штучним інтелектом; якщо рівень відповідей на їхні кампанії та зусилля не такий високий, як вони очікували, вони можуть використовувати свою систему штучного інтелекту для швидкого визначення необхідних коректив.

Якщо все зробити правильно, системи штучного інтелекту можуть допомогти організаціям зберегти час, гроші та зусилля – допомагаючи їм розробляти та створювати кампанії, підходи, презентації, дослідження та виходи на зв’язок, які дозволять їм чітко висловити, що вони роблять та чому клієнти повинні робити бізнес з ними. Штучний інтелект може допомогти організаціям забезпечити, щоб їхні повідомлення були спрямовані безпосередньо на клієнтів з найбільшою цінністю, які найімовірніше будуть зацікавлені в тому, що вони пропонують. І штучний інтелект може допомогти організації швидко змінити напрямок або розширити свою діяльність на нові ринки, забезпечуючи, щоб вони повністю використовували свій потенціал. Але магія штучного інтелекту побудована на якості даних, які використовуються алгоритмами – і, залишаючись якомога ближче до своїх “вирощених” даних, організації зможуть побудувати найбільш ефективну модель даних штучного інтелекту.