通过机器学习将数据货币化的重要提示


大数据总是被描述为极其宝贵的资源,可以为任何繁荣的企业提供动力,为组织提供可操作的见解,商业机会和优越的利润 。就像原油在被转化为有价值和有用的资源之前必须进行精炼一样,然而,必须先通过人工智能(AI)和机器学习(ML)来消化数据 。从利用它来提高组织运营的效率到利用它来创造新的收入流,业务数据可以通过许多不同的方式货币化 。
正如Mercator Advisory Group的支付创新副总裁Tim Sloane所解释的那样,“数据货币化就是利用你通过新渠道获得的数据 。”让我们看一些具体的例子,不要浪费任何时间 。因为时间就是金钱,我的朋友!
向第三方出售匿名客户数据
匿名(即,被剥夺任何敏感信息)或合成的客户数据(即略微修改,因此它仍然100%具有统计相关性,但无法追溯到原始客户)可以出售给需要它的其他公司 。分析产品的形式 。汇总的,预先消化的数据可以货币化,因为它可能拥有超出其原始用途的价值,并可能创建新的收入流 。例如,购物中心可能想要知道视频游戏爱好者在购买之后喜欢哪种类型的食物,以便特定的快餐摊位可以放置在与游戏商店相同的区域中 。或者电信公司可以出售可用于计划更高效的客户地理位置数据“智慧城市”技术解决方案 。
提高营销效率
为公司提供持续不断的新客户是必要的 。这就是为什么营销几乎总是任何现代企业预算中最昂贵的支出项目之一 。机器学习可用于理解大量营销数据,提高效率并降低成本 。算法可用于根据用户的个人偏好推荐进一步观看视频或阅读文章,增加在网站或平台上花费的时间,或吸引更多潜在客户的注意力 。可以通过情绪分析来预测一段内容的流行度,从而帮助缩小您想要排列的内容类型 。(有关商业AI的更多信息,请参阅人工智能将如何彻底改变销售行业 。)
改进的用户分析
充分了解公司客户的行为对于从中挤出更多资金至关重要 。从用户数据中提取可操作的见解是大数据分析的基础,而ML可以将此过程提升到新的水平 。可以设置客户流失预测模型来分析客户行为,并了解最有可能在短时间内停止使用您产品的人员 。采取适当的措施来保留它们(例如,通过完全自动化的CRM由于收购成本高达保留成本的五倍,因此节省了大量资金 。客户终生价值(CLTV)模型还可用于确定哪些用户角色更有可能通过从他们的习惯中提取有用数据来在您的产品上花钱 。这有助于公司只将精力集中在可以产生相关收入的潜在客户身上 。
洞察力和建议即服务
公司通常需要依靠其最老,最熟练的员工的专业知识来执行最困难的任务 。组织的高级劳动力是一项关键资产,当这些有经验的工人最终退休时,他们的知识和技能难以转移 。然而,一些公司已经使用人工智能来消化无数页面的文档,其中包括用户手册,日常操作的通信以及最熟练的员工和前员工编写的报告 。结果是创造了智能数字助理能够为新员工提供实时有用的见解,快速分析制造公司的材料选择,并帮助每个团队成员在现场做出任何相关决策 。这可以通过花更多的时间完成工作来帮助员工提高工作效率,减少计算细节的时间 。
自助分析平台
即使公司不是该数据的专有权也不能生成数据,数据也可以转化为可货币化的资产 。这种复杂的业务模型用于为需要通过基于云的自助式分析平台从其战略数据中提取有用信息的组织提供支持 。这些平台由算法提供支持,这些算法可以汇总,丰富和分析数据,用于各种目的 - 例如提高制造植入物中机器的效率,降低成本高达68% - 或者增强复杂系统,网络的管理,通常,这些平台将ML的功能与尖端传感器数据相结合,以提高其预测和自我修复故障的能力,自动化和优化运营任务,并减少停机时间高达40% 。(并不是每个人都已经实施了ML 。在4个阻碍机器学习的路障中找出原因 。)
避免广告欺诈
许多无法负担内部营销团队的公司必须依靠第三方供应商为他们提供新的潜在客户和潜在客户 。然而,在数字欺诈时代,并非每个卖家都应该如此透明 。为了虚假地夸大所达到的客户数量,一些不那么谨慎的广告代理商出售虚假的社交档案,在社交媒体或机器人上提供虚假的评论,评论和互动不断下载应用程序,软件和手机/在线游戏 。然而,这些不是现场用户 - 他们不仅不会为任何服务付费,而且他们也可能与真实的人混淆,并且考虑到他们潜在的大量,导致组织形成虚假的用户角色 。使用机器学习可以轻松检测机器人和虚假配置文件,因为您知道,机器在检测自己的类型时比我们更专业!
最后的想法
应该有一个原因(可能不止一个)如果今天有68%的公司采用机器学习来改进流程 。那些了解算法驱动的数据管理和数据治理的全部潜力的人看到他们的增长比那些没有增长43%的人增长了 。数据和见解的新市场已经诞生,机器学习是“炼油厂”,使这种资源更有价值,更容易货币化 。
【通过机器学习将数据货币化的重要提示】

    推荐阅读