通过机器学习将数据转化为可操作见解

尽管企业正在收集比以往更多的数据，但很多企业仍在努力弄清楚如何处理数据。企业需要使用可操作见解来制定决策，但是什么是可操作见解，以及如何精确地使用数据来创建见解呢?

[[393848]]

什么是可操作见解?

可操作见解是基于原始数据分析的流程。例如，业务领导者可以在平台上跟踪客户的行为，该行为可以表明他们对产品的看法。这些数据点被输入到分析平台，用户可以从中得出结论。

业务领导者可能会注意到，客户不太喜欢过去流行的产品功能，而是在寻求新功能或增强功能。社交媒体聆听策略还有助于收集原始数据，并将其转化为可操作见解。

每个行业都可以利用可操作见解。分析提供商Sisense的开发人员平台负责人Eitan Sofer表示：“通过分析和人工智能所产生的可操作见解不再是奢侈品，而是提高竞争力的必要条件。”

信息本身并不是可操作见解。如果企业收到的信息使利益相关者能够直接做出决策、修改当前流程或全面调整，那么这就是可操作见解。

现在，分析平台依靠AI和机器学习(ML)算法来获得可操作见解。例如，金融公司可以使用ML算法来快速评估贷款申请人的信誉，并向人工代理提供批准或拒绝贷款的建议。

尽管人员仍然可以自行决定流程，但该算法使他们的工作更轻松更高效。

准备数据用于分析：结构化和非结构化数据

虽然机器学习算法提供深刻的见解，但它们完全依赖于在学习和成熟阶段所接收的数据。

Sofer说：“分析人员必须处理结构化和非结构化数据，才能获得最佳结果。”

可操作见解的主要挑战之一是需要处理结构化和非结构化数据。

分析结构化数据非常简单。这些数据可以是客户生成的，也可以是用户生成的，并以预定义的模板显示。例如，客户信息表单是结构化数据的来源，因为它们具有预定义字段供客户输入信息。结构化数据存储在传统数据库中，因此高度依赖于架构。

非结构化数据更具挑战性。这些数据的示例包括原始文本、社交媒体评论、日志文件和通话记录。非结构化数据需要存储在NoSQL数据库或数据湖中，并且是自由格式且不遵循架构。

据估计，非结构化数据占所有可用数据的80%，并且使用功能强大的商业智能(BI)平台可以简化将这些数据转变为可操作见解的过程。连接到多个源的平台将使导入不同数据和创建高效工作流变得更加容易。

将数据转化为可操作见解

可操作见解并不是分析平台可以提供的唯一见解。例如，企业可能会收到业务策略确认，不需要进一步操作。这些见解与可操作见解一样有价值。

在转向分析平台以确定哪些见解可操作和哪些见解不可操作前，重要的是确定业务问题。你正在尝试解决哪些问题，以及你如何衡量成功?在接受见解有效前，建立数据集的背景信息也很有帮助。

每种数据收集方法都存在偏差。例如，日志文件可能表明客户在平台的特定功能上花费大量时间。该公司可能会得出结论，这是最重要的功能，并会对其进行改进。但其实客户花很多时间可能是由于该功能效率低下或不直观。

应始终注意收集数据的背景情况。Novotek英国和爱尔兰董事总经理George Walker表示：“视野狭隘是各个领域的问题，从体育到工业。我们很容易将目标固定在单个目标，而忘退一步来更全面地了解情况–这样做可以提供对现实情况的宝贵见解和理解。”

在了解数据背景情况后，可构造假设进行测试。很多企业都在测量数据然后在结果中徘徊，以寻找神奇的见解。建立假设并测试其准确性将以更快的速度提供可操作见解。

将见解引入工作流程以协助决策

Sofer说：“以创新的方式对复杂的多维数据参数进行建模，并在工作流中展示这些见解，这将改变每个行业的未来。”

但是，只有利用见解来推动决策，未来才能改变。

很多企业获得见解，却忽略采取行动。为了充分利用BI分析平台，企业必须创建优化计划。六个西格玛行动计划可以帮助将新的想法和发现整合到工作流中，定义问题并衡量当前流程的有效性。

利用BI平台分析这些问题的根本原因并改进流程。在部署后，衡量并控制新流程的有效性。 将见解集成到工作流中也是文化问题。对员工进行教育，让他们知道分析可以增加他们的工作，而不是要取代他们。这样，企业会看到员工在日常业务流程中更多地采用数据驱动见解。

使BI平台民主化也很重要，这样每个人(包括业务用户)都可以运行报告以获取见解。企业将通过打破此类孤岛来成倍增加可操作见解的数量。

不再猜测

通过增加转换和销售，可操作见解会直接影响企业基线。更低的客户流失率将带来着更高的收入数字，因为企业领导者将更深入地了解推动客户价值问题的因素。

最大的好处是，企业能够从预感和“感觉”转变为使用硬数据来支持决策。业务领导者再也不必胡乱猜测，并希望有新的过程能够奏效。

创建可操作见解与其他流程相同，它可能是企业整体成功的最重要因素。