通過機器學習將數據轉化為可操作見解
我們都知道，現在業務受數據驅動。隨著數據收集的興起，分析已成為業務價值的最大驅動力之一。但是，分析程序取決于底層工作流程。
盡管企業正在收集比以往更多的數據，但很多企業仍在努力弄清楚如何處理數據。企業需要使用可操作見解來制定決策，但是什么是可操作見解，以及如何精確地使用數據來創建見解呢?
什么是可操作見解?
可操作見解是基于原始數據分析的流程。例如，業務領導者可以在平臺上跟蹤客戶的行為，該行為可以表明他們對產品的看法。這些數據點被輸入到分析平臺，用戶可以從中得出結論。
業務領導者可能會注意到，客戶不太喜歡過去流行的產品功能，而是在尋求新功能或增強功能。社交媒體聆聽策略還有助于收集原始數據，并將其轉化為可操作見解。
每個行業都可以利用可操作見解。分析提供商Sisense的開發人員平臺負責人Eitan Sofer表示：“通過分析和人工智能所產生的可操作見解不再是奢侈品，而是提高競爭力的必要條件。”
信息本身并不是可操作見解。如果企業收到的信息使利益相關者能夠直接做出決策、修改當前流程或全面調整，那么這就是可操作見解。
現在，分析平臺依靠AI和機器學習(ML)算法來獲得可操作見解。例如，金融公司可以使用ML算法來快速評估貸款申請人的信譽，并向人工代理提供批準或拒絕貸款的建議。
盡管人員仍然可以自行決定流程，但該算法使他們的工作更輕松更高效。
準備數據用于分析：結構化和非結構化數據
雖然機器學習算法提供深刻的見解，但它們完全依賴于在學習和成熟階段所接收的數據。
Sofer說：“分析人員必須處理結構化和非結構化數據，才能獲得最佳結果。”
可操作見解的主要挑戰之一是需要處理結構化和非結構化數據。
分析結構化數據非常簡單。這些數據可以是客戶生成的，也可以是用戶生成的，并以預定義的模板顯示。例如，客戶信息表單是結構化數據的來源，因為它們具有預定義字段供客戶輸入信息。結構化數據存儲在傳統數據庫中，因此高度依賴于架構。
非結構化數據更具挑戰性。這些數據的示例包括原始文本、社交媒體評論、日志文件和通話記錄。非結構化數據需要存儲在NoSQL數據庫或數據湖中，并且是自由格式且不遵循架構。
據估計，非結構化數據占所有可用數據的80%，并且使用功能強大的商業智能(BI)平臺可以簡化將這些數據轉變為可操作見解的過程。連接到多個源的平臺將使導入不同數據和創建高效工作流變得更加容易。
將數據轉化為可操作見解
可操作見解并不是分析平臺可以提供的唯一見解。例如，企業可能會收到業務策略確認，不需要進一步操作。這些見解與可操作見解一樣有價值。
在轉向分析平臺以確定哪些見解可操作和哪些見解不可操作前，重要的是確定業務問題。你正在嘗試解決哪些問題，以及你如何衡量成功?在接受見解有效前，建立數據集的背景信息也很有幫助。
每種數據收集方法都存在偏差。例如，日志文件可能表明客戶在平臺的特定功能上花費大量時間。該公司可能會得出結論，這是最重要的功能，并會對其進行改進。但其實客戶花很多時間可能是由于該功能效率低下或不直觀。
應始終注意收集數據的背景情況。Novotek英國和愛爾蘭董事總經理George Walker表示：“視野狹隘是各個領域的問題，從體育到工業。我們很容易將目標固定在單個目標，而忘退一步來更全面地了解情況–這樣做可以提供對現實情況的寶貴見解和理解。”
在了解數據背景情況后，可構造假設進行測試。很多企業都在測量數據然后在結果中徘徊，以尋找神奇的見解。建立假設并測試其準確性將以更快的速度提供可操作見解。
將見解引入工作流程以協助決策
Sofer說：“以創新的方式對復雜的多維數據參數進行建模，并在工作流中展示這些見解，這將改變每個行業的未來。”
但是，只有利用見解來推動決策，未來才能改變。
很多企業獲得見解，卻忽略采取行動。為了充分利用BI分析平臺，企業必須創建優化計劃。六個西格瑪行動計劃可以幫助將新的想法和發現整合到工作流中，定義問題并衡量當前流程的有效性。
利用BI平臺分析這些問題的根本原因并改進流程。在部署后，衡量并控制新流程的有效性。 將見解集成到工作流中也是文化問題。對員工進行教育，讓他們知道分析可以增加他們的工作，而不是要取代他們。這樣，企業會看到員工在日常業務流程中更多地采用數據驅動見解。
使BI平臺民主化也很重要，這樣每個人(包括業務用戶)都可以運行報告以獲取見解。企業將通過打破此類孤島來成倍增加可操作見解的數量。
不再猜測
通過增加轉換和銷售，可操作見解會直接影響企業基線。更低的客戶流失率將帶來著更高的收入數字，因為企業領導者將更深入地了解推動客戶價值問題的因素。
最大的好處是，企業能夠從預感和“感覺”轉變為使用硬數據來支持決策。業務領導者再也不必胡亂猜測，并希望有新的過程能夠奏效。
創建可操作見解與其他流程相同，它可能是企業整體成功的最重要因素。
