Velká data: zkoumání rozdílu mezi proroctvím a vnímáním.

Moudrostí Gemmy

Jak společnosti rostou a rozšiřují svou sféru vlivu z jednoho regionu do druhého prostřednictvím digitální ekonomiky na celém světě, jsou méně personalizovány uživatelskými daty. Co se běžně nazývá „tmavá data“. Jednoduše řečeno, je snadné si zapamatovat, že pan Jenkins miluje cukr ve svém čaji, když je jedním z dvaceti zákazníků, které každý den vidí, ale zdá se nemožné udržovat osobní pozornost a zároveň sloužit milionům uživatelů.

Nedávno, s rychlým rozvojem datových technologií Big Data, začínáme znovu získávat část naší osobní péče a pozornosti. Nástroje, jako je AI, mají strávit nepřerušené, poškozené datové soubory a porozumět jejich významu. Petabajty temných dat nyní začaly obohacovat profily zákazníků a vytvářet smysluplnou personalizaci, podstatu inteligentního zákaznického zážitku. Dny anonymního poskytování informací o interakcích mezi každým uživatelem produktu nebo služby, takže celková hmotnost byla tak složitá a takřka zbytečná.

Nedávno časopis Forbes Fani Nagarjuna, hlavní analytik Sutherlandu, hovořil o velkých problémech, které Big Data způsobí. Mezi další aspekty tohoto přechodu od temných dat se zaměřuje na důležitost prediktivních a normativních konceptů a použití tohoto konceptu v reálném čase.

Například v procesu reklamy se prediktivní nástroje používají k doručování cílených zpráv, když je uživatel ochoten reagovat. Analytici používají analytiku k předpovídání období vysokého využití v telekomunikačním průmyslu, takže na internet lze nasadit další zařízení a čekat na nejdelší potřebnou dobu. Maloobchodníci jej používají k zachování úrovně zásob, aby předpovídali, kdy může být produkt nejvyšší. Kromě těchto typů efektivity vidíme technologii dodavatele Sutherlandu, kterou nedávno používají analytici a technologie AI, a také klienty vytvářející příjmy, kteří svým zákazníkům poskytují osobní obchody. % ročního růstu tržeb.

Množství dat, které mohou společnosti shromažďovat, když mají více kanálů ke sběru (přemýšlejte o připojeném domě, internetu věcí a distribuci digitálních asistenčních zařízení, jako je Alexa doma) exponenciální sazby budou i nadále růst. V tomto scénáři budou moderní nástroje, jako je prediktivní analýza, ústřední pro to, aby se nevracaly do starých špatných dnů.

Ale jak Nagarjuna zdůrazňuje: „Musíte být chytřejší než vaše data.“ Prediktivní analytické limity, jako jsou staré dny webových metrik a nastavení souborů cookie pro sledování chování uživatelů při cílené reklamě, jsou určeny způsoby, jakými jsou data inženýrů lidí. To znamená, že pokrok v oblasti inteligentní analýzy dat povede ke zvýšení výzkumu služeb a výzkumu designu a antropologie. Čísla vypráví příběh, ale lidé píšou scénář. Spojením lidské sympatie v designu mohou společnosti aplikovat holistické porozumění chování, zájmům a zvyklostem uživatelů, kteří poskytují analytický úspěch.

Spojením lidské sympatie v designu mohou společnosti aplikovat holistické porozumění chování, zájmům a zvyklostem uživatelů, kteří poskytují analytický úspěch.

To je zajímavé. Velká data poskytla podnikatelskému světu možnost formulovat příběh, který popisuje a předpovídá trendy a crowdsourcing. Komplexní, prediktivní systémy vytvořily tento velký obraz, včetně nástrojů pro předpovídání chování jednotlivců. V obou případech však lidské dovednosti ve výzkumu a učení života zákazníků určují rozdíl mezi těmito působivými poznatky a informacemi, které poskytují bílé šepoty. Takže když paní Jenkinsová objedná mrkvový dort s nízkým obsahem cukru, systém může navrhnout, abyste si v čaji nechali cukr a místo toho našli sirup Agave. Nezapomeňte jí říct, že její nová strava pro ni funguje velmi dobře, aby se ujistila, že je zpět ...

Postupujte podle našich tří největších tipů na zpracování dat v hlavním blogu Phani Nagarjuny.