بینش عملی (actionable insights) چیست؟

بینش‌ عملی، نتایجی هستند که از داده‌ها به دست می‌آیند که می‌توانند مستقیماً به یک اقدام یا پاسخ تبدیل شوند. داده هایی که به بینش ها اطلاع می دهند می توانند ساختاریافته یا بدون ساختار، کمی یا کیفی باشند. در حالی که بینش های عملی انگیزه یک عمل را فراهم می کند، افراد یا فرآیندهایی برای اجرای اقدامات مورد نیاز هستند.

بینش عملی (actionable insights) چیست

بینش‌های عملی از یک یا چند نفر که داده‌های خام را تجزیه و تحلیل می‌کنند به وجود می‌آیند. هنگامی که مقادیر زیادی از داده های ساختاریافته و بدون ساختار درگیر باشد، بینش های عملی را می توان از داده های بزرگ به دست آورد.

در حالی که برخی از بینش‌های عملی می‌توانند مستقیماً از داده‌ها ناشی شوند، تجزیه و تحلیل باید در برخی موارد برای اطلاع از اقدامات لازم اعمال شود. داده ها می توانند تصویری از آنچه اتفاق افتاده را ترسیم کنند، اما داده های مرتبط – یا تجزیه و تحلیل انجام شده توسط یک انسان – می تواند برای توضیح علت وقوع آن مورد نیاز باشد. اغلب این «چرا» (در مقابل «چی») است که بینش را عملی می کند.

هر کسی می تواند از بینش های عملی استفاده کند. در یک محیط تجاری، مدیران می توانند از بینش های عملی برای بهبود محصولات، خدمات، فرهنگ شرکت، روحیه کارکنان یا حفظ کارکنان استفاده کنند. داده ها برای اطلاع از این بینش ها می تواند از کارمندان، مشتریان یا شرکا باشد. همه بخش‌ها در یک سازمان می‌توانند از بینش‌های عملی برای ایجاد تغییرات و بهبودها از جمله مهندسی، فروش، بازاریابی، مالی، حقوقی، عملیات و مدیریت اجرایی استفاده کنند.

بینش های عملی باید در امکان سنجی اقدام مربوطه نقش داشته باشند. اگر فعالیت پیشنهادی غیرعملی یا غیرممکن باشد، یک بینش عملی بی فایده است. برای مثال، بینشی از مصاحبه‌های مشتریان ممکن است این باشد که 60 درصد از مشتریان مایل به بازدید از ماه هستند. این بینش عملی نیست زیرا شرکت هیچ ابزاری برای تحقق آن ندارد.

چگونه بینش عملی بدست آوریم

برای ایجاد بینش عملی، شرکت ها به زیرساختی برای پشتیبانی از جمع آوری داده ها و مدیریت داده ها نیاز دارند. شرکت ها همچنین به ابزاری برای تجزیه و تحلیل داده ها برای استخراج معنی نیاز دارند.

زیر ساخت

بینش عملی از داده ها به دست می آید. شرکت‌ها برای جمع‌آوری، ذخیره، سازماندهی و تجزیه و تحلیل داده‌های خود به پشتیبانی داخلی IT یا پشتیبانی از یک فروشنده شخص ثالث نیاز دارند. ارائه‌دهنده زیرساخت، چه داخلی و چه خارجی، باید حجم رو به رشدی از داده‌ها را پشتیبانی کند. برای مثال، استخراج بینش از داده‌های اینترنت اشیا، داده‌های رسانه‌های اجتماعی یا دارایی‌های چندرسانه‌ای ممکن است به ترابایت فضای ذخیره‌سازی در روز یا در هفته نیاز داشته باشد.

کیفیت داده

بینش های عملی از قانون “زباله داخل، زباله بیرون” پیروی می کنند. اگر داده‌های مورد تجزیه و تحلیل ناقص، نامعتبر یا نامربوط باشند، بینش‌های حاصله ناقص خواهند بود. شرکت ها می توانند فرآیندهای تضمین کیفیت را برای آزمایش و تأیید صحت داده ها قبل از وارد شدن به مخزن یا پایگاه داده ایجاد کنند. ممیزی های معمولی نیز می توانند پس از وارد شدن داده ها انجام شوند.

یکپارچه سازی داده ها (به عنوان مثال، شکستن سیلوها)

سیلوهای داده می توانند از دیدن تصویر کامل توسط شرکت ها جلوگیری کنند. قرار گرفتن داده‌ها در پایگاه‌های اطلاعاتی مجزا و بسته مانع از دید 360 درجه‌ای شرکت‌ها از مشتریان خود می‌شود. یک بررسی مثبت برای یک سرویس ممکن است یک بررسی تند (از همان مشتری) را برای یک سرویس متفاوت پنهان کند — یکی که در پایگاه داده ای ذخیره شده است که ارتباط آن با اولی قطع شده است.

زمانی که تمام داده های مرتبط برای تجزیه و تحلیل گرد هم آیند، بینش های عملی مؤثرتر هستند. برای مثال، یک بانک ممکن است داده‌های تعامل وب‌سایت مشتری را با داده‌های آفلاین همان مشتریان، مانند بازدید از شعبه و تراکنش‌های خودپرداز، ادغام کند.

تبلیغ کنید و بشارت دهید

در سازمان های بزرگتر، مدیران و کارمندان ممکن است از وجود مخازن داده های کلیدی یا پایگاه داده آگاه نباشند. از طرف دیگر، آنها ممکن است از وجود خود آگاه باشند، اما از نحوه استفاده از داده ها بی اطلاع باشند. شرکت‌ها می‌توانند با انتشار و تبلیغ سیستم‌ها، ابزارها و گزارش‌های موجود، بینش عملی‌تری را از داده‌های خود ایجاد کنند. شرکت ها می توانند آموزش هایی را در سطح شرکت در مورد ابزارهای موجود برگزار کنند یا جلسات آموزشی دپارتمان یا فردی برگزار کنند.

تحلیل و بررسی

بینش عملی زمانی اتفاق می‌افتد که انسان داده‌ها را برای تعیین یک عمل یا مجموعه‌ای از اقدامات تجزیه و تحلیل می‌کند. داده‌ها، مانند مجموعه‌ای از گزارش‌ها یا داشبورد، «چی» را ارائه می‌کنند، در حالی که بینش‌ها از تجزیه و تحلیل آن داده‌ها یا «چرا» به دست می‌آیند. بینشی که به یک عمل منتهی می شود، ارزشمندتر از بینشی است که به سادگی به یک سوال پاسخ می دهد. علاوه بر این، اقدامات خاص مؤثرتر از اقدامات عمومی هستند. به عنوان مثال، اقدام «استخدام دو مهندس نرم افزار در غرب میانه» بهتر از «استخدام مهندسان نرم افزار بیشتر» است.

نمونه های بینش عملی

بینش عملی را می توان از بازخورد مشتری ایجاد کرد. اگر مشتریان یک محصول نرم افزاری اظهار کنند که یک پیشنهاد رقابتی را ترجیح می دهند زیرا سرعت آن دو برابر است، در این صورت می توان مستقیماً یک بینش عملی مانند نیاز به بهبود سرعت نرم افزار ایجاد کرد. در این سناریو، سازنده ممکن است نسخه سریع‌تری از محصول ایجاد کند، سپس دوباره از مشتریان نظرسنجی کند تا ببیند آیا پاسخی که به بینش عملی داده شده رضایت مشتری را بهبود می‌بخشد یا خیر.

تجزیه و تحلیل وب

بازاریابان از تجزیه و تحلیل وب، مانند گوگل آنالیتیکس، به عنوان ابزار اصلی برای استخراج بینش عملی استفاده می کنند. یک پلت فرم تجزیه و تحلیل وب صدها یا هزاران معیار را از بازدید کاربران از وب سایت یک شرکت ردیابی می کند. معیارهای ردیابی شده شامل بازدید از صفحه، جلسات، زمان حضور در سایت، صفحات در هر جلسه، نرخ پرش و تبدیل است.

به عنوان مثال، یک تولید کننده لباس می تواند صفحات محصول خود را بر اساس دسته بندی تقسیم کند، مانند پیراهن مردانه، پیراهن زنانه، شلوار مردانه و شلوار زنانه، و معاملات و نرخ تبدیل را در هر دسته تجزیه و تحلیل کند. اگر فروش پیراهن‌های مردانه در این هفته 20 درصد کاهش یابد، ممکن است خرده‌فروش داده‌های موجودی آنها را بررسی کند و متوجه شود که یک پیراهن محبوب تمام شده است. بینش عملی تسریع در سفارش مجدد آن پیراهن خواهد بود.

تشخیص پزشکی و هوش مصنوعی

در صدها بیمارستان روزانه، پزشکان بینش عملی را از نمودارهای پزشکی، اشعه ایکس، سی تی اسکن و ام آر آی به دست می آورند. پزشکان باید تمام اطلاعاتی را که در مقابل خود دارند پردازش کنند. سپس، آنها آن را با تجربه پزشکی خود و سابقه پزشکی بیمار ترکیب می کنند تا تشخیص را تعیین کنند.

در مطالعات تحقیقاتی، دانشمندان شروع به استفاده از هوش مصنوعی (AI) برای کمک به استخراج بینش‌های پزشکی عملی کرده‌اند. در دانشگاه کالیفرنیا، سانفرانسیسکو، محققان تصویربرداری عصبی (به عنوان مثال، اسکن مغز) را با یادگیری ماشینی ترکیب کردند تا پیش بینی کنند که آیا بیمار به بیماری آلزایمر مبتلا می شود یا خیر. هنگامی که رادیولوژیست اسکن ها را بررسی می کند، تشخیص ابتلا به آلزایمر با چشم غیرمسلح دشوار است.

محققان الگوریتم یادگیری ماشینی را با ارائه تصاویری از مجموعه داده های عمومی اسکن مغز از بیماران مبتلا به طیف وسیعی از شرایط، آموزش دادند. این الگوریتم توانست یاد بگیرد که کدام ویژگی برای پیش‌بینی تشخیص بیماری آلزایمر مهم است و کدام ویژگی نیست.

نتیجه این بود که الگوریتم هوش مصنوعی قادر به تشخیص بیماری آلزایمر در مراحل اولیه شش سال قبل از تشخیص بالینی بود. این بینش عملی به پزشکان و بیماران زمان بیشتری برای مداخله در درمان ها می دهد.

اسناد بازاریابی

مشابه تجزیه و تحلیل وب، انتساب بازاریابی روشی برای تعیین کانال ها و پیشنهادات محتوایی است که به فروش کمک کرده اند. اسناد بازاریابی تلاش می کند تمام نقاط تماس مشتریان با یک شرکت را ردیابی کند، به ویژه در طول دوره تحقیق و ارزیابی قبل از فروش.

رایج‌ترین مدل‌های اسناد بازاریابی مورد استفاده عبارتند از:

  • اسناد لمسی اول: اولین تعامل مشتری با نام تجاری اعتباری برای فروش دریافت می کند
  • اسناد آخرین لمس: آخرین تعامل مشتری با نام تجاری اعتباری برای فروش دریافت می کند
  • انتساب چند لمسی: اعتبار بین نقاط تماس تقسیم می شود. چندین زیرمجموعه از انتساب چند لمسی راه‌های متفاوتی را برای تخصیص اعتبار تعیین می‌کنند

با انتساب بازاریابی، بازاریابان به دنبال درک کانال تبلیغاتی یا پیشنهادات محتوایی هستند که بالاترین ROI را باز می گرداند. بینش عملی تبدیل به مکان (و نحوه) سرمایه گذاری در برنامه های بازاریابی آینده می شود.

بینش از داده های کسب و کار با استفاده از هوش مصنوعی

علاوه بر تشخیص بیماری ها از اسکن های پزشکی، هوش مصنوعی می تواند برای پردازش داده های تجاری در محل کار استفاده شود. کارمندان می توانند روزها یا هفته ها را صرف بررسی اسناد، صفحات گسترده و گزارش ها کنند و به دنبال پاسخ های کلیدی پنهان در آنها بگردند.

این فعالیت می تواند به ویژه زمانی چالش برانگیز باشد که داده ها بدون ساختار هستند، در قالب هایی مانند ایمیل، ویدئو، صدا یا تصاویر. برخی از شرکت‌ها از پلتفرم‌ها و ابزارهای هوش مصنوعی (به عنوان مثال Watson Explorer از IBM) برای تجزیه و تحلیل داده‌های خام استفاده می‌کنند تا بینش‌های عملی به دست آورند. پلتفرم‌های هوش مصنوعی می‌توانند داده‌های خام ساختاریافته و بدون ساختار را با استفاده از پردازش زبان طبیعی برای درک معنای محتوا و اسناد تجزیه و تحلیل کنند.

خدمات مالی تویوتا از یک پلت فرم هوش مصنوعی برای کمک به نمایندگان در مراکز تماس خود استفاده کرد. پلتفرم هوش مصنوعی داده‌ها را از منابع داخلی و خارجی پردازش می‌کند و بینش‌هایی درباره چهار میلیون مشتری خود ارائه می‌دهد که نمایندگان می‌توانند روی آنها عمل کنند. پلتفرم هوش مصنوعی بینش‌هایی تقریباً آنی در مورد اولویت‌ها یا نگرانی‌های مشتریان ارائه می‌دهد که به نمایندگان کمک می‌کند تا تماس‌های دریافتی را مطابق با آن مدیریت کنند.

برای امتیاز به این نوشته کلیک کنید!
[کل: 0 میانگین: 0]

دیدگاه‌ خود را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

پیمایش به بالا