Skip to Content

I dati errati rappresentano cibo spazzatura per l’AI

Immagine relativa al tema data house e Intelligenza Artificiale

Sebbene alcuni degli strumenti di AI per le aziende siano ancora in fase di sviluppo, la tua azienda può adottare questi passaggi chiave per organizzare al meglio la data house.

“Dov’è il mio ordine?”

Questo tipo di domande e la risposta rapida che necessitano sono il motivo per il quale le aziende utilizzano sempre più spesso l’intelligenza artificiale (AI). Considera le due seguenti potenziali risposte generate dall’AI che il tuo agente potrebbe inviare a questo cliente.

Risposta 1:

Grazie per la tua richiesta. Qual è il tuo nome, e-mail e numero dell’ordine? Dove hai effettuato l’ordine?

Risposta 2:

Jon, grazie per essere un membro Gold! Come posso aiutarti? Stai riscontrando un problema con la tazza nel tuo carrello, con la borsa messenger che stai visualizzando sul nostro sito o con qualcos’altro?

Il modo in cui queste risposte coinvolgono il cliente fa un’enorme differenza. E questa differenza è dovuta ai dati.

La differenza di dati

L’AI generativa promette di riscrivere il modo in cui gestisci le relazioni con i clienti, tuttavia richiede dati accurati, aggiornati, accessibili e completi.

  • Si tratta della cosiddetta AI incentrata sui dati e fondata sull’idea che i sistemi AI vengano sviluppati utilizzando solo dati di qualità.
  • Questa richiede inoltre che le aziende abbiano una visione connessa e aggiornata dell’attività dei clienti.

Il parere di un Trailblazer

“Si può anche disporre dei dati, ma questi sono aggiornati, autorevoli e completi?”, ha precisato Carl Brundage, Technical Architect certificato specializzato in dati e analisi presso Odaseva. “Se la risposta è negativa, non si ha un quadro completo del cliente.”

  • Avere un quadro completo, ovvero sapere cosa, quando, perché e come il tuo cliente svolge un’attività,  è la chiave per aggiungere un contesto di valore all’AI.  

Cosa può fare la tua azienda ora

Sebbene alcuni degli strumenti di AI di maggior rilievo per le aziende siano ancora in fase di sviluppo, la tua azienda può adottare subito alcuni passaggi chiave per organizzare al meglio la sua data house:

  • Garantire la qualità dei dati. Eliminare i duplicati, i valori anomali, gli errori e altri elementi che possono influenzare negativamente il processo decisionale. 
  • Collegare le tue fonti di dati  in ambito marketing, vendite, assistenza e commercio in un unico record, aggiornato in tempo reale, affinché l’AI possa fornire i migliori consigli.  

Come la Formula 1 ha collegato i dati dei suoi clienti e ha raggiunto un livello di soddisfazione dei fan pari all’88%

I dati dei clienti dell’azienda sono ora raccolti in un unico luogo, consentendole di collegare le interazioni di persona con quelle digitali per ricavare i giusti insight e raggiungere i fan.

Porre le basi per un’AI incentrata sui dati

I dati dei clienti sono al centro dello sviluppo di esperienze di valore. I dati non devono essere perfetti per realizzare un programma di AI efficace, ma è necessario che siano puliti. Ciò significa che non devono presentare errori, formati errati, duplicati o etichette errate. 

Gli esperti di dati di Tableau offrono questi passaggi sulla corretta pulizia di dati, un primo passaggio importante per unificare i set di dati per i progetti AI:

Rimuovere le osservazioni duplicate o irrilevanti

Le duplicazioni si verificano quando si combinano set di dati provenienti da più luoghi e si creano voci duplicate. Le osservazioni irrilevanti si verificano quando i dati (ad esempio, sui consumatori più adulti) non rispondono a un problema che si sta cercando di analizzare (ad esempio, le abitudini di acquisto dei millennial). La rimozione di questi elementi rende l’analisi più efficiente, utile e accurata per un sistema AI. 

Correggere gli errori strutturali

Questa operazione si verifica quando i dati includono errori di stile, di capitalizzazione o di etichettatura. Ad esempio, “N/A” e “non applicabile” hanno lo stesso significato, ma non vengono analizzati allo stesso modo perché sono interpretati in modo diverso. Le voci devono essere coerenti per garantire un’analisi accurata e completa del sistema AI. 

Filtrare i valori anomali indesiderati

Spesso ci sono osservazioni singole che non sembrano allinearsi con i dati che stai analizzando. Questo potrebbe essere il risultato di un inserimento errato dei dati (e dovrebbe essere rimosso), ma a volte il valore anomalo aiuta a dimostrare una teoria su cui stai lavorando. In ogni caso, è necessaria un’analisi per determinarne la sua validità.  

Gestire i dati mancanti

I dati mancanti o incompleti sono un problema molto comune nei set di dati e possono ridurre l’accuratezza dei modelli AI. Ci sono alcuni modi per affrontare questo problema: 

  • Eliminare le osservazioni che includono valori mancanti; in questo modo, però, si perderanno informazioni.
  • Inserire i valori mancanti sulla base di altre osservazioni; tuttavia, potresti perdere l’integrità dei dati perché stai operando sulla base di ipotesi e non di osservazioni reali
  • Considera la possibilità di modificare il modo in cui i dati vengono utilizzati per gestire efficacemente i valori mancanti.

Convalidare

Dopo la pulizia dei dati, dovresti poter rispondere alle seguenti domande: 

  • I dati hanno significato? 
  • I dati seguono le regole appropriate del settore di riferimento? 
  • I dati confermano o smentiscono la tua teoria, oppure forniscono insight?
  • Riesci a individuare tendenze che permettano di elaborare una nuova teoria? Se la risposta è negativa, la causa è da ricercare nei continui problemi di qualità dei dati? 

AI centrata sui dati + CRM = una combo incredibile

L’AI ha già iniziato a trasformare il CRM e il modo in cui le aziende si connettono e assistono i loro clienti. L’AI è inefficace se non dispone di dati validi, integrati, accurati e in tempo reale. Allo stesso modo, dare un significato a grandi quantità di dati è impossibile se non si ricorre all’AI. 

La soluzione vincente consiste nel combinare le due pratiche. Tale combinazione ti aiuterà a identificare e prevedere le tendenze, le sfide e le opportunità in tutte le aree aziendali  e ad assistere meglio i tuoi clienti.  

Un profilo cliente unificato, abilitato da Data Cloud, ti offre una visione completa dei tuoi utenti, siano essi visitatori, clienti esistenti, clienti potenziali o abbonati. Storicamente, i dati di marketing sono stati rinchiusi all’interno dei sistemi di marketing, i dati di assistenza nei sistemi di assistenza e così via, il che non fornisce un quadro completo dell’attività del cliente. 

“È assolutamente necessario avere un profilo cliente unificato e affidabile, in un unico luogo e aggiornato in tempo reale”, ha affermato Brundage. “Sulla base dei dati, un’azione compiuta il mese scorso potrebbe essere diversa durante il mese in corso. E se i dati sono obsoleti, l’AI li utilizzerà comunque”. 

Una famosa piramide illustra bene la gerarchia della gestione della conoscenza. I dati si trovano alla base e rappresentano tutto ciò che raccogliamo; si passa quindi alle “informazioni”, alla “conoscenza” e infine alla “competenza”, posizionata in cima. 

I dati e le informazioni forniscono uno scarso contesto o una risposta non sufficiente al “perché” di qualsiasi situazione. Tuttavia, grazie ai dati integrati e in tempo reale, stratificati con l’AI, è possibile osservare schemi, prevedere tendenze e creare connessioni tra elementi che, in apparenza, potrebbero non essere collegati tra loro.  

“Conoscere è sapere che il pomodoro è un frutto”, ha aggiunto Brundage. “Competenza è essere consapevoli che non è adatto a una macedonia”.

Un unico profilo del cliente?
Sì, grazie!

In questo modulo di apprendimento, scoprirai come riunire i dati dei clienti provenienti da qualsiasi canale e sistema (anche da precedenti sistemi) in un unico record, aggiornato in tempo reale. 

I nostri blog post direttamente nella tua casella di posta: iscriviti per ricevere la nostra newsletter bisettimanale!