Top-Tipps für die Monetarisierung von Daten durch maschinelles Lernen

Autor: Laura McKinney
Erstelldatum: 4 April 2021
Aktualisierungsdatum: 26 Juni 2024
Anonim
Top-Tipps für die Monetarisierung von Daten durch maschinelles Lernen - Technologie
Top-Tipps für die Monetarisierung von Daten durch maschinelles Lernen - Technologie

Inhalt


Quelle: Skypixel / Dreamstime.com

Wegbringen:

Maschinelles Lernen wird eingesetzt, um Big Data zu verfeinern und so wertvoll wie nie zuvor zu machen. Unternehmen nutzen jetzt die Möglichkeiten von ML, um ihre Daten zu monetarisieren.

Big Data wird immer als eine immens wertvolle Ressource beschrieben, die jedes florierende Unternehmen befeuern kann und Unternehmen umsetzbare Erkenntnisse, Geschäftsmöglichkeiten und überlegene Margen bietet. So wie Rohöl raffiniert werden muss, bevor es in eine wertvolle und nützliche Ressource umgewandelt werden kann, müssen Daten durch künstliche Intelligenz (KI) und maschinelles Lernen (ML) aufbereitet werden, bevor es etwas wert ist. Von der Nutzung zur Verbesserung der Effizienz des Unternehmens bis zur Nutzung zur Schaffung neuer Einnahmequellen können Geschäftsdaten auf viele verschiedene Arten monetarisiert werden.

Tim Sloane, Vice President of Payment Innovation bei Mercator Advisory Group, erklärte: „Bei der Monetarisierung von Daten geht es darum, die vorhandenen Daten über neue Kanäle zu nutzen.“ Schauen wir uns einige konkrete Beispiele an, ohne Zeit zu verlieren. Weil Zeit Geld ist, mein Freund!


Verkauf anonymisierter Kundendaten an Dritte

Kundendaten, die anonymisiert (dh ohne vertrauliche Informationen) oder synthetisiert (dh leicht modifiziert, so dass sie immer noch zu 100% statistisch relevant sind, jedoch nicht auf den ursprünglichen Kunden zurückgeführt werden können) sind an andere Unternehmen zu verkaufen, die sie im Internet benötigen Form von analytischen Produkten. Aggregierte, vorverdaute Daten können monetarisiert werden, da sie möglicherweise einen Wert enthalten, der über die ursprüngliche Verwendung hinausgeht und eine neue Einnahmequelle schafft. Beispielsweise möchte ein Einkaufszentrum möglicherweise wissen, welche Art von Essen von Liebhabern von Videospielen nach dem Kauf bevorzugt wird, damit ein bestimmter Fast-Food-Stand im selben Bereich wie die Spieleläden platziert werden kann. Oder ein Telekommunikationsunternehmen verkauft möglicherweise Geolokalisierungsdaten von Kunden, mit denen effizientere „Smart City“ -Technologielösungen geplant werden können.


Steigerung der Marketing-Effizienz

Neue Perspektiven zu erschließen ist notwendig, um ein Unternehmen mit einem konstanten Strom frischer Kunden zu versorgen. Das ist der Grund, warum Marketing fast immer eine der teuersten Ausgabenpositionen im Budget eines modernen Unternehmens ist. Maschinelles Lernen kann verwendet werden, um aus vielen Marketingdaten einen Sinn zu machen, die Effizienz zu steigern und die Kosten zu senken. Algorithmen können verwendet werden, um weitere Videos zum Ansehen oder Artikel zum Lesen zu empfehlen, basierend auf den individuellen Vorlieben des Benutzers, um die Zeit zu erhöhen, die auf einer Website oder Plattform verbracht wird, oder um die Aufmerksamkeit potenzieller Kunden zu erregen. Die Popularität eines Inhalts kann durch Stimmungsanalyse prognostiziert werden, um die Art des Inhalts einzugrenzen, den Sie ausrichten möchten. (Weitere Informationen zu KI in Unternehmen finden Sie unter Wie künstliche Intelligenz die Vertriebsbranche revolutionieren wird.)

Verbesserte Benutzerprofilerstellung

Ein umfassendes Verständnis des Kundenverhaltens eines Unternehmens ist entscheidend, um mehr Geld aus ihnen herauszuholen. Das Extrahieren umsetzbarer Erkenntnisse aus Benutzerdaten ist das A und O der Big-Data-Analyse, und ML kann diesen Prozess auf die nächste Ebene heben. Mit Churn-Vorhersagemodellen können Sie das Kundenverhalten analysieren und ermitteln, bei wem die Wahrscheinlichkeit besteht, dass Ihr Produkt nach kurzer Zeit nicht mehr verwendet wird. Durch geeignete Maßnahmen zur Aufbewahrung (z. B. über vollautomatisierte CRM-Plattformen) wird viel Geld gespart, da die Anschaffungskosten bis zu fünfmal höher sind als die Aufbewahrungskosten. CLTV-Modelle (Customer Lifetime Value) können auch verwendet werden, um zu bestimmen, welche Benutzer eher Geld für Ihre Produkte ausgeben, indem sie nützliche Daten aus ihren Gewohnheiten extrahieren. Dies hilft Unternehmen, ihre Bemühungen nur auf diejenigen Leads zu konzentrieren, die relevante Einnahmen erzielen können.

Einblick und Beratung als Dienstleistung

Unternehmen müssen sich häufig auf das Fachwissen ihrer ältesten und qualifiziertesten Mitarbeiter verlassen, um die schwierigsten Aufgaben zu erledigen. Die leitenden Angestellten eines Unternehmens sind ein wichtiges Kapital, dessen Wissen und Know-how kaum übertragbar sind, wenn diese erfahrenen Mitarbeiter in den Ruhestand treten. Einige Unternehmen haben jedoch künstliche Intelligenz eingesetzt, um unzählige Dokumentationsseiten zu verarbeiten, die Benutzerhandbücher, Korrespondenz über den täglichen Betrieb und Berichte der erfahrensten und ehemaligen Mitarbeiter enthalten. Das Ergebnis war die Schaffung intelligenter digitaler Assistenten, die neuen Mitarbeitern in Echtzeit nützliche Einblicke bieten, schnelle Analysen der Materialauswahl für produzierende Unternehmen durchführen und jedem Teammitglied helfen, relevante Entscheidungen vor Ort zu treffen. Dies hilft den Mitarbeitern, produktiver zu sein, indem sie mehr Zeit für ihre Arbeit aufwenden und weniger Zeit für das Herausfinden von Details haben.

Self-Service-Analyseplattformen

Daten können zu einem monetarisierbaren Vermögenswert werden, selbst wenn ein Unternehmen nicht Eigentümer dieser Daten ist oder diese erzeugt. Dieses komplexe Geschäftsmodell wird verwendet, um Unternehmen, die nützliche Informationen aus ihren strategischen Daten extrahieren müssen, Cloud-basierte Self-Service-Analyseplattformen zur Verfügung zu stellen. Diese Plattformen basieren auf Algorithmen, die ihre Daten für eine Vielzahl von Zwecken aggregieren, anreichern und analysieren - beispielsweise zur Steigerung der Effizienz von Maschinen bei der Herstellung von Implantaten und zur Senkung ihrer Kosten um bis zu 68% - oder zur Verbesserung der Verwaltung komplexer Systeme, Netzwerke. Kraftwerke usw. Häufig kombinieren diese Plattformen die Funktionen von ML mit modernsten Sensordaten, um die Fähigkeit zu verbessern, Ausfälle vorherzusagen und selbst zu beheben, Betriebsaufgaben zu automatisieren und zu optimieren und Ausfallzeiten um bis zu 40% zu reduzieren. (Nicht jeder hat ML bereits implementiert. Finden Sie heraus, warum in 4 Roadblocks die Annahme von maschinellem Lernen blockiert wird.)

Vermeiden Sie Werbebetrug

Viele Unternehmen, die sich keine internen Marketingteams leisten können, müssen sich auf Drittanbieter verlassen, um ihnen neue Leads und Interessenten zur Verfügung zu stellen. Im Zeitalter des digitalen Betrugs ist jedoch nicht jeder Verkäufer so transparent, wie es sein sollte. Um die Anzahl der erreichten Kunden fälschlicherweise zu erhöhen, verkaufen einige weniger gewissenhafte Werbeagenturen falsche soziale Profile, die falsche Bewertungen, Kommentare und Interaktionen in sozialen Medien bereitstellen, oder Bots, die ständig Apps, Software und Spiele für Handys und Online-Spiele herunterladen. Dies sind jedoch keine Live-Benutzer - sie werden nicht nur niemals für einen Dienst bezahlen, sondern sie können auch mit echten Personen verwechselt werden und aufgrund ihrer potenziell großen Anzahl Organisationen dazu veranlassen, eine falsche Benutzerpersönlichkeit zu bilden. Bots und falsche Profile können mithilfe von maschinellem Lernen leicht erkannt werden, da Maschinen, wie Sie wissen, im Erkennen ihrer eigenen Art erfahrener sind als wir!

Keine Bugs, kein Stress - Ihre schrittweise Anleitung zur Erstellung lebensverändernder Software, ohne Ihr Leben zu zerstören

Sie können Ihre Programmierkenntnisse nicht verbessern, wenn sich niemand um die Softwarequalität kümmert.

Abschließende Gedanken

Es sollte einen Grund geben (wahrscheinlich mehr als einen), wenn heute 68% der Unternehmen maschinelles Lernen anwenden, um Prozesse zu verbessern. Diejenigen, die das volle Potenzial des algorithmischen Datenmanagements und der Datenverwaltung verstanden haben, verzeichneten ein um 43% höheres Wachstum als diejenigen, die dies nicht taten. Es ist bereits ein neuer Markt für Daten und Erkenntnisse entstanden, und maschinelles Lernen ist die „Raffinerie“, die diese Ressource noch wertvoller und einfacher zu monetarisieren macht.