חלק 1
בתחילת השנה, כשהכלכלה פרחה והריחוק החברתי עדיין לא נכנס ללקסיקון, בעיית הניהול הכושל של הנתונים הייתה ידועה היטב, אך פתרונות נדחקו לעתים קרובות למשימות משניות בתוכניות טרנספורמציה דיגיטלית פרועות. כיום, כאשר תעשיית השירותים שואפת לשמור על בטיחות העובדים תוך עמידה בהסכמי רמת שירות (SLA), חשוב במיוחד בתעשיות קריטיות כמו ייצור מכשירים רפואיים, לכידה וניתוח של הנתונים החשובים ביותר באופן שמוביל לתובנות מעשיות הופכת דחופה יותר.
בבלוג בן שני חלקים זה, אנו בוחנים את האתגרים העומדים בפני מנהיגי השירות של ימינו בכל הנוגע ללכידת מידע, כולל ידע שבטי, נתוני טקסט חופשי ומידע מבודד, ומשתמשים בו כדי להניע קבלת החלטות טובה יותר.
מהם אתגרי הנתונים הגדולים ביותר בתעשיית השירותים?
אינטגרציה וניתוח נתונים היא מילה גסה בארגונים מסוימים מכיוון שהיסטורית זה היה כל כך מאתגר לכרות והמאמץ נחשב גדול יותר מה- ROI. מערכות מבודדות אינן יכולות להזין זו את זו מידע. פרטי לקוחות ב- CRM לעולם אינם חוצים נתיב עם נתוני ERP, ואינם מקיימים אינטראקציה עם מסד הנתונים של ניהול החלקים.
יש גם את הספסל העמוק של הידע על כוח העבודה. אל תתעלמו ממהנדסי השטח הוותיקים שלכם, שיש להם עשרות שנים של ידע שבטי משולב על לקוחות, מוצרים, תהליכים וציוד שמתועד רק לעתים רחוקות. בנוסף, תעשיית השירותים עדיין רושמת הערות בכתב יד על הזמנות שירות לקוחות. זהו סוג של מידע מפתח שיכול לעשות השפעה גדולה על אספקת השירות, אבל אף פעם לא עושה את זה לתוך כל סוג של מסד נתונים.
לאחר שהכל נרתם ומנותח, נתונים בלתי מנוצלים אלה יכולים לפתור כמה מהאתגרים העסקיים הקריטיים ביותר שלך.
כיצד יכולה תעשיית השירותים להתגבר על מחסומי נתונים?
הדרך הטובה ביותר עבור ארגוני שירות לפתור את פער ניתוח הנתונים היא לפצח את הקוד על נתונים שכבר קיימים בארגון. כלים מבוססי בינה מלאכותית שיכולים ללמוד את שפת השירות הייחודית של הארגון, להבין את כוונת המשתמש ללא קשר למגוון רחב של קלטים ובחירות מילים, ומסוגלים להיות חכמים יותר לאורך זמן הם הדרך קדימה באקלים השירות של היום, זהו גם כלי מפתח במיומנות עובדים זוטרים ועמידה בהסכמי רמת שירות בנסיבות תובעניות.
בעזרת כלי למידת מכונה ובינה מלאכותית, ניתן לחפור עמוק ולנתח נתונים היסטוריים ובזמן אמת. זה כולל כל דבר, החל מ- CRM או מסדי נתונים לניהול חלקים ועד טקסט חופשי כמו הודעות דוא"ל, הערות טכנאים ונציגי מוקד טלפוני, כמו גם מידע שנלקח ישירות ממדריכי מכשירים.
הוא כולל גם את אחת מנקודות הנתונים המאתגרות אך החשובות ביותר ללכידה - ידע שבטי. מידע זה תמיד היה אתגר לקטלוג, וכוח עבודה פורש מציב אותו בסיכון גבוה לאבד לצמיתות ברגע שמומחים אלה עוזבים את הארגון.
בבלוג הבא, נבחן דרכים ספציפיות להשתמש בנתונים שונים ולא מנוצלים (ולעשות זאת עכשיו) כדי למטב החלטות עסקיות קריטיות, להגביר את היעילות ולהגביר את שביעות רצון הלקוחות.
לקבלת מידע נוסף, הורד את הספר האלקטרוני סודות נתונים מלוכלכים: סחיטת תובנות שירות מעשיות מנתונים מוסתרים.
