智能化运营客户数据 AI要怎么与它融合

客户数据是最重要的企业数据之一，精细化运营客户数据是企业建立竞争优势的前提

从数据驱动跟AI的方面看来，中到大型传统B2C企业是更有价值的关注点

一整套解决方案，需要把各种类型的数据打通、分析，之后产品化的AI模块直接进行价值提取，最后实现应用

Chinapex创略是一家数据技术公司，致力于提供从数据抓取、分析到行动的完整闭环的解决方案。

其实，这几年AI的概念比较火，但是对于大部分人来说AI到底是什么东西，可能都不太清楚。

从真正的企业级应用角度来说，两个部分是较为常用的。

一个是机器学习，一是自然语言处理。

对于任何能持续产生数据量的企业，这两块都存在潜在可衡量价值。

数据有很多类型，有客户数据，有设备数据，有工业数据，也有各种各样的日志数据等等。

解决一个真正的问题要取决于数据类型。

这篇演讲里主要讲到的是客户数据这一方面，这是企业数据最重要的数据之一。

如果可以智能化地运营客户数据，企业就建立起了竞争优势。所以怎么样精细化运营客户数据呢？

一方面是智能营销，个性化，再到客户体验优化，另外一方面，就是BI商业智能。

数据应用企业主要分为两种类型，一种是互联网/互联网+企业，另外一种是中到大型传统B2C企业。

那么这两种类型的企业，在数据应用层面有哪些差别呢？

互联网企业数据来源主要是WEB端+APP端用户行为数据，比如ZOHO，Salesforce等等，但后者作为数据源还是比较少见。这类企业的主要数据驱动应用还是产品优化、转化优化，因为通常互联网跟互联网+企业，他们的客户生命周期基本上都在这个平台上，包括转化漏斗、客户体验优化等等。

中到大型B2C企业，他们的数据来源肯定也有Web+APP端的触点。这个不是他们的产品，只作为接触到他们客户的触点和端口。数据来源也包括CRM系统，或是SaaS，或是私有CRM客户数据。另外还有数据库和数据仓库业务数据、大数据存储HDSP数据、消费数据、POS/消费数据。

传统中到大型B2C企业会把大数据平台或者机器学习等解决方案看成一个利润中心，而不是把它看成一个有成本的工具。所以如果有适合的解决方案的话，基本上多个传统B2C行业都能感受到变革化的价值，包括金融、汽车、旅游、零售和地产等。

不过，不是每一个类型的企业都是适合这种类型的应用的。

所以如果要有一个解决方案的话，应该包含什么环节呢？

首先把数据采集进来，然后对接、导入，把数据打通。不同数据源，包括CRM、线上线下数据，可能有一些共同客户的数据维度，但是不将数据打通的话，是得不到360度画像的，也就没法用AI提取智能化的洞察。

如果数据从实施到价值非常慢的话，到这个数据使用的时候，商业价值已经基本没有了，所以应强调数据的高可用性和产品化。

最后一步肯定要基于这个数据采取行动或是应用，单单去看这些智能洞察的话，可能没有最大化其价值。

所以AI模块有两种不同的模式，一种是直接给用户展现机器学习模型的洞察，他可以直接看到结果，这个算是黑盒模式。

还有一个模式是透明模式，用的是什么数据，放进什么AI模型，用在什么场景，用户都可以自己选择，用户门槛也不是很高。

那么，这个方案大概是什么样子？

首先把各种类型的数据采集进来打通、分析。产品化的AI模块直接进行价值提取，最后实现应用。所以导入各种数据源的数据，应该是越简单越好。最佳的情况是一键实现，实时数据最好用可视化埋点的方式，让用户很容易去设置他想抓取什么类型的行为。

各种数据导入进来后，要做清洗跟预处理。这部分可以用一个比较强大的产品化的数据来实现。将数据处理、清洗好，就要把数据打通，打通到360度的画像。

PS：开始AI应用之前，最好要筛选一下客户数据范围。如果去跑全部客户数据或者是潜在客户数据，可能没有太大的意义。

想好应用场景之后，选一个相应的模型。

选好模型之后，把需要预测的数据范围直接放进去，然后就可以得到结果。

有了这些洞察，下一步就是要采取行动。

比如说可以把快要流失的客户变成一个标签，然后针对这个标签里面的这些人采取具体措施。

形成标签后，可以应用到各种外部场景，比如对这些人进行展示广告，或是邮件推送、消息推送，或是返回CIM作为销售洞察，或是发到呼叫中心。

最后一步，第一次的结果肯定不是最优的，需要磨炼的过程，AI模型才会越来越准。