Mendorong batas personalisasi massal – Bayangkan kembali Masa Depan dengan Percaya Diri
Reimagine the Future with Confidence

Mendorong batas personalisasi massal – Bayangkan kembali Masa Depan dengan Percaya Diri

Menyusul kebakaran hutan di dekat Perth pada hampir tahun 2021, Commonwealth Bank of Australia mengungkapkan sedang menganalisis data untuk membantu pelanggan yang terkena dampak bencana alam.

CBA menjelaskan bahwa mereka menggunakan algoritme dan data dari layanan darurat dan cuaca untuk menawarkan “solusi dukungan yang disesuaikan” pada hari yang sama kepada pelanggan yang terkena dampak – termasuk mereka yang terkena dampak kebakaran Perth. Misalnya, pelanggan mungkin menerima tawaran untuk menunda pinjaman, atau tawaran cerukan darurat. Ini tentang dukungan pribadi yang tepat waktu, kata bank tersebut.

Ini adalah salah satu contoh cara interaksi yang dipersonalisasi dengan banyak orang berubah. Cloud, kecerdasan buatan, dan otomatisasi telah membuatnya lebih layak untuk menyimpan dan menganalisis kumpulan data besar tentang perilaku pelanggan historis, saat ini, dan yang diprediksi, serta mengambil tindakan dengan cepat.

Beberapa orang melihat teknologi ini memungkinkan personalisasi pada skala yang tidak selalu layak dengan pendekatan yang lebih manual seperti kelompok fokus, survei, dan kampanye pemasaran.

Implikasi terhadap cara bank, pengecer, universitas, lembaga pemerintah dan organisasi lain terlibat dengan pelanggan mereka menjadi lebih jelas.

Teknologi ini memungkinkan untuk merespon lebih cepat kepada pelanggan. Misalnya, beberapa bank Australia menggunakan aplikasi untuk memberikan ‘dorongan’ kepada pelanggan yang mendorong mereka untuk menghemat uang. Utilitas sedang menganalisis data penggunaan energi untuk lonjakan tiba-tiba atau penurunan penggunaan energi rumah tangga sehingga mereka dapat menawarkan dukungan yang tepat dan menyesuaikan rencana tarif konsumen agar lebih sesuai.

Menggabungkan analisis data skala populasi dengan penelitian yang lebih pribadi, seperti wawancara tatap muka atau analisis perilaku, juga dapat memungkinkan apresiasi dan antisipasi yang lebih baik terhadap preferensi pelanggan, menurut Mason Davies, Partner di Digital Delta, praktik transformasi digital KPMG Australia .

“Hanya karena kami berdua menyukai hobi tertentu, bukan berarti kami menyukai produk yang sama. Namun, dimungkinkan untuk menyimpulkan afinitas merek tertentu berdasarkan analisis sentimen dari interaksi media sosial kita. Gabungkan ini dengan data tentang pengeluaran saya, perjalanan, atau minat lainnya dan Anda meningkatkan hipotesis pelanggan Anda secara signifikan. Ini benar-benar tentang memahami perbedaan mikro dalam niat dan perilaku.

“Anda dan saya mungkin tinggal di jalan yang sama, memiliki minat yang sama, menghabiskan kira-kira jumlah uang yang sama setiap bulan dan kami bahkan mungkin memiliki jenis hipotek yang sama. Namun, saya mungkin suka berbelanja bahan makanan secara online, dan Anda mungkin suka pergi ke toko karena Anda ingin berburu produk tertentu.

“Atau, Anda mungkin suka meneliti pakaian secara online dan kemudian menyelesaikan transaksi itu di toko, sementara saya mungkin suka membayar tagihan secara online, tetapi ketika saya memiliki pertanyaan, lebih suka berbicara dengan seseorang. Ada berbagai nuansa. Sementara nuansa ini sebelumnya diterjemahkan ke dalam perjalanan pelanggan yang ditetapkan, sekarang pilihannya luas dan lebih dapat diprediksi dari waktu ke waktu, ”kata Davies.

Organisasi juga menggunakan data untuk melacak apakah layanan atau inisiatif beresonansi. Misalnya, universitas menggunakan dasbor data untuk mencoba dan mendapatkan pemahaman yang lebih baik tentang apa yang bisa dan tidak berfungsi di ruang kelas.

Davies menyebut proses ini untuk terus menyempurnakan dan memvalidasi pemahaman tentang kebutuhan sejumlah besar orang dan merespons secara dinamis, “empati pada skala”.

Gambar pelanggan yang lebih detail

Di sektor pendidikan, upaya berbasis data untuk mempersonalisasi pendidikan telah berlangsung selama bertahun-tahun. Davies telah bekerja di sektor ini dan melihat potensi besar untuk personalisasi skala besar.

“Apa yang akan terjadi jika kami dapat mengumpulkan data yang terkait dengan semua siswa – tidak hanya di kelas atau sekolah, tetapi negara bagian atau negara – dan benar-benar memahami jenis indikator yang menunjukkan di mana siswa berjuang dengan konsep tertentu, dan jenis pendekatan pengajaran yang membantu siswa tersebut mengatasi tantangan tertentu?”

“Setiap siswa di kelas dapat memiliki pengalaman belajar yang dipersonalisasi, yang didasarkan pada masukan dari 20.000 anak terakhir yang memiliki masalah yang sama persis dengan pertanyaan yang sama. Kita mungkin menemukan bahwa satu siswa merespons dengan sangat baik jika diajarkan suatu konsep dengan cara tertentu, sedangkan siswa lain adalah tipe orang yang berbeda, jadi ada kumpulan data berbeda yang berlaku untuk mereka,” katanya.

Davies telah membantu pendidik mengeksplorasi kemungkinan. Ini melibatkan penggunaan platform digital, menggabungkan data dari berbagai sumber dan menghubungkannya untuk mendukung intervensi yang tepat. Data tersebut dapat berupa keterlibatan siswa dan gaya belajar, dan juga dapat mencakup informasi tentang kinerja siswa dari platform pembelajaran, termasuk Google Classroom, Microsoft Teams, Sentral dan Canvas, serta data dari platform khusus mata pelajaran Mathletics, Mathspace, dan banyak lainnya.

Data ini dapat digabungkan dengan informasi tentang gaya mengajar dan materi kurikulum. Analisis media sosial juga dapat menunjukkan apakah siswa terlibat dengan komunitas siswa, atau bahkan yang mungkin mengalami masalah kesehatan yang dapat memengaruhi kinerja akademik mereka. Indikator tertentu dapat memicu panduan atau dukungan otomatis, atau intervensi manusia.

Di sektor lain, pola penggunaan layanan, seperti layanan telepon, data atau air, dapat diperhitungkan. Ini dapat membantu organisasi mendukung pelanggan dalam kesulitan keuangan, merekomendasikan produk dan layanan, atau mempromosikan layanan manajemen keuangan lintas, kata Davies. Dia membayangkan penghematan yang dilakukan dengan beralih ke paket data baru yang dibayarkan ke akun super, misalnya.

Pendekatan Davies calo menggabungkan data ini dengan studi etnografi, pengembangan kepribadian, analisis kontekstual, dan alat serta aktivitas lain yang menambah pemahaman pelanggan. “Sementara sumber data sangat penting, konteks sangat penting,” catatnya.

Untuk memanfaatkan data dalam skala besar, Davies melihat organisasi membutuhkan model pembelajaran mesin yang terlatih dan sistem otomasi, disempurnakan menggunakan pengalaman dunia nyata.

Dia melihat eksperimen sebagai hal yang penting: “Anda mencoba eksperimen dan kemudian Anda perlu mendengarkan apakah eksperimen itu efektif. Siapa yang merespon positif, siapa yang netral yang merespon negatif? Bagaimana masing-masing tanggapan tersebut memengaruhi pemahaman Anda tentang empati? Ini adalah proses pemahaman, percobaan, dan penyempurnaan yang berkelanjutan.”

Mendapatkan kepercayaan

Mungkin persyaratan yang paling penting untuk setiap organisasi yang melakukan kegiatan ini adalah untuk bertindak secara bertanggung jawab.

Risiko etika dan privasi sudah jelas – lihat saja penggunaan data Cambridge Analytica yang terkenal tentang pengguna Facebook untuk tujuan iklan politik. Davies mengakui ini adalah “contoh personalisasi yang sangat baik dalam skala” yang digunakan “untuk tujuan yang salah”.

Data yang buruk atau pelatihan sistem pembelajaran mesin yang buruk juga dapat menyebabkan masalah atau mengganggu pelanggan.

Komunikasi yang buruk juga dapat menyebabkan ketidakpercayaan. Seperti yang diketahui oleh siapa saja yang menerima rekomendasi produk pribadi secara online tanpa alasan yang jelas, personalisasi bisa jadi menakutkan.

Itu juga dapat tampil sebagai promosi, daripada interaksi otentik, kata Aaron Spinley, wakil presiden ANZ dari perusahaan analitik dan orkestrasi perjalanan pelanggan Thunderhead, dalam sebuah artikel Mumbrella. Personalisasi memiliki “masalah PR yang tidak dapat diubah”, tulisnya.

Beberapa organisasi menangani masalah ini karena mereka berusaha meningkatkan interaksi dengan pelanggan.

Davies menunjuk satu klien yang memiliki komite data dan etika. “Ini melihat apa yang bisa ditangkap, bagaimana menangkapnya dan apa yang benar secara hukum. Ini melibatkan advokat terkemuka tentang keselamatan, AI, dan etika dari akademisi dan dunia bisnis untuk memberi nasihat tentang topik ini. Itu akan menginformasikan otoritas desain etis untuk seluruh bisnis,” kata Davies.

Organisasi yang terlibat dalam inisiatif ini juga perlu mendapatkan dan mempertahankan kepercayaan pelanggan.

Davies berpendapat kepercayaan dapat diperoleh jika pelanggan berpikir bahwa mereka mendapat manfaat dari pertukaran nilai. “Saya pikir masih banyak lagi yang perlu dilakukan tentang seperti apa pertukaran nilai itu – Anda memberi kami x dan kami akan memberi Anda y – dan membuatnya jauh lebih jelas,” katanya.

Dia juga menyadari kebutuhan akan pilihan pelanggan: “Kita perlu membuatnya sangat sederhana bagi pelanggan. Jika mereka menginginkan rekomendasi, maka itu bagus. Mereka harus mengatakan, ‘Ya, saya ingin itu’. Jika mereka tidak ingin memberikan informasi, mereka dapat mematikannya.”

Tantangan-tantangan ini, dan peluang bagi organisasi untuk mempersonalisasi interaksi digital, akan terus berkembang seiring dengan teknologi dan pembuatan data.

“Perjalanan menarik terbentang di depan untuk bisnis, pemerintah, dan orang-orang yang menggunakan layanan mereka,” kata Davies.

Posted By : data hk hari ini 2021