一定是消費者的互動反饋資料！通俗講就是消費者給客服打的電話、與客服線上的聊天、郵件互動、電商與 app store 評論、公開社交媒體提及等。這裡面全都是消費者最直白的態度、意圖、情感——他怎麼理解你的產品、她覺得產品哪不好，他喜歡的功能是什麼，她覺得服務哪裡能更好……
然而，絕大多數企業對這些資料金礦沒有很好的利用，就一直讓這些資料晾在那，等他們過時失效。好一點的就是從中抽取個 3%～5% 去做人工總結，但可想而知效率低且效果差。
那麼為什麼沒被很好地利用起來呢？至少有兩方面，一個是確實沒有能力處理非結構化資料，不知道怎麼快速且準確地處理文字語料，從裡面挖掘出觀點和情感；第二是由於客服業務很多情況下都是外包的，專業做客服的企業精力都在通話線路、人員培訓和配套裝置等方面上了，沒有足夠的精力再去僱資料科學家做資料探勘。
所以我和團隊正在做的事情就是將 AI 和自然語言處理與理解技術標準化、流程化、簡潔化。讓不懂演算法和資料的業務人員也可以直接從這些非結構化資料裡快速挖出消費者洞察，甚至不費吹灰之力就能訓練並投放一個深度學習模型。
目的很簡單，就是讓這些資料金礦不再被忽略，讓企業快速瞭解消費者親口說出的情感和意圖，從而有的放矢地提升產品、營銷、研發等各個環節。
一定是消費者的互動反饋資料！通俗講就是消費者給客服打的電話、與客服線上的聊天、郵件互動、電商與 app store 評論、公開社交媒體提及等。這裡面全都是消費者最直白的態度、意圖、情感——他怎麼理解你的產品、她覺得產品哪不好，他喜歡的功能是什麼，她覺得服務哪裡能更好……
然而，絕大多數企業對這些資料金礦沒有很好的利用，就一直讓這些資料晾在那，等他們過時失效。好一點的就是從中抽取個 3%～5% 去做人工總結，但可想而知效率低且效果差。
那麼為什麼沒被很好地利用起來呢？至少有兩方面，一個是確實沒有能力處理非結構化資料，不知道怎麼快速且準確地處理文字語料，從裡面挖掘出觀點和情感；第二是由於客服業務很多情況下都是外包的，專業做客服的企業精力都在通話線路、人員培訓和配套裝置等方面上了，沒有足夠的精力再去僱資料科學家做資料探勘。
所以我和團隊正在做的事情就是將 AI 和自然語言處理與理解技術標準化、流程化、簡潔化。讓不懂演算法和資料的業務人員也可以直接從這些非結構化資料裡快速挖出消費者洞察，甚至不費吹灰之力就能訓練並投放一個深度學習模型。
目的很簡單，就是讓這些資料金礦不再被忽略，讓企業快速瞭解消費者親口說出的情感和意圖，從而有的放矢地提升產品、營銷、研發等各個環節。