世界上的資料量，已是前所未有的多。根據估計，到了2020年，我們每天產出的資料量將達到44ZB（zettabyte，10的21次方），相當於44兆GB。1GB能容納三十呎寬書架上所有書本的內容，把那些內容乘以44兆倍，這樣的資料量太龐大，大部分公司都無法處理。然而，第一線員工仍使用「太少、太慢」的資料在做事。

大部分組織面對的一項挑戰，就是置身在淹沒他們的資料中，還要從顧客資料裡，擷取有意義的見解。資料不見得都能有效率地分享。許多全球最大的企業，內部單位各自為政，壁壘分明，例如，顧客服務部門和銷售部門並不共用一套顧客關係管理（customer relationship management, CRM）資料庫，員工也不以顧客為中心而協同工作，以確保提供強大的顧客體驗。不同部門的員工常常互不認識，更難以使用橫跨整個組織的資料。這通常會導致出現非常不一致的顧客體驗，讓公司看起來鬆散無章、漫無焦點。

當企業變得稍微複雜一點，像是歷經合併或收購，情況就會雪上加霜。例如，我最近去一家床墊知名零售商購物，這家公司被一家規模比它大的公司收購；一年前，我向他們買了一張床墊，那家商店的銷售人員告訴我，他沒有任何有關那張舊床墊的資料，因為在被收購之後，公司丟棄了舊的CRM資料。這可不是什麼優質的顧客體驗。

組織必須創造方便優良的顧客體驗；企業要如何克服資料的挑戰，滿足日益善變的顧客

機器學習將是解決方法之一，但前提是組織能克服內部各自為政的問題，正確運用機器學習。每一個新的顧客行為，都會回饋資料給分析引擎，作為參考，協助確認接下來要怎麼做，才能提供正面的顧客體驗。例如，如果顧客的網路瀏覽習慣顯示，她偏好Android手機，而不是iPhone，她下一次上臉書（Facebook）時，看到的就會是Android的升級產品。品牌商品以這種方式進入個人社群媒體的動態，的確會有一些顧客覺得有點恐怖，因此很重要的是，如何讓顧客可輕易選擇不要社群媒體追蹤。然而，只要資訊與顧客切身相關且具有價值，企業還是能贏得顧客的信任。就像任何人際關係，企業若能做個好聽眾，並在顧客需要的時候適時出現，就能贏得信任和忠誠。透過自動化分析，顧客互動能開啟持續的回饋意見迴圈，在每個接觸點上即時應變調整，增添附加價值。

例如，電信業者斯普林特（Sprint）運用資料，來創造更佳的顧客體驗。2014年，斯普林特的顧客流失率是2.3％，是它最大競爭者的兩倍。斯普林特仰賴顧客體驗服務人員（這些人員則仰賴自己的判斷）仔細檢視資料，找出服務顧客的最佳做法。之前，服務人員要瀏覽超過二十項產品方案，在電話上與顧客通話時，挑出他們覺得對顧客最好的方案。斯普林特知道，不應依賴員工做這些必須在一瞬間做成的決策。在執行培加系統（Pegasystems）的資料解決方案後（資訊揭露：培加系統是我之前的客戶），斯普林特建置了預測與自我學習分析法，以找出可能會流失的顧客，並主動提供個人化的產品方案來留住他們。結果，斯普林特的顧客流失率降低了10％，達到歷史新低，同時，淨推薦者分數（net promoter score, NPS）提升40％，顧客升級成長八倍，成功說服加裝新線路的顧客增加了40％，也改善了對顧客服務人員的整體滿意度。

另一個例子是蘇格蘭皇家銀行（Royal Bank of Scotland, RBS）。該行的資料科學與顧客決策主管潔西卡琳恩．卡斯伯森（Jessica-Lynn Cuthbertson）、資料與分析集團執行董事克里斯汀．尼里生（Christian Nellisen）這個月在培加論壇（Pegaworld）演說分享他們的案例，說明他們如何運用資料，扭轉了以銷售為導向的文化，成為受顧客信任的伙伴。RBS向來致力於追求積極的銷售目標，具體來說，就是每個月新增二十萬名信用卡顧客。然而，在新的文化和技術策略下，RBS轉變方向，並把淨推薦者分數提高了18分。「我們想要時時刻刻都為顧客做對的事，」卡斯伯森說。RBS擁有1,700萬名顧客，旗下有七個品牌與八個不同的顧客通路。這家企業歷經一場轉型，致力成為顧客心目中值得信任的顧問，勝於一般銀行。例如，分析法幫助銀行找出需要財務建議的顧客。現在，RBS若發現顧客的銀行帳戶不斷超支，就會標記出這名顧客，並打電話給他們，提供財務建議。卡斯伯森說：「我們真心為顧客著想。重點在於持續不斷對話。」

企業能在資料裡挖掘出許多重要見解，但目前若沒有機器學習的幫助，大數據就不可能充分展現效益。人工智慧工具能協助企業提升資料決策的品質，即時改善顧客體驗。運用資料來促成更個人化的顧客體驗，能讓顧客和企業同蒙其利。

（周宜芳譯）