什么是数据发现？
数据发现 涉及从各种来源收集和评估数据，通常用于了解数据的趋势和模式。它需要一系列步骤，组织可以将这些步骤用作了解其数据的框架。数据发现通常与 商业智能（ BI ）相关联，通过将分散、孤立的数据源汇集在一起进行分析，从而为业务决策提供信息。除非您能找到从数据中提取见解的方法，否则拥有大量数据是没用的。数据发现过程包括连接多个数据源、清理和准备数据、在整个组织内共享数据以及执行分析，从而深入了解业务流程。
今天，几乎所有企业都收集了有关其客户、市场、供应商、生产流程等的大量数据。数据从在线和传统交易系统、传感器、社交媒体、移动设备和其他各种来源流入。结果，决策者淹没在数据中，但却渴望见解。见解隐藏在该数据中。
数据探索 和 可视化分析 是业务数据分析师用来发现和调查隐藏但可能有用的数据见解的方法之一。这是一种挖掘数据的方法，以寻找需要进一步探索的有趣的关系、趋势、模式和异常现象。探索和可视化分析使技术辅助分析、模式识别软件进行可视化和深入分析的使用将数据转化为知识和认识。
数据发现为企业提供了一种使数据清洁、易于理解和用户友好的方法。企业的所有成员都应该能够使用全面的解决方案。数据发现的主要好处是在数据中发现切实可行的见解。这些见解可帮助用户在竞争对手面前发现宝贵的机会，而无需咨询 IT 组织。可视化数据发现可以增强这一价值，使行业工人能够更快地找到答案。
今天，公司发现，人工智能 (AI) 的使用大大增强了数据发现进程。此过程也称为智能数据发现。在智能数据发现中，AI 可以自动发现数据关系，并利用 AI 驱动的建议加速公司的分析。底层 AI 建议引擎使用复杂的针对任何类型数据运行的 AI 算法，而用户不知道正在后台进行处理。AI 引擎通过采用训练有素的学习算法来识别潜在的关系，例如相关性。利用 AI 的领先分析平台提供了相关变量的推荐可视化效果，用户可以选择进一步探索。
在 AI 驱动的分析领域，有几个令人兴奋的创新方向，包括：
- AI 技术可用于建议数据准备步骤，例如标准化、缺失数据处理、字符串模式识别等。
- 算法可用于识别和吸引人们关注数据中相关变量组的特定模式或异常值。
- 时间序列分析在模式识别、异常检测和序列关系发现方面有着不同的需求和技术。
- 可以收集、分析专家用户的行为数据，并将其用于影响推荐的分析操作。
人工智能建议引擎和建议正在越来越多地用于增强对不断扩大的问题空间的分析。人类理解与机器无知的这种结合使企业专业人员能够及时发现海量数据之间的重要关系，以便采取行动。
通过数据发现解决业务问题
分析师的任务是发现企业收集的大量数据的见解。由于数据发现带来了来自许多不同来源的数据，因此使企业能够以创新的方式使用数据。它可以帮助用户以不同的新方式探索数据，并找到在数据发现之前不明显的见解。此外，一旦制定了新的趋势或模式，数据发现使用户可以轻松地深入研究变量并提出新的问题和见解。
这些见解可能包括识别客户问题，例如：
- 意外的客户流失
- 客户关系和管理问题
- 微妙的产品问题，例如退货和故障
- 由于过度折扣导致的价格漏损
- 促销失败
- 由于竞争行为，例如激进的定价或新产品，而损失的市场份额
数据发现使公司能够通过汇编和评估客户用于与公司互动的许多渠道的客户行为、交易和情绪数据，从而全方位捕获客户视图。
数据发现对于帮助决策者发现客户不满的早期预警信号非常宝贵。数据发现可帮助企业领导者更彻底地了解客户如何看待公司。
文本、情绪、社交和语音分析可用于识别客户在各种互动中对贵公司的评论，包括社交媒体评论和联络中心互动。根据客户情绪进行关键词搜索可以帮助企业领导者确定多个客户可能会出现潜在的产品或服务问题。
数据发现工具还为银行提供了无数机会来了解更多客户信息并根据这些见解采取行动。例如，数据发现工具可以帮助银行家确定特定客户正在使用哪些产品（例如，支票、储蓄），然后根据客户的收入、生命周期状态和其他因素确定其是否是交叉销售或追加销售的好人选（例如，存单）。
在金融服务的客户流失率如此之高的情况下，银行家还可以使用数据分析和数据发现工具来确定某些客户群体之间客户流失的主要原因，并在客户即将离开时发现预警信号。如果未被发现且未得到解决，这些问题可能会严重破坏任何业务。因此，迫切需要在数据中发现见解并采取行动。有了正确的见解，公司可以将工作重点放在需要留住客户和使客户满意的地方，而不是简单地采取海选战略，看看谁最后能鹤立鸡群。数据发现将大数据的力量交给日常业务用户，为他们提供了制定数据驱动型业务决策所需的信息。
