修正坏数据，提升AI性能的4种方法

随着营销分析从传统走向人工智能驱动领域，一个主要的挑战可能推翻进步：坏数据。虽然AI擅长将大量信息转化为可操作的见解，但其效果依赖于计划良好、管理得当的数据集。

坏数据会导致预测错误、偏见、错误见解和意外结果。为了应对这些风险，公司大力投资数据清洗、验证和治理——一个必要的、耗时长且复杂的过程。

对于分析师来说，优先级在于更好地衡量指标，并理解其背后的企业背景至关重要。这就是为什么分析师必须领导优化数据以支持AI的努力。以下是四种策略，可以在 flawed 数据中提取见解的同时提升数据清洁度和规划。

1. 寻找补充的数据

通常可以利用其他数据源来验证你试图衡量的指标。例如，我曾与一家零售商合作，声称其库存数据不可靠——一个主要问题。然而，销售点（POS）数据揭示了快速移动的商品SKU突然表现出零销量。

尽管库存系统显示库存水平较低（但并非耗尽），但销售模式清楚表明库存问题影响收入。利用这一见解，我们将补货阈值和触发器调整为保持高需求商品库存，从而减少收入损失。

深入挖掘: 如何确保数据AI准备好

2. 探索“坏声誉”

有时，数据集因“嘈杂异常值”而获得不好的声誉。虽然这些错误很显眼，但它们往往只占大部分准确数据的很小比例。

例如，我曾为一家个人 lines 车险公司处理家庭政策数据。有案例显示，保单被错误地归类在同一家庭或错误地分开。我们发现了几个问题——如不正确的或重复的地址和由不同代理人销售的保单——导致大部分错误。我们通过编写纠错代码修正了数据集，将其转化为可靠的资源。

3. 区分零和无

缺失数据会阻碍决策。第一步是确定值是否真正缺失，还是简单地记录为零。理解数据生成逻辑至关重要，“没有活动”（零）与“缺少信息”（无）不同。如果数据确实是缺失的，你有两种选择。

• 是否存在可以估计缺失值的替代值？这可能涉及结合变量进行实验。
• 这个可用数据是否仍然可以回答业务问题？

在大多数情况下，缺失数据只是一个障碍，而不是不可逾越的障碍。

深入挖掘: 数据分析层级：生成式AI的位置

4. 利用随机错误的优势

有时，坏数据修复起来耗时费力，甚至无法修复。然而，如果错误是随机的，它们可能会相互抵消。这使得即使在组别或时间段之间存在有意义差异的情况下，仍然可以测量这些差异。

例如，我的团队曾为两家 recently合并的品牌处理过网站流量数据。每家品牌有自己的分析平台，提供略有不同的测量，并面临访客识别问题。由于没有理由相信一家品牌的平台比另一家的平台显著更差，我们假设错误是随机的。两个品牌之间的分段因素相似，因此能够有效分析分段级别的差异。这种基于分段的策略为公司节省了数百万美元。

充分利用AI驱动世界中的坏数据

这些策略并非穷尽所有方法，因为每个数据挑战都是独特的。然而，通常情况下，公司会过早放弃坏数据，并专注于修复数据的过程。这些中间策略表明，即使从不完美的数据中也能提取有价值的信息。

同时，公司不应因现有的数据而感到束缚。在许多情况下，生成新的、更相关的新数据可以在数字营销中快速实现。利用支持性数据、解决声誉问题、区分零和无以及有意识地使用随机错误，分析师可以解锁坏数据中的价值，并帮助构建基于AI的成功基础。

深入挖掘: 人工智能驱动的 smarter 营销路径