世界环境日特辑 | 数字化技术,让生命的循环可视化

6月5日(周三)是世界环境日,在忙碌的日常生活之外,我们时常想不起人类面临的危机。人类需要在2030年前将温室气体的排放量减半,才能将本世纪的全球升温控制在1.5℃以内。如果不采取行动,未来十年内,暴露在超出安全标准的空气污染的人口数将增加50%。Domo的数字化技术,让可再生能源走近每一个家庭,让每一个家庭都可以看到生命循环的痕迹。

一、推广可再生能源,困难重重

(一)可再生能源,路在何方?

为了应对气候变化,有识之士正在推广可再生能源,但有意愿转向清洁能源的消费者却很有限。首先,安装太阳能电池板花费数万元,而许多房主又面临着屋顶朝向或遮挡阳光的树木问题,对于租房者来说,则更不可能自行安装太阳能电池板了。

如何向大众推广可再生能源,如何让可再生能源走得更远?这些都成了运营和营销团队亟需解决的难题。

(二)谁是目标用户?

定位有意愿使用可再生能源的家庭,是CleanChoice Energy一直以来的目标。因此,整个团队需要掌握可靠的数据、趋势和市场模式,来决定营销方向。

Domo先进的数据科学和可视化仪表板,让团队可以清楚地探查到目标市场中有意愿注册可再生能源服务的家庭,随后,团队就可以制定相对应的市场投资战略,定位愿意使用可再生能源的用户。

可喜的是,由于操作界面简洁明了,借助庞大的图表资源,通过拖拽就可以创建多种数据表,因此即使是非技术人员,在接受了简单的培训后,也能快速上手创建报表和应用程序。如此一来,既降低了人力成本,也提高了工作效率。

(三)我们与用户的距离

通过Domo,创建一个规范化的流程,将销售团队纳入到数据分析行动中,从前线销售人员中,收集实时的反馈意见。这样一来,其他业务人员也能够共享一线的信息,拉近与用户的距离。

二、一个家庭,需要多少可再生能源?

为了向用户家庭输送足够的可再生能源,CleanChoice Energy需要获取客户的能源使用数据,并与可再生能源发电机的输出进行匹配,最后,再通过电子邮件与用户家庭分享数据报告。然而,这曾经是一个十分耗时的手动匹配过程,效率低,错误率高。

为了解决这个问题,CleanChoice Energy采用Domo进行数字化变革。首先,自动捕获用户家庭的能源使用数据,并与风力发电厂和太阳能发电厂共享数据,并自动生成实时可视化仪表板 。随后,利用Domo Everywhere将这些报告嵌入到自家网站上,这样一来,客户就可以随时登录以查看定制化报告了。

三、看见生命的循环

****除了通过数据仪表板提供数据报告,CleanChoice Energy还利用Domo Everywhere这个功能向用户家庭展示他们的在环境保护方面的贡献。****例如每个家庭的一个节约小习惯,所对应的树木的数目面积和未燃烧的煤炭重量。例如,一张纸、一滴水、一台电灯的意义是什么?它们对应的是未被砍伐的树木、流动的湖泊和埋在地底的煤炭。通过这种方式,CleanChoice Energy将自然具象化并带回日常生活,所有人可以看到努力的价值与意义,一张纸会长成一棵树,一滴水会汇聚在山川湖泊,一度电在地表下经历了亿万年演化。

可循环事业,离不开每一个家庭和每一个个体的努力。Domo的数字化技术,帮助可再生能源扩大规模,同时将庞大的事业转化成日常生活中的一件件小事。

相关推荐
985小水博一枚呀19 分钟前
【深度学习滑坡制图|论文解读3】基于融合CNN-Transformer网络和深度迁移学习的遥感影像滑坡制图方法
人工智能·深度学习·神经网络·cnn·transformer
AltmanChan20 分钟前
大语言模型安全威胁
人工智能·安全·语言模型
985小水博一枚呀24 分钟前
【深度学习滑坡制图|论文解读2】基于融合CNN-Transformer网络和深度迁移学习的遥感影像滑坡制图方法
人工智能·深度学习·神经网络·cnn·transformer·迁移学习
ycsdn1031 分钟前
Caused by: org.apache.flink.api.common.io.ParseException: Row too short:
大数据·flink
数据与后端架构提升之路33 分钟前
从神经元到神经网络:深度学习的进化之旅
人工智能·神经网络·学习
爱技术的小伙子39 分钟前
【ChatGPT】如何通过逐步提示提高ChatGPT的细节描写
人工智能·chatgpt
菜鸟的人工智能之路40 分钟前
桑基图在医学数据分析中的更复杂应用示例
python·数据分析·健康医疗
DolphinScheduler社区2 小时前
Apache DolphinScheduler + OceanBase,搭建分布式大数据调度平台的实践
大数据
深度学习实战训练营2 小时前
基于CNN-RNN的影像报告生成
人工智能·深度学习
时差9533 小时前
MapReduce 的 Shuffle 过程
大数据·mapreduce