Dr. Rich Sonnenblick, Chief Data Scientist, Planview – Intervieuserie

Dr. Rich Sonnenblick, Planviews Chief Data Scientist, har års erfaring med at arbejde med nogle af de største farmaceutiske og life sciences-virksomheder i verden. Gennem denne dybe studie og anvendelse har han succesfuldt formuleret indsigtsgivende prioriterings- og portefølje-gennemgangsprocesser, scoresystemer og finansielle vurderings- og prognosemetoder til forbedring af både produktprognoser og porteføljeanalyse. Dr. Sonnenblick har en ph.d. og MS fra Carnegie Mellon University i Ingeniørvidenskab og Offentlig Politik og en BA i Fysik fra University of California, Santa Cruz.

Planviews Platform for Connected Work er designet til at forbedre tid-til-marked og forudsigelighed, forbedre effektivitet for at maksimere kapacitet og støtte leveringen af strategiske initiativer rettet mod at opnå optimale forretningsresultater.

De har haft en omfattende karriere med overgang fra management-consulting til ledelse af data science-initiativer. Hvad inspirerede dem til at foretage denne ændring, og hvordan har deres rejse formet deres tilgang til at udnytte AI i forretningen i dag?

Management-consulting gav mig en bred vinkel på forretningsinefficienser og utilgangede muligheder, hvor der er en tydelig åbning mellem strategisk rådgivning og handlebare indsighter. Data science bropper denne åbning, hvor rå data omdannes til strategiske aktiver, der har kraften til at informere beslutninger i realtid. Min rejse har lært mig at se AI som en forbedrer, der kan raffinere processer, accelerere beslutninger og låse kreativitet op på måder, der forstærker menneskelig ekspertise.

Hos Planview har de ført an i integrationen af avancerede AI-løsninger på tværs af forskellige forretningsfunktioner. Kan de dele, hvordan deres rolle som Chief Data Scientist har påvirket virksomhedens AI-strategi og de største udfordringer, de har mødt undervejs?

Hos Planview er AI integreret i vores platform som et værktøj til at låse indsighter op og forbedre beslutninger. Jeg har fokuseret på at bruge AI til at optimere ressourcestyring, projektplanlægning og operationel effektivitet. Vores Copilot AI-assistent tilbyder på-job-træning for brugere på alle niveauer, automatiserer hyppige tidskrævende opgaver som rapportgenerering og udnytter bedste praksis til at foreslå produktive handlingsplaner, der giver holdene mulighed for at træffe informerede beslutninger hurtigt.

Hvordan kan AI hjælpe virksomheder med at identificere inefficienser inden for hold og forbedre ressourceallokering?

AI er særligt dygtig til at identificere mønstre i data, der er for komplekse til, at de kan erkendes hurtigt af mennesker. Den kan højlytte underutiliserede ressourcer, identificere flaskehalse og forudsige arbejdsmængde-ubalancer. For eksempel kan AI, ved at analysere porteføljeobjektiver, projekt-tidsplaner og holdpræstation-målinger, foreslå omfordeling af opgaver eller omfordeling af ressourcer på tværs af porteføljer for at skabe maksimal effekt uden at tilføje yderligere ressourcer.

Hvad er nogle almindelige inefficienser i ressourcestyring, som AI er særligt effektiv til at løse?

AI er særligt dygtig til at højlytte strategiløse og lavpræsterende initiativer, og vi har bygget disse kritiske færdigheder ind i Planview Copilot. Da Copilot udvikler sig, bliver det bedre til at højlytte og foreslå afhjælpningsforanstaltninger. Det kan også højlytte spild i processer, såsom redundante opgaver eller eksessive overdragelser, og foreslå optimeringer.

Hvorfor er spild en betydelig udfordring for softwareudviklingsteams, og på hvilke måder kan AI reducere det?

Spild i softwareudvikling stammer ofte fra inefficienser som dårlig prioritering, overudnyttelse af fejlfinding eller misjusterede teamindsats. AI kan reducere spild ved at fungere som en kodningsassistent, automatisere gentagne opgaver og tilbyde prognostiske indsighter i projekt-tidsplaner og potentielle risici. For eksempel kan det analysere tidligere projekter for at identificere mønstre, der fører til forsinkelser, og hjælpe holdene med at undgå disse fælder.

Er der specifikke AI-modeller eller -værktøjer, der er særligt velegnede til at optimere softwareudviklingslivscyklussen?

Til at optimere softwareudviklingslivscyklussen søger vi forbedret effektivitet og alignment. Planview Copilot i Viz identificerer flaskehalse og hindringer for flow-hastighed og tilbyder handlebare indsighter tilpasset en organisations data. Hold kan bruge almindelig sprog til at fortolke flow-målinger, identificere systematiske leveringsforsinkelser og modtage detaljerede anbefalinger. Denne optimering er nøglen til at øge produktiviteten og i sidste ende strømlinje leveringen.

Hvordan skaber underliggende dataforhold yderligere værdi, når AI anvendes som en arbejdsassistent?

Ved at kortlægge forhold mellem data punkter – enten i projekt-tidsplaner, ressourceudnyttelse eller teamkommunikation – kan AI fremhæve indsighter, der går ud over det åbenlyse. For eksempel kan kobling af stemnings-trends i statusopdateringer til projektresultater hjælpe ledere med at forudse vejrblokke, før holdet fremfører dem til ledelsen, og give dem tilstrækkelig tid til at foretage proaktive justeringer.

Hvad skal mindre organisationer gøre for at adoptere AI på en billig måde uden at gå på kompromis med effekten?

Mindre organisationer skal starte med tilgængelige generative AI-værktøjer, der fungerer som porte til mere avancerede løsninger. Værktøjer, der sammenfatter dokumenter, hjælper med markedsføringsindhold eller hjælper med kodegenerering, er omkostningseffektive måder for disse organisationer at starte deres AI-adoption uden omfattende investering. At starte med et horisontalt AI-tilbud, der er anvendeligt på en bred vifte af brugsområder, vil være en bedre værdi end at investere i specialiserede applikationer, der bøjer generativ AI til meget specifikke arbejdsopgaver. Dette giver organisationen mulighed for at identificere høj-impact-brugsområder specifikke for deres organisation i stedet for at overinvestere i flere tilbud.

Hvad er rollen for prognostisk analyse i forbedring af projektresultater?

Prognostisk analyse hjælper holdene med at forudse potentielle vejrblokke og resultater baseret på historiske data og nuværende trends. AI-agenter kan forudsige sandsynligheden for projektforsinkelser eller ressource-mangel, og giver produktchefer mulighed for at justere planer proaktivt. Denne forudsigelse minimiserer risiko og maksimerer effektivitet, og giver i sidste ende organisationer mulighed for at opnå deres strategiske mål hurtigere.

Set fremad, hvordan forestiller de sig, at AI vil forvandle forretningsoperationer over de næste ti år, og hvilke opkomne AI-trends er de mest begejstret for deres potentiale til at påvirke brancher?

AI vil fortsætte med at forvandle forretningsoperationer i de kommende ti år. Det vil skabe nye roller, forbedre prognoseevner og strømlinje innovation.

LLM-native udviklere, eksperter i integration af AI-samarbejde, vil blive normen og vil erstatte udviklere, der ikke adopterer AI i deres dag-til-dag-opgaver. Generativ AI vil fortsætte med at udviske grænserne med prognostisk AI, berigende algoritmer med syntetiske scenarier til strategisk beslutningstagning baseret på eksterne og interne faktorer. I biotek vil genAI skabe komplekse patientprofiler for at afsløre nye behandlinger, mens i cybersikkerhed vil AI simulere nye trusler til prognostiske modeller til at modgøre. Opkomne trends som adaptiv inferens og mindre, mere effektive AI-modeller vil løse beregningsudfordringer i de kommende år. De vil sikre hurtigere, mere målrettede løsninger.

Fra strategisk planlægning til proaktiv sikkerhed vil AI’s integration give virksomheder mulighed for at ændre retning med agility, afsløre robuste strategier og operationel excellence i en stadig mere dynamisk verden.

Tak for det store interview, læsere, der ønsker at lære mere, skal besøge Planview.