Jay Allardyce, General Manager, Data & Analytics hos insightsoftware – Interviewserie

Jay Allardyce er General Manager, Data & Analytics hos insightsoftware. Han er en teknologiuddannet leder med 23+ års erfaring på tværs af virksomheder som Google (GOOGL ), Uptake, GE og HP. Han er også medstifter af GenAI.Works, der leder den største kunstig intelligens-fællesskab på LinkedIn.

insightsoftware er en global leverandør af finansielle og operationelle softwareløsninger. Virksomheden tilbyder værktøjer, der understøtter finansielle planlægnings- og analyseprocesser (FP&A), regnskab og drift. Deres produkter er designed til at forbedre dataadgang og hjælpe organisationer med at træffe underrettet beslutninger.

I har understreget, hvor vigtigt det er for virksomheder at adoptere kunstig intelligens som svar på stigende kundeforventninger. Hvad er de vigtigste skridt, virksomheder skal tage for at undgå at falde i fælden med “AI FOMO” og adoptere generiske AI-løsninger?

Kunderne giver virksomhederne besked om, at de ønsker øget AI-kapacitet i de værktøjer, de bruger. Som svar skynder virksomhederne sig for at imødekomme disse krav og holde trit med deres konkurrenter, hvilket skaber en hektisk cyklus for alle parter. Og ja, slutresultatet er AI FOMO, som kan få en virksomhed til at skynde sig med innovationen i et forsøg på blot at sige: “Vi har AI!”

Det største råd, jeg har til virksomheder for at undgå at falde i denne fælde, er at tage sig tid til at forstå, hvilke problemer kunderne beder AI om at løse. Er der et procesproblem, der er for manuelt intensivt? Er der en gentaget opgave, der skal automatiseres? Er der beregninger, der let kan udregnes af en maskine?

Når virksomheder har denne nødvendige kontekst, kan de begynde at adoptere løsninger med formål. De vil være i stand til at tilbyde kunderne AI-værktøjer, der løser et problem, i stedet for dem, der blot tilføjer til forvirringen af deres eksisterende problemer.

Mange virksomheder skynder sig med at implementere AI uden at fuldt ud forstå dets anvendelsesmuligheder. Hvordan kan virksomheder identificere de rigtige AI-drevne løsninger, der er tilpasset deres specifikke behov, i stedet for at stole på generiske implementeringer?

På kundesiden er det vigtigt at opretholde konstant kommunikation for bedre at forstå, hvilke anvendelsesmuligheder der er mest presserende. Kundeadvokationsbestyrelser kan give en hjælpsom løsning. Men ud over kunderne er det også vigtigt for hold at se internt og forstå, hvordan tilføjelsen af nye AI-værktøjer vil påvirke interne funktioner. For hvert nyt værktøj, der introduceres til en kunde, står interne datahold med en bjerg af nye variabler og ny data, der skabes.

Du har hjulpet Fortune 1000-virksomheder med at omfavne en data-først-tilgang. Hvad betyder det i virkeligheden for en virksomhed at være “data-drevet”, og hvilke er nogle af de almindelige fælder, virksomheder støder på under denne transformation?

For at en virksomhed kan være “data-drevet”, skal virksomhederne lære at udnytte data korrekt. En sandt data-drevet hold kan udføre data-drevet beslutningstagning, hvilket indebærer at bruge information til at informere og understøtte forretningsvalg. I stedet for at stole kun på intuition eller personlig erfaring samler beslutningstagerne og analyserer relevant data for at guide deres strategier. At træffe beslutninger baseret på data kan hjælpe virksomheder med at udlede mere underrettet, objektiv indsigt, hvilket i en hurtigt skiftende markedsøkonomi kan betyde forskellen mellem en strategisk beslutning og en impulsiv.

Med din baggrund i arbejde med IoT og industrielle teknologier, hvordan ser du på intersectionen mellem AI og IoT i brancher som energi, transport og tungt byggeri?

Når IoT kom på scenen, var der en tro på, at det ville give mulighed for større tilslutning til at forbedre beslutningstagning. I retur åbnede denne tilslutning en hel ny verden af økonomisk værdi, og dette var, og er stadig, tilfældet for den industrielle sektor.

Problemet var, at så mange fokuserede på “smart plumbing”, hvor IoT blev brugt til at tilslutte, trække ud og kommunikere med distribuerede enheder, og mindre på resultatet. Du skal bestemme det præcise problem, der skal løses, nu hvor du er tilsluttet til sige 400 tungt byggeriaktiver eller 40 ejede kraftværker. Resultatet, eller problemet at løse, kommer til sidst ned til at forstå, hvilken KPI, der kan forbedres, hvilket driver top-line, workflow-produktivitet eller bundlinje-besparelser (hvis ikke en kombination). Hvert virksomhed er styret af en række top-niveau-KPI’er, der måler drifts- og aktionærpræstation. Når disse er fastlagt, bliver problemet at løse (og dermed hvilken data, der ville være nyttig) klart.

Du har talt om vigtigheden af at udnytte data effektivt. Hvordan kan virksomheder forvandle data til en sand konkurrencefordel, og hvad er nogle af de almindelige måder, virksomheder misbruger data på?

Begrebet “kunstig intelligens”, når det tages bogstaveligt, kan være lidt misvisende. At indtaste alle data i en AI-motor betyder ikke, at det vil producere nyttige, relevante eller præcise resultater. Da holdene søger at holde trit med AI-innovationens hastighed i dag, glemmer vi af og til vigtigheden af komplet dataforberedning og kontrol, som er afgørende for at sikre, at data, der føder AI, er fuldstændigt nøjagtig. Ligesom det menneskelige legeme afhænger af højkvalitetsbrændstof til at drive sig selv, afhænger AI af ren, konsekvent data, der sikrer nøjagtigheden af dens prognoser.

Hvad er nogle af de bedste praksisser for at give ikke-tekniske hold inden for en organisation mulighed for at bruge data og AI effektivt, uden at overvælde dem med komplekse værktøjer eller processer?

Mit råd er, at ledere skal fokusere på at give ikke-tekniske hold mulighed for at generere deres egne analyser. For at være sandt agile som en forretning skal tekniske hold fokusere deres indsats på at gøre processen mere intuitiv for medarbejdere på tværs af organisationen, i stedet for at fokusere på den stadig voksende venteliste af anmodninger fra finans og drift. Fjernelse af manuelle processer er virkelig det første vigtige skridt i denne proces, da det giver driftschefer mulighed for at bruge mindre tid på at indsamle data og mere tid på at analysere den.

insightsoftware fokuserer på at bringe AI ind i finansielle operationer. Hvordan ændrer AI måden, CFO’er og finansielle hold opererer på, og hvad er de største fordele, AI kan bringe til finansielle beslutninger?

AI har haft en dyb indvirkning på finansielle beslutninger og finansielle hold. Faktisk bruger 87% af holdene allerede AI i en moderat til høj grad, hvilket er et fantastisk mål for dens succes og indvirkning. Specifikt kan AI hjælpe finansielle hold med at producere vitale prognoser hurtigere og dermed oftere – hvilket betyder en betydelig forbedring af nuværende prognosecykler, som estimerer, at 58% af budgetcykler er længere end fem dage.

Hvordan ser du på behovene for data udvikling i de næste fem år, især i forhold til AI-integration og skiftet til cloud-resourcer?

Jeg tror, at de næste fem år vil demonstrere et behov for forbedret data-agilitet. Med, hvor hurtigt markedet ændrer sig, skal data være agile nok til at give virksomheder mulighed for at blive konkurrencedygtige. Vi så dette i overgangen fra on-prem til off-prem til cloud, hvor virksomheder havde data, men ingen af dem var nyttig eller agile nok til at hjælpe dem med skiftet. Forbedret fleksibilitet betyder forbedret data-beslutning, samarbejde, risikostyring og en række andre muligheder. Men til sidst giver det holdene de værktøjer, de har brug for til at tackle udfordringer effektivt og tilpasse sig, som nødvendigt, til skiftende trends eller markedskrav.

Hvordan sikrer du, at AI-teknologierne bruges ansvarligt, og hvilke etiske overvejelser skal virksomheder prioritere, når de implementerer AI-løsninger?

At tegne en parallel mellem opkomsten og adoptionen af cloud, var organisationer bange for at give deres data til en ukendt enhed, der skulle køre, vedligeholde, styre og sikre den. Det tog et antal år, før denne tillid blev opbygget. Nu, med AI-adoption, opstår en lignende mønster.

Organisationer skal igen stole på et system til at sikre deres information og, i dette tilfælde, producere troværdig information, der er faktuel, referencebar og også tillidsværdig. Med cloud var det om “hvem ejede eller styrede” din data. Med AI handler det om tillid og brug af data, samt afledning af information, der skabes som følge. Med det sagt ville jeg foreslå, at organisationer fokuserer på følgende tre ting, når de implementerer AI-teknologier:

1. Lean ind – Vær ikke bange for at bruge denne teknologi, men adopter og lær.
2. Grounding – Enterprise-data, du ejer og styrer, er sandheden, når det kommer til informationsnøjagtighed, forudsat at informationen er sand, faktuel og referencebar. Sørg for, at du forstår, hvordan AI-modellen er trænet, og hvilken information den bruger. Ligesom alle applikationer eller data producerer ikke-AI-drevne applikationer falske eller ukorrekte resultater. Bare fordi AI producerer et ukorrekt resultat, betyder det ikke, at vi skal beskylde modellen, men snarere forstå, hvad der føder modellen.
3. Værdi – Forstå anvendelsesmuligheden, hvorved AI kan have en betydelig indvirkning.

Tak for det store interview, læsere, der ønsker at lære mere, kan besøge insightsoftware.