Rodt Data Forhinder Enterprise AI-Adoption – Hvordan Virksomheder Kan Udrette Sig Selv

Sundhedsstartups siger, at uklare regler hæmmer AI-innovationen i sektoren. Selvfølgelig er sådanne forsigtighedsforanstaltninger nødvendige i sundhedssektoren, hvor det bogstaveligt talt handler om liv eller død. Men det, der giver mindre mening, er den langsomme adoption af AI på tværs af enterprise SaaS – et område, der ikke er hæmmet af bureaukrati som andre sektorer.

Så hvad stopper virksomheder fra at adoptere AI for at strømline og optimere deres processer? Den primære skyldige er de store mængder rodt data, der opstår, når virksomheder vokser og tilføjer nye værktøjer og produkter. I denne artikel vil jeg dykke ned i, hvordan rodt data er en hindring for AI-innovation i virksomheder, og udforske løsningerne.

Velkommen til datajunglen

Lad os starte med at kigge på en almindelig dataudfordring, som mange moderne virksomheder står overfor. Til at begynde med, når virksomheder tilbyder et begrænset udvalg af produkter, har de typisk ren indtægtsdata, der er samlet i ét system. Men når de udvider deres tilbud og adopterer en række forskellige indtægtsmodeller, bliver tingene hurtigt rod.

For eksempel kan en virksomhed initialt anvende en engangs-købsmodel, men senere introducere yderligere muligheder såsom abonnementer eller forbrugsbaseret prissætning. Når de udvider, er de sandsynligvis også diversificerer deres salgskanaler. En virksomhed, der starter med 100% produktledet selvbetjening, kan over tid realisere, at de har brug for hjælp fra salgsteam til at opgradere, krydssælge og lande større kunder.

Under hurtige vækstfaser lægger mange virksomheder simpelthen nye salgssystemer oven på eksisterende. De vil købe et andet SaaS-værktøj til at styre hver enkelt forskellig bevægelse, prismodel, købsproces og så videre. Det er ikke usædvanligt, at en virksomheds marketingsafdeling alene har 20 forskellige SaaS-værktøjer med 20 forskellige datasiloer.

Så selvom virksomheder generelt starter med ren, integreret data, fører vækst til, at data hurtigt spiraler ud af kontrol, ofte lang tid før virksomhederne selv erkender det som et problem. Data bliver afskåret mellem fakturering, opfyldelse, kundesucces og andre systemer, hvilket betyder, at virksomhederne mister den overordnede oversigt over deres interne processer. Og desværre er manuel dataafstemning ofte så arbejdskrævende og tidskrævende, at indsigt kan være forældet, når den er klar til brug.

AI kan ikke løse jeres rodede data for jer

Flere potentielle kunder har spurgt os – “hvis AI er så godt, kan det så ikke bare løse dette rodede dataproblem for os?” Desværre er AI-modeller ikke en mirakelkur for dette dataproblem.

Nuværende AI-modeller kræver rene datasæt for at fungere korrekt. Virksomheder, der afhænger af forskellige salgsbevægelser, SaaS-platforme og indtægtsprocesser, samler uvægerligt sammen forskellige og fragmenterede datasæt. Når en virksomheds indtægtsdata er spredt over inkompatible systemer, der ikke kan kommunikere med hinanden, kan AI ikke gøre det meningsfuldt. For eksempel kan det, der er mærket som “Produkt” i ét system, være meget forskelligt fra “Produkt” i et andet system. Denne subtile semantiske forskel er svær for AI at identificere og ville uvægerligt føre til fejl.

Data skal være ordentligt renset, kontekstualiseret og integreret før AI kommer ind i billedet. Der er en længevarende misforståelse om, at datawarehousing tilbyder en løsning, der passer til alle. I virkeligheden skal data selv med en datawarehouse stadig være manuelt raffineret, mærket og kontekstualiseret, før virksomheder kan bruge det til at producere meningsfulde analyser. Så på den måde er der paralleller mellem datawarehousing og AI, idet virksomheder skal komme til bunds i det rodede data, før de kan udnytte fordelene ved begge disse værktøjer.

Selv når data er blevet kontekstualiseret, estimeres AI-systemer stadig til at hallucinere mindst 3% af tiden. Men en virksomheds økonomi — hvor selv en decimalpunkt på forkert sted kunne have en dominobrændeffekt, der forstyrrer flere processer — kræver 100% nøjagtighed. Dette betyder, at menneskelig indgriben stadig er afgørende for at validere dataakkuratesse og konsistens. En for tidlig integration af AI kan endda skabe mere arbejde for menneskelige analytikere, der skal bruge ekstra tid og ressourcer på at korrigere disse hallucinationer.

En data catch-22

Alligevel har spredningen af SaaS-løsninger og det resulterende rodede data flere løsninger.

Først skal virksomheder regelmæssigt evaluere deres teknologi-stack for at sikre, at hvert værktøj er strengt nødvendigt for deres forretningsprocesser, og ikke bare bidrager til data-rodet. Du kan finde, at der er 10 eller endda 20+ værktøjer, som dine teams bruger dagligt. Hvis de virkelig tilfører værdi til afdelingerne og den samlede virksomhed, så fjern dem ikke. Men hvis rodt, afskåret data forstyrrer processer og intelligence-samling, skal du veje fordelene mod at skifte til en lean, samlet løsning, hvor alle data er placeret i samme værktøj og sprog.

På dette punkt står virksomheder overfor en dilemma, når de vælger software: all-in-one-værktøjer kan tilbyde data-kohærens, men muligvis mindre præcision i bestemte områder. En midtergrund indebærer, at virksomheder søger efter software, der tilbyder en universel objektmodel, der er fleksibel, tilpasningsdygtig og samlet integreret med den generelle økosystem. Tag Atlassians Jira som eksempel. Dette projektstyringsværktøj opererer på en letforståelig og højtilgængelig objektmodel, der gør det let at tilpasse til forskellige typer projektstyring, herunder Agile Softwareudvikling, IT/Helpdesk, Marketing, Uddannelse og så videre.

For at navigere i denne afvejning er det afgørende at kortlægge de nøgleperformanceindikatorer, der betyder mest for din virksomhed, og arbejde sig tilbage fra der. At identificere virksomhedens Nordstjerne og justere systemerne i forhold til den sikrer, at du arkitekter din data-infrastruktur til at levere de indsigt, du har brug for. I stedet for kun at fokusere på operationelle arbejdsgange eller brugerletthed skal du overveje, om et system bidrager til ikke-forhandlbare nøgleperformanceindikatorer, såsom dem, der er afgørende for strategisk beslutningstagning.

Til sidst er det virksomheder, der investerer tid og ressourcer i at udrette det rodede data-rod, de er havnet i, der først vil låse den sande potentiale i AI.