Jay Allardyce, General Manager, Data & Analytics bei insightsoftware – Interview-Serie

Jay Allardyce ist General Manager, Data & Analytics bei insightsoftware. Er ist ein Technology-Executive mit 23+ Jahren Erfahrung in Unternehmen wie Google (GOOGL ), Uptake, GE und HP. Er ist auch Mitgründer von GenAI.Works, das die größte künstliche Intelligenz-Community auf LinkedIn leitet.

insightsoftware ist ein globaler Anbieter von Finanz- und Betriebssoftware-Lösungen. Das Unternehmen bietet Tools, die die Finanzplanung und -analyse (FP&A), Buchhaltung und Betrieb unterstützen. Die Produkte sind darauf ausgelegt, die Datenzugänglichkeit zu verbessern und Organisationen bei der Entscheidungsfindung zu unterstützen.

Sie haben betont, wie wichtig es für Unternehmen ist, künstliche Intelligenz (KI) zu adoptieren, um den steigenden Kundenanforderungen gerecht zu werden. Welche Schritte sollten Unternehmen unternehmen, um nicht in die Falle von “KI-FOMO” (Fear of Missing Out) zu geraten und generische KI-Lösungen zu adoptieren?

Kunden machen Unternehmen klar, dass sie mehr KI-Fähigkeiten in den von ihnen verwendeten Tools wollen. Als Reaktion darauf eilen Unternehmen, um diese Anforderungen zu erfüllen und mit ihren Wettbewerbern Schritt zu halten, was einen hektischen Zyklus für alle Beteiligten erzeugt. Und ja, das Ergebnis ist KI-FOMO, das ein Unternehmen dazu bringen kann, seine Innovation zu überstürzen, nur um zu sagen: “Wir haben KI!”

Der größte Rat, den ich Unternehmen geben kann, um nicht in diese Falle zu geraten, ist, sich die Zeit zu nehmen, um zu verstehen, welche Schmerzpunkte Kunden von der KI lösen wollen. Gibt es ein Prozessproblem, das zu manuell-intensiv ist? Gibt es eine wiederkehrende Aufgabe, die automatisiert werden muss? Gibt es Berechnungen, die leicht von einer Maschine durchgeführt werden können?

Sobald Unternehmen diesen notwendigen Kontext haben, können sie beginnen, Lösungen mit einem bestimmten Zweck zu adoptieren. Sie können Kunden KI-Tools anbieten, die ein Problem lösen, anstatt solche, die nur zu Verwirrung bei den bestehenden Problemen beitragen.

Viele Unternehmen implementieren KI, ohne deren Anwendungsfälle vollständig zu verstehen. Wie können Unternehmen die richtigen KI-getriebenen Lösungen identifizieren, die auf ihre spezifischen Bedürfnisse zugeschnitten sind, anstatt auf generische Implementierungen zu vertrauen?

Auf der Kundenseite ist es wichtig, eine ständige Kommunikation aufrechtzuerhalten, um die dringendsten Anwendungsfälle besser zu verstehen. Kundenbeiräte können eine hilfreiche Lösung bieten. Aber auch innerhalb der Teams ist es wichtig, zu verstehen, wie die Einführung neuer KI-Tools die interne Funktionalität beeinflussen wird. Für jedes neue Tool, das einem Kunden präsentiert wird, stehen interne Datenteams vor einem Berg neuer Variablen und neuer Daten, die erstellt werden.

Während wir alle neue Fähigkeiten hinzufügen und sie den Kunden präsentieren möchten, wird keine KI-Implementierung erfolgreich sein, ohne die Unterstützung interner Datenteams und -wissenschaftler bei ihrer Entwicklung. Intern abstimmen, um die Bandbreite zu verstehen, und dann nach außen schauen, um zu entscheiden, welche Kundenanfragen mit angemessener Unterstützung bewältigt werden können.

Sie haben geholfen, Fortune-1000-Unternehmen, eine datengetriebene Herangehensweise zu adoptieren. Was bedeutet es für ein Unternehmen, “datengetrieben” zu sein, und welche häufigen Fallstricke gibt es, auf die Unternehmen bei dieser Transformation stoßen?

Um ein “datengetriebenes” Unternehmen zu sein, müssen Unternehmen lernen, Daten effektiv zu nutzen. Ein wirklich datengetriebenes Team kann datengetriebene Entscheidungsfindung durchführen, die darin besteht, Informationen zu sammeln und zu analysieren, um Geschäftsentscheidungen zu unterstützen. Anstatt sich allein auf Intuition oder persönliche Erfahrung zu verlassen, sammeln Entscheidungsträger relevante Daten, um ihre Strategien zu leiten. Entscheidungen auf der Grundlage von Daten können Unternehmen helfen, fundiertere, objektivere Erkenntnisse zu gewinnen, was in einem sich schnell verändernden Markt den Unterschied zwischen einer strategischen Entscheidung und einer impulsiven Entscheidung ausmachen kann.

Ein häufiger Fallstrick bei der Erreichung dieses Ziels ist eine ineffektive Datenverwaltung, die zu einem “Datenüberlastung” führt, bei der Teams mit großen Mengen an Daten belastet werden und nicht in der Lage sind, etwas damit zu tun. Wenn Unternehmen versuchen, ihre Bemühungen auf die wichtigsten Daten zu konzentrieren, kann die Tatsache, dass zu viele Daten verfügbar sind, zu Verzögerungen und Ineffizienzen führen, wenn sie nicht ordnungsgemäß verwaltet werden.

Angesichts Ihrer Erfahrung in der Arbeit mit IoT- und Industrietechnologien, wie sehen Sie die Kreuzung von KI und IoT in Branchen wie Energie, Transport und Schwerbau evolvieren?

Als IoT auf den Plan trat, gab es die Überzeugung, dass es eine größere Konnektivität ermöglichen würde, um die Entscheidungsfindung zu verbessern. Dies führte tatsächlich zu einem neuen Welt von wirtschaftlichem Wert, und dies war und ist immer noch der Fall für den industriellen Sektor.

Das Problem war, dass viele sich auf “intelligente Rohrleitungen” konzentrierten, um IoT zu nutzen, um verteilte Geräte zu verbinden, zu extrahieren und zu kommunizieren, und weniger auf das Ergebnis. Man muss das genaue Problem bestimmen, das gelöst werden soll, jetzt, da man mit sagenhaften 400 Baumaschinen oder 40 eigenen Kraftwerken verbunden ist. Das Ergebnis oder das Problem, das gelöst werden soll, lässt sich letztendlich auf die Verbesserung eines bestimmten KPIs zurückführen, der den Umsatz, die Produktivität der Arbeitsabläufe oder die Kosteneinsparungen (oder eine Kombination davon) beeinflusst. Jedes Unternehmen wird von einer Reihe von Leistungsindikatoren (KPIs) auf höchster Ebene regiert, die die Betriebs- und Aktionärsleistung messen. Sobald diese bestimmt sind, wird das Problem, das gelöst werden soll (und daher die Daten, die nützlich wären), klar.

Mit dieser Grundlage kann KI – ob vorhersehbar oder generativ – einen 10-50-mal größeren Einfluss auf die Produktivität des Unternehmens haben. Optimiertes Angebot, LKW-Fahrten und Wartungszyklen für Reparaturen basieren alle auf einem klaren Nachfragemuster, das mit den erforderlichen Eingabeparametern abgestimmt wird. Um dies zu veranschaulichen, kann die Idee, das “richtige Teil, zur richtigen Zeit, am richtigen Ort” zu haben, Millionen für ein Bauunternehmen bedeuten – da es weniger Lagerbestandsanforderungen für Inventar und optimierte Service-Techniker auf der Grundlage eines KI-Modells hat, das weiß oder vorhersagt, wann eine Maschine ausfällt oder wann ein Service-Ereignis eintreten kann. Dieses Modell, kombiniert mit strukturierten Betriebsdaten und IoT-Daten (für verteilte Assets), kann einem Unternehmen helfen, dynamischer und marginal optimiert zu sein, ohne die Kundenzufriedenheit zu beeinträchtigen.

Sie haben über die Bedeutung gesprochen, Daten effektiv zu nutzen. Welche sind einige der häufigsten Wege, auf denen Unternehmen Daten missbrauchen, und wie können sie diese in einen wahren Wettbewerbsvorteil umwandeln?

Der Begriff “künstliche Intelligenz”, wenn man ihn wörtlich nimmt, kann ein bisschen irreführend sein. Die Eingabe aller Daten in einen KI-Motor bedeutet nicht, dass er nützliche, relevante oder genaue Ergebnisse produziert. Wenn Teams versuchen, mit dem Tempo der KI-Innovation in der heutigen Welt Schritt zu halten, vergessen wir gelegentlich die Bedeutung einer vollständigen Datenpräparation und -kontrolle, die für die Sicherstellung, dass die Daten, die die KI speisen, vollständig genau sind, entscheidend sind. Genau wie der menschliche Körper auf hochwertiges Benzin angewiesen ist, um sich selbst zu betreiben, hängt die KI von sauberen, konsistenten Daten ab, die die Genauigkeit ihrer Prognosen gewährleisten. Insbesondere in der Welt der Finanzteams ist dies von größter Bedeutung, damit Teams genaue Berichte erstellen können.

Was sind einige der besten Praktiken, um nicht-technische Teams innerhalb eines Unternehmens zu befähigen, Daten und KI effektiv zu nutzen, ohne sie mit komplexen Tools oder Prozessen zu überfordern?

Mein Rat ist, dass Führungskräfte sich auf die Befähigung nicht-technischer Teams konzentrieren sollten, um ihre eigenen Analysen zu erstellen. Um wirklich agil als Unternehmen zu sein, müssen technische Teams ihre Bemühungen darauf konzentrieren, den Prozess für Mitarbeiter im gesamten Unternehmen intuitiver zu machen, anstatt sich auf die ständig wachsende Liste von Anfragen von Finanz- und Betriebsteams zu konzentrieren. Die Entfernung manueller Prozesse ist wirklich der erste wichtige Schritt in diesem Prozess, da sie es Betriebsleitern ermöglicht, weniger Zeit mit der Datensammlung und mehr Zeit mit der Analyse zu verbringen.

insightsoftware konzentriert sich auf die Einführung von KI in Finanzoperationen. Wie verändert KI die Art und Weise, wie CFOs und Finanzteams arbeiten, und welche Vorteile kann KI für die finanzielle Entscheidungsfindung mit sich bringen?

Die KI hat einen tiefgreifenden Einfluss auf die finanzielle Entscheidungsfindung und Finanzteams. Tatsächlich nutzen 87% der Teams KI bereits in moderatem bis hohem Umfang, was ein fantastisches Maß für ihren Erfolg und ihre Auswirkungen ist. Insbesondere kann KI Finanzteams helfen, wichtige Prognosen schneller und daher häufiger zu erstellen – was die aktuellen Prognosezyklen erheblich verbessert, die schätzen, dass 58% der Budgetzyklen länger als fünf Tage sind.

Indem KI in diesen Entscheidungsprozess integriert wird, können Teams KI nutzen, um langweilige Aufgaben wie Berichterstellung, Datenvalidierung und Quellsystem-Updates zu automatisieren und so wertvolle Zeit für strategische Analysen freizumachen. Dies ist besonders wichtig in einem volatilen Markt, in dem Finanzteams die Agilität und Flexibilität benötigen, um Widerstandsfähigkeit zu fördern. Nehmen wir beispielsweise den Fall eines Finanzteams, das mitten in den Budget- und Planungszyklen steckt. KI-gestützte Lösungen können genauere Prognosen liefern und Finanzfachleuten helfen, bessere Entscheidungen durch umfassendere Planung und Analyse zu treffen.

Wie sehen Sie die Bedürfnisse an Daten in den nächsten fünf Jahren, insbesondere im Hinblick auf die Integration von KI und den Wechsel zu Cloud-Ressourcen?

Ich denke, dass die nächsten fünf Jahre einen Bedarf an verbesserter Datenagilität zeigen werden. Da sich der Markt so schnell ändert, müssen Daten agil genug sein, um Unternehmen zu helfen, wettbewerbsfähig zu bleiben. Wir haben dies in der Umstellung von On-Premises auf Off-Premises auf Cloud gesehen, wo Unternehmen Daten hatten, aber keine davon nützlich oder agil genug waren, um ihnen bei der Umstellung zu helfen. Verbesserte Flexibilität bedeutet verbesserte Datenentscheidungsfindung, Zusammenarbeit, Risikomanagement und eine Vielzahl anderer Fähigkeiten. Aber letztendlich rüstet es Teams mit den Werkzeugen aus, die sie benötigen, um Herausforderungen effektiv anzugehen und sich an veränderte Trends oder Marktnachfragen anzupassen.

Wie stellen Sie sicher, dass KI-Technologien verantwortungsvoll eingesetzt werden, und welche ethischen Überlegungen sollten Unternehmen priorisieren, wenn sie KI-Lösungen einsetzen?

Indem man einen Vergleich zur Einführung der Cloud zieht, hatten Organisationen Angst, ihre Daten einem unbekannten Unternehmen zu übergeben, um sie auszuführen, zu warten, zu verwalten und zu schützen. Es dauerte einige Jahre, bis dieses Vertrauen aufgebaut war. Jetzt, mit der Einführung von KI, entsteht ein ähnliches Muster.

Organisationen müssen wiederum einem System vertrauen, das ihre Informationen schützt und in der Lage ist, verlässliche Informationen zu produzieren, die tatsächlich, referenzierbar und auch vertrauenswürdig sind. Mit Cloud ging es um “wer Ihre Daten besitzt oder verwaltet”. Mit KI dreht es sich um das Vertrauen und die Verwendung dieser Daten sowie die Ableitung von Informationen, die als Ergebnis entstehen. Mit anderen Worten würde ich Organisationen empfehlen, sich auf die folgenden drei Dinge zu konzentrieren, wenn sie KI-Technologien einsetzen:

1. Lean in – Haben Sie keine Angst, diese Technologie zu nutzen, sondern adoptieren und lernen Sie.
2. Grounding – Die Unternehmensdaten, die Sie besitzen und verwalten, sind die Wahrheit, wenn es um die Genauigkeit der Informationen geht, vorausgesetzt, dass diese Informationen wahrheitsgetreu, tatsächlich und referenzierbar sind. Stellen Sie sicher, dass Sie die Herkunft verstehen, wie das KI-Modell trainiert wird und welche Informationen es verwendet. Wie bei allen Anwendungen oder Daten ist der Kontext wichtig. Nicht-KI-gestützte Anwendungen produzieren falsche oder ungenaue Ergebnisse. Nur weil KI ein ungenaues Ergebnis produziert, bedeutet dies nicht, dass wir dem Modell die Schuld geben sollten, sondern vielmehr verstehen, was die KI speist.
3. Wert – Verstehen Sie den Anwendungsfall, bei dem KI den Einfluss erheblich verbessern kann.

Vielen Dank für das großartige Interview. Leser, die mehr erfahren möchten, sollten insightsoftware besuchen.