Chaotische Daten verhindern die Unternehmensadoption von KI – Wie Unternehmen sich aus dem Datenchaos befreien können

Gesundheitsstartups sagen, dass unklare Vorschriften die Hemmung der KI-Innovation im Sektor sind. Natürlich sind solche Vorsichtsmaßnahmen in der Gesundheitsbranche notwendig, wo es buchstäblich um Leben oder Tod geht. Was jedoch weniger Sinn ergibt, ist die langsame Adoption von KI in Unternehmen – ein Bereich, der nicht durch Bürokratie wie andere Sektoren behindert wird.

Was also verhindert, dass Unternehmen KI einsetzen, um ihre Prozesse zu straffen und zu optimieren? Der Hauptgrund sind die riesigen Mengen an chaotischen Daten, die sich ansammeln, wenn Unternehmen wachsen und neue Tools und Produkte hinzufügen. In diesem Artikel werde ich mich mit der Frage auseinandersetzen, wie chaotische Daten ein Hindernis für die KI-Innovation in Unternehmen sind, und Lösungen erkunden.

Willkommen im Daten-Dschungel

Lassen Sie uns mit einem häufigen Datenproblem beginnen, das viele moderne Unternehmen haben. Zunächst haben Unternehmen, die ein begrenztes Produktangebot haben, in der Regel saubere Umsatzdaten, die in einem einzigen System gespeichert sind. Wenn sie jedoch ihr Angebot erweitern und verschiedene Umsatzmodelle annehmen, wird es schnell chaotisch.

Ein Beispiel: Ein Unternehmen könnte zunächst ein Einmal-Kauf-Modell verwenden, später jedoch zusätzliche Optionen wie Abonnements oder nutzungsabhängige Preise einführen. Wenn sie expandieren, werden sie wahrscheinlich auch ihre Vertriebskanäle diversifizieren. Ein Unternehmen, das zunächst 100% Produkt-geführte Selbstbedienung hat, könnte später feststellen, dass es die Hilfe von Vertriebsteams benötigt, um größere Kunden zu gewinnen.

Während der schnellen Wachstumsphase stapeln viele Unternehmen einfach neue Vertriebssysteme auf bestehende. Sie werden ein anderes SaaS-Tool beschaffen, um jedes unterschiedliche Vertriebsmodell, Preismodell, Kaufprozess usw. zu verwalten. Es ist nicht ungewöhnlich, dass die Marketingabteilung eines Unternehmens allein 20 verschiedene SaaS-Tools mit 20 verschiedenen Dateninseln hat.

Während Unternehmen also zunächst saubere, integrierte Daten haben, führt das Wachstum dazu, dass die Daten schnell außer Kontrolle geraten, oft noch bevor die Unternehmen es als Problem erkennen. Die Daten werden zwischen Abrechnung, Erfüllung, Kundenerfolg und anderen Systemen isoliert, was bedeutet, dass Unternehmen die globale Sicht auf ihre internen Prozesse verlieren. Leider ist die manuelle Abstimmung von Daten oft so arbeitsintensiv und zeitaufwändig, dass die Erkenntnisse veraltet sind, wenn sie bereit sind, verwendet zu werden.

KI kann Ihre chaotischen Daten nicht für Sie lösen

Einige potenzielle Kunden haben uns gefragt: “Wenn KI so großartig ist, kann sie nicht einfach dieses chaotische Datenproblem für uns lösen?” Leider sind KI-Modelle nicht die Lösung für dieses Datenproblem.

Aktuelle KI-Modelle benötigen saubere Datensätze, um ordnungsgemäß zu funktionieren. Unternehmen, die auf verschiedene Vertriebsbewegungen, SaaS-Plattformen und Umsatzprozesse angewiesen sind, sammeln unweigerlich disparate und fragmentierte Datensätze. Wenn die Umsatzdaten eines Unternehmens über verschiedene, nicht miteinander kommunizierende Systeme verstreut sind, kann KI sie nicht verstehen. Zum Beispiel könnte das, was in einem System als “Produkt” bezeichnet wird, in einem anderen System sehr unterschiedlich sein. Diese subtile semantische Differenz ist für KI schwer zu erkennen und würde unweigerlich zu Ungenauigkeiten führen.

Die Daten müssen vor der Verwendung von KI ordnungsgemäß gereinigt, kontextualisiert und integriert werden. Es gibt ein langjähriges Missverständnis, dass Data-Warehousing eine Lösung für alle Probleme bietet. In Wirklichkeit müssen auch mit einem Data-Warehouse die Daten manuell verfeinert, beschriftet und kontextualisiert werden, bevor Unternehmen sie verwenden können, um sinnvolle Analysen zu erstellen. So gibt es Parallelen zwischen Data-Warehousing und KI, da Unternehmen das chaotische Datenproblem lösen müssen, bevor sie die Vorteile beider Tools nutzen können.

Selbst wenn die Daten kontextualisiert sind, hallucinieren KI-Systeme noch immer schätzungsweise mindestens 3% der Zeit. Aber die Finanzen eines Unternehmens – wo bereits ein Dezimalpunkt an der falschen Stelle eine Kettenreaktion auslösen kann, die mehrere Prozesse stört – erfordern 100% Genauigkeit. Das bedeutet, dass menschliche Eingriffe immer noch notwendig sind, um die DatenGenauigkeit und -Kohärenz zu überprüfen. Die vorzeitige Integration von KI kann sogar mehr Arbeit für menschliche Analysten erzeugen, die zusätzliche Zeit und Ressourcen aufwenden müssen, um diese Halluzinationen zu korrigieren.

Ein Daten-Dilemma

Trotzdem gibt es Lösungen für die Verbreitung von SaaS-Lösungen und das daraus resultierende chaotische Datenproblem.

Zunächst sollten Unternehmen ihre Technologie-Stacks regelmäßig überprüfen, um sicherzustellen, dass jedes Tool streng notwendig für ihre Geschäftsprozesse ist und nicht nur zum Datenchaos beiträgt. Sie können feststellen, dass es 10 oder sogar 20+ Tools gibt, die ihre Teams täglich verwenden. Wenn sie tatsächlich einen Mehrwert für die Abteilungen und das gesamte Unternehmen bieten, sollten sie sie nicht entfernen. Wenn jedoch chaotische, isolierte Daten Prozesse und Informationsgewinnung stören, müssen sie die Vorteile gegenüber einem schlanken, einheitlichen Lösung abwägen, bei dem alle Daten in demselben Tool und in der gleichen Sprache gespeichert sind.

An diesem Punkt stehen Unternehmen vor einem Dilemma bei der Auswahl von Software: All-in-One-Tools können Datenkohärenz bieten, aber möglicherweise weniger Präzision in bestimmten Bereichen. Ein Mittelweg besteht darin, dass Unternehmen nach Software suchen, die ein universelles Objektmodell bietet, das flexibel, anpassbar und nahtlos in das allgemeine Ökosystem integriert ist. Nehmen wir beispielsweise Atlassians Jira. Dieses Projektmanagement-Tool basiert auf einem leicht verständlichen und hoch anpassbaren Objektmodell, das es leicht macht, es an verschiedene Arten von Projektmanagement anzupassen, einschließlich Agile-Software-Entwicklung, IT/Helpdesk, Marketing, Bildung usw.

Um diesen Kompromiss zu meistern, ist es entscheidend, die Metriken zu kartieren, die für Ihr Unternehmen am wichtigsten sind, und von dort auszugehen. Die Identifizierung des Nordsterns Ihres Unternehmens und die Ausrichtung Ihrer Systeme darauf stellt sicher, dass Sie Ihre Dateninfrastruktur so aufbauen, dass sie die Erkenntnisse liefert, die Sie benötigen. Anstatt sich ausschließlich auf operative Workflows oder Benutzerkomfort zu konzentrieren, sollten Sie berücksichtigen, ob ein System zu nicht verhandelbaren Metriken beiträgt, wie z. B. solchen, die für strategische Entscheidungen von entscheidender Bedeutung sind.

Letztendlich sind es die Unternehmen, die Zeit und Ressourcen investieren, um das Datenchaos zu entwirren, das sie selbst verursacht haben, die als erste das wahre Potenzial von KI freisetzen werden.