Τα Ακατάστατα Δεδομένα Εμποδίζουν την Υιοθέτηση του Εργασιακού AI – Πώς οι Εταιρείες Μπορούν να Αποκαταστήσουν τον Εαυτό τους

Οι εταιρείες υγείας λένε ότι οι ασαφείς κανονισμοί είναι καταστέλλοντας την καινοτομία του AI στον τομέα. Φυσικά, τέτοιες προφυλάξεις είναι απαραίτητες στον τομέα της υγείας, όπου είναι κυριολεκτικά μια υπόθεση ζωής και θανάτου. Αλλά αυτό που έχει λιγότερο νόημα είναι η βραδεία υιοθέτηση του AI σε εταιρείες SaaS – έναν χώρο που δεν είναι περιορισμένος από τα.red tape όπως άλλοι τομείς.

Τι εμποδίζει τις εταιρείες από την υιοθέτηση του AI για να ροηματοποιήσουν και να βελτιώσουν τις διαδικασίες τους; Ο κύριος ένοχος είναι οι σωροί με ακατάστατα δεδομένα που συσσωρεύονται καθώς οι εταιρείες μεγαλώνουν και προσθέτουν νέα εργαλεία και προϊόντα. Σε αυτό το άρθρο, θα εμβαθύνω στο πώς τα ακατάστατα δεδομένα είναι ένα εμπόδιο στην καινοτομία του AI στις εταιρείες και θα εξετάσω τις λύσεις.

Καλωσορίστε στο δάσος δεδομένων

Ας ξεκινήσουμε με μια κοινή πρόκληση δεδομένων που αντιμετωπίζουν πολλές σύγχρονες επιχειρήσεις. Αρχικά, όταν οι επιχειρήσεις προσφέρουν einen περιορισμένο αριθμό προϊόντων, έχουν συνήθως καθαρά δεδομένα εσόδων που είναι όλα στεγασμένα σε ένα μόνο σύστημα. Ωστόσο, καθώς επεκτείνουν τις προσφορές τους και υιοθετούν eine ποικιλία μοντέλων εσόδων, τα πράγματα γίνονται γρήγορα ακατάστατα.

Για παράδειγμα, μια εταιρεία μπορεί αρχικά να χρησιμοποιεί ένα μοντέλο αγοράς μιας φοράς, αλλά αργότερα να εισαγάγει επιπλέον επιλογές όπως συνδρομές ή χρεώσεις βάσει κατανάλωσης. Όσο επεκτείνουν, είναι πιθανό να διαφοροποιήσουν τους καναles πωλήσεων. Μια εταιρεία που ξεκινά με 100% πωλήσεις αυτοεξυπηρέτησης μπορεί να συνειδητοποιήσει με τον καιρό ότι χρειάζεται τη βοήθεια των ομάδων πωλήσεων για να πουλήσει, να πουλήσει και να κερδίσει μεγαλύτερες επιχειρήσεις.

Κατά τη διάρκεια των ταχέων σταδίων ανάπτυξης, πολλές εταιρείες απλώς στοιβάζουν νέα συστήματα πωλήσεων πάνω στα υπάρχοντα. Θα αγοράσουν ένα διαφορετικό εργαλείο SaaS για να διαχειριστούν κάθε διαφορετική κίνηση, μοντέλο τιμολόγησης, διαδικασία αγοράς και così weiter. Δεν είναι ασυνήθιστο για το τμήμα μάρκετινγκ μιας εταιρείας να έχει 20 διαφορετικά εργαλεία SaaS με 20 διαφορετικά σιλό δεδομένων.

Έτσι, ενώ οι εταιρείες γενικά ξεκινάν με καθαρά, ολοκληρωμένα δεδομένα, η ανάπτυξη προκαλεί τα δεδομένα να γίνουν γρήγορα ακατάστατα, συχνά πολύ πριν οι εταιρείες αναγνωρίσουν ότι είναι ένα πρόβλημα. Τα δεδομένα γίνονται σιλό μεταξύ των συστημάτων χρεώσεων, εκτέλεσης, επιτυχίας πελατών και άλλων συστημάτων, με αποτέλεσμα οι εταιρείες να χάνουν την παγκόσμια ορατότητα στις εσωτερικές τους λειτουργίες. ΚΑΙ, δυστυχώς, η χειροκίνητη συμφωνία των δεδομένων είναι συχνά τόσο χρονοβόρα και劳δη που οι πληροφορίες possono είναι ξεπερασμένες μέχρι να είναι έτοιμες για χρήση.

Το AI δεν μπορεί να διορθώσει τα ακατάστατα δεδομένα σας

Πολλοί 潜在ικοί πελάτες μας έχουν ρωτήσει – “καλά, αν το AI είναι τόσο καλό, δεν μπορεί να λύσει αυτό το πρόβλημα ακατάστατων δεδομένων για μας;” Αλίμονο, τα μοντέλα AI δεν είναι το πανάκος για αυτό το πρόβλημα δεδομένων.

Τα τρέχοντα μοντέλα AI απαιτούν καθαρά σύνολα δεδομένων για να λειτουργήσουν σωστά. Οι εταιρείες που βασίζονται σε διαφορετικές κινήσεις πωλήσεων, πλατφόρμες SaaS και διαδικασίες εσόδων συσσωρεύουν αναπόφευκτα διαφορετικά και θραυσματικά σύνολα δεδομένων. Όταν τα δεδομένα εσόδων μιας εταιρείας είναι σκεδασμένα σε ασύμβατα συστήματα που δεν μπορούν να επικοινωνήσουν μεταξύ τους, το AI δεν μπορεί να τα καταλάβει. Για παράδειγμα, τι ονομάζεται “Προϊόν” σε ένα σύστημα μπορεί να είναι πολύ διαφορετικό από το “Προϊόν” σε ένα άλλο σύστημα. Αυτή η λεπτή σεματική διαφορά είναι δύσκολο για το AI να την αναγνωρίσει και θα οδηγούσε αναπόφευκτα σε ανακρίβειες.

Τα δεδομένα πρέπει να καθαριστούν, να δοθούν στο контекστό και να ολοκληρωθούν πριν το AI έρθει στην εικόνα. Υπάρχει μια μακροχρόνια λανθασμένη αντίληψη ότι η αποθήκη δεδομένων προσφέρει μια λύση που ταιριάζει σε όλα. Στην πραγματικότητα, ακόμη και με μια αποθήκη δεδομένων, τα δεδομένα πρέπει ακόμη να ρυθμιστούν χειροκίνητα, να επισημανθούν και να δοθούν στο контекστό, πριν οι εταιρείες μπορέσουν να τα χρησιμοποιήσουν για να παράγουν σημαντικές αναλύσεις. Έτσι, υπάρχουν παραλληλίες μεταξύ της αποθήκης δεδομένων και του AI, στο ότι οι εταιρείες πρέπει να φτάσουν στη ρίζα των ακατάστατων δεδομένων πριν μπορέσουν να απολαύσουν τα οφέλη και των δύο εργαλείων.

Ακόμη και όταν τα δεδομένα έχουν δοθεί στο контекστό, τα συστήματα AI είναι ακόμη εκτιμώμενα να ψευδεύουν τουλάχιστον 3% της φοράς. Αλλά τα οικονομικά μιας εταιρείας — όπου ακόμη και ένας δεκαδικός σημείο στη λάθος θέση θα μπορούσε να έχει ένα domino effect που διαταράσσει πολλές διαδικασίες — απαιτούν 100% ακρίβεια. Αυτό σημαίνει ότι η ανθρώπινη παρέμβαση είναι ακόμη απαραίτητη για να επικυρώσει την ακρίβεια και τη συνάφεια των δεδομένων. Η ενσωμάτωση του AI πρόωρα μπορεί ακόμη να δημιουργήσει περισσότερο έργο για τους ανθρώπινους αναλυτές, οι οποίοι πρέπει να διαθέσουν επιπλέον χρόνο και πόρους για να διορθώσουν αυτές τις ψευδείς πληροφορίες.

Ένα ακατάστατο δίλημμα δεδομένων

Παρά τα όλα αυτά, η εξάπλωση των λύσεων SaaS και τα αντίστοιχα ακατάστατα δεδομένα έχουν πολλές λύσεις.

Πρώτα, οι εταιρείες πρέπει να αξιολογούν τακτικά το τεχνολογικό τους στάκο για να βεβαιωθούν ότι κάθε εργαλείο είναι αυστηρά απαραίτητο για τις επιχειρηματικές τους διαδικασίες και όχι μόνο συμβάλλει στο ακατάστατο δεδομένων. Μπορείτε να βρείτε ότι υπάρχουν 10 ή ακόμη και 20+ εργαλεία που οι ομάδες σας χρησιμοποιούν καθημερινά. Αν είναι πραγματικά χρήσιμα για τα τμήματα και την整體 εταιρεία, μην τα αφαιρέσετε. Αλλά αν τα ακατάστατα, σιλό δεδομένα διαταράσσουν τις διαδικασίες και τη συλλογή πληροφοριών, πρέπει να ζυγίσετε τα οφέλη τους έναντι της αντικατάστασης με μια λιτή, ολοκληρωμένη λύση όπου όλα τα δεδομένα είναι στεγασμένα στο ίδιο εργαλείο και γλώσσα.

Σε αυτό το σημείο, οι εταιρείες αντιμετωπίζουν ένα δίλημμα όταν επιλέγουν λογισμικό: τα εργαλεία all-in-one μπορούν να προσφέρουν ομοιογένεια δεδομένων, αλλά πιθανώς λιγότερη ακρίβεια σε συγκεκριμένες περιοχές. Ένα μεσαίο επίπεδο εμπλέκει τις εταιρείες να αναζητούν λογισμικό που προσφέρει ένα καθολικό μοντέλο αντικειμένων που είναι ευέλικτο, προσαρμόσιμο και αβίαστα ολοκληρωμένο με το γενικό οικοσύστημα. Πάρτε, για παράδειγμα, το Jira της Atlassian (TEAM ). Αυτό το εργαλείο διαχείρισης έργων λειτουργεί σε ένα εύκολο να κατανοηθεί και πολύ extensible μοντέλο αντικειμένων, το οποίο το κάνει εύκολο να προσαρμοστεί σε διαφορετικά είδη διαχείρισης έργων, συμπεριλαμβανομένων Agile Software Development, IT/Helpdesk, Μάρκετινγκ, Εκπαίδευση και così weiter.

Για να διαπλεύσετε αυτήν την ανταλλαγή, είναι κρίσιμο να χαρτογραφήσετε τις μετρήσεις που έχουν σημασία περισσότερο για την εταιρεία σας και να εργαστείτε πίσω από εκεί. Η αναγνώριση του North Star της εταιρείας σας και η ευθυγράμμιση των συστημάτων σας προς αυτό διασφαλίζει ότι αρχιτεκτονείτε την υποδομή δεδομένων σας για να παραδώσετε τις πληροφορίες που χρειάζεστε. Αντί να επικεντρωθείτε μόνο στις λειτουργικές ροές εργασίας ή την άνεση του χρήστη, 考虑 whether ένα σύστημα συμβάλλει στα μη διαπραγματεύσιμα μετρήματα, όπως αυτά που είναι κρίσιμα για την στρατηγική λήψη αποφάσεων.

Τελικά, είναι οι εταιρείες που επενδύουν χρόνο και πόρους για να αποκαταστήσουν τον εαυτό τους από το ακατάστατο δεδομένων που έχουν δημιουργήσει οι ίδιοι, που θα είναι οι πρώτοι που θα ξεκλειδώσουν το πραγματικό δυναμικό του AI.