Jay Allardyce, General Manager, Data & Analytics at insightsoftware – Haastattelusarja

Jay Allardyce on Data & Analytics -yksikön johtaja insightsoftwaressa. Hän on teknologiajohtaja, jolla on yli 23 vuoden kokemus eri yrityksistä, kuten Google (GOOGL ), Uptake, GE ja HP. Hän on myös GenAI.Worksin perustaja, joka johtaa suurinta tekoälyyhteisöä LinkedInissä.

insightsoftware on maailmanlaajuinen taloudellisten ja operatiivisten ohjelmistoliiketoiminnan ratkaisujen tarjoaja. Yritys tarjoaa työkaluja, jotka tukevat taloudellista suunnittelua ja analyysiä (FP&A), kirjanpitoa ja operatiivista toimintaa. Sen tuotteet on suunniteltu parantamaan datan saatavuutta ja auttamaan organisaatioita tekemään ajantasaisia, perusteltuja päätöksiä.

Olet korostanut yritysten kiireellisyyttä ottaa käyttöön tekoäly vastauksena kasvaviin asiakasodotuksiin. Mitkä ovat avainaskeleet, joita yritykset voivat tehdä välttääkseen ”tekoäly-FOMO”-ansan ja välttyäkseen yleisten tekoälyratkaisujen käyttöönottamiselta?

Asiakkaat ilmoittavat yrityksille selvästi, että he haluavat lisää tekoälyominaisuuksia työkaluihin, joita he käyttävät. Vastauksena yritykset kiirehtivät täyttämään nämä vaatimukset ja pysymään kilpailijoidensa tahdissa, mikä luo kaikille osapuolille kiireisen syklin. Ja kyllä, lopputulos on tekoäly-FOMO, joka voi ajaa yrityksen kiirehtimään innovaatioitaan yksinkertaisesti sanomalla: ”meillä on tekoäly!”

Yritysten kannattaa ottaa aikaa ymmärtää, mitkä asiakkaiden kipupisteet tekoäly ratkaisee. Onko prosessi, joka on liian manuaalinen? Onko toistuva tehtävä, joka vaatii automaatiota? Onko laskelmia, jotka voidaan helposti laskea koneella?

Kun yritykset ovat saaneet tämän tarvittavan kontekstin, he voivat alkaa ottaa käyttöön ratkaisuja tarkoituksella. He voivat tarjota asiakkailleen tekoälytyökaluja, jotka ratkaisevat ongelman, sen sijaan, että ne vain lisäävät olemassa olevien ongelmien sekaannusta.

Monet yritykset kiirehtivät tekoälyn käyttöönottamisessa ilman, että he täysin ymmärtävät sen käyttötarkoituksia. Miten yritykset voivat tunnistaa oikeat tekoälyratkaisut, jotka on räätälöity heidän tarkoituksiinsa, sen sijaan, että he luottaisivat yleisiin toteutuksiin?

Asiakkaan kannalta on tärkeää ylläpitää jatkuvaa viestintää ymmärtääkseen, mitkä käyttötarkoitukset ovat asiakkaiden kannalta tärkeimpiä. Asiakasneuvostot voivat tarjota avuksi. Mutta asiakkaiden lisäksi on tärkeää, että tiimit tarkastelevat sisäisesti, miten uusien tekoälytyökalujen käyttöönotto vaikuttaa sisäiseen toiminnallisuuteen. Jokaisen uuden työkalun myötä, joka esitetään asiakkaalle, sisäiset datatiimit ja tutkijat joutuvat vastaamaan uusien muuttujien ja uuden datan määrään.

Olet auttanut Fortune 1000 -yrityksiä omaksumaan data-ensin -lähestymistavan. Mitä se todella tarkoittaa yritykselle olla ”data-ohjattu”, ja mitkä ovat yleisimpiä ansaittuja virheitä, joita yritykset kohtaavat tässä muutoksessa?

Jotta yritys voisi olla ”data-ohjattu”, yritysten on opittava käyttämään dataa tehokkaasti. Todella data-ohjattu tiimi voi toimia asianmukaisesti data-ohjatun päätöksenteon kanssa, joka sisältää tiedon keräämisen ja analysoimisen liiketoimintapäätöksiä varten. Sen sijaan, että luotaisiin ainoastaan intuitioon tai henkilökohtaiseen kokemukseen, päätöksentekijät keräävät ja analysoivat asiaankuuluvaa dataa strategioidensa ohjaamiseksi. Päätöksenteko, joka perustuu dataan, voi auttaa yrityksiä johtamaan perustellumpia, objektiivisempia näkemyksiä, mikä nopeasti muuttuvassa markkinassa voi merkitä eroa strategisen ja impulsiivisen päätöksen välillä.

Miten tekoäly ja IoT risteytyvät energian, liikenteen ja raskaan rakennustoiminnan aloilla kehittyessään?

Kun IoT tuli kuvaan, uskottiin, että se mahdollistaisi suuremman yhteyden päätöksentekoa varten. Vastineeksi tämä yhteys avasi uuden taloudellisen arvon maailman, ja todella se on ja jatkuu olevan tapaus teollisuuden osalla.

Ongelma oli, että monet keskittyivät ”älykkääseen putkistoon”, käyttäen IoT:ia laitteiden yhdistämiseen, tietojen hakemiseen ja viestintään, ja vähemmän lopputulokseen. On ratkaistava tarkka ongelma, jota halutaan ratkaista, nyt kun olet yhdistetty esimerkiksi 400 raskaan rakennuslaitteeseen tai 40 omistamaan voimalaitokseen. Lopputulos, eli ratkaistava ongelma, lopulta johtuu ymmärtämään, mikä KPI voidaan parantaa, joka johtaa ylempään linjaan, työn tuottavuuteen tai alalinjaan säästöihin (jos ei yhdistetty). Jokainen yritys on hallittu joukon ylempien KPI:iden kautta, jotka mitata operatiivista ja osakkeenomistajien suorituskykyä. Kun nämä on määritetty, ratkaistava ongelma (ja siten hyödyllinen data) tulee selväksi.

Miten yritykset voivat tunnistaa oikeat tekoälyratkaisut, jotka ovat räätälöity heidän tarpeisiinsa, sen sijaan, että he luottaisivat yleisiin toteutuksiin?

Asiakkaan kannalta on tärkeää ylläpitää jatkuvaa viestintää ymmärtääkseen, mitkä käyttötarkoitukset ovat asiakkaiden kannalta tärkeimpiä. Asiakasneuvostot voivat tarjota avuksi. Mutta asiakkaiden lisäksi on tärkeää, että tiimit tarkastelevat sisäisesti, miten uusien tekoälytyökalujen käyttöönotto vaikuttaa sisäiseen toiminnallisuuteen. Jokaisen uuden työkalun myötä, joka esitetään asiakkaalle, sisäiset datatiimit ja tutkijat joutuvat vastaamaan uusien muuttujien ja uuden datan määrään.

Olet puhunut datan tehokkaan käytön tärkeydestä. Miten yritykset voivat muuttaa datan todelliseksi kilpailueduksi, ja mitkä ovat yleisimpiä tapoja, joilla yritykset väärinkäyttävät dataa?

Termi ”tekoäly” voidaan tulkita harhaanjohtavasti, jos sitä tarkastellaan kirjaimellisesti. Mitään ja kaikkea dataa ei voida syöttää tekoälymoottoriin, ja se ei välttämättä tuota hyödyllisiä, asiaankuuluvia tai tarkkoja tuloksia. Kun tiimit yrittävät pitää käytännön tekoälyn kehityksen tahdissa, usein unohtuvat datan valmistelun ja hallinnan tärkeys, jotka ovat kriittisiä varmistamaan, että data, joka syötetään tekoälyyn, on täysin tarkkaa. Erityisesti rahoitusjoukkueiden maailmassa tämä on äärimmäisen tärkeää, jotta tiimit voivat tuottaa tarkkoja raportteja.

Mitä ovat parhaat käytännöt tekoälyn ja datan tehokkaan käytön mahdollistamiseksi ei-teknisille tiimeille ilman, että heitä ylitettyisiin monimutkaisilla työkaluilla tai prosesseilla?

Neuvoni on, että johtajat keskittyvät siihen, että ei-tekniset tiimit voivat tuottaa omat analyysinsä. Jotta yritys voisi olla todella ketterä, tekniset tiimit tarvitsevat keskittyä prosessin tehostamiseen helpoksi kaikille työntekijöille ympäri organisaatiota, sen sijaan, että he keskittyisivät kasvavaan pyynnösten jonoon rahoituksesta ja operatiivisesta toiminnasta. Manuaalisten prosessien poistaminen on todella tärkeä askel tässä prosessissa, koska se mahdollistaa operatiivisten johtajien viettää vähemmän aikaa datan keräämisessä ja enemmän aikaa datan analysoimisessa.

Insightsoftware keskittyy tekoälyn tuomiseen taloudellisiin operaatioihin. Miten tekoäly muuttaa talousjohtajien ja rahoitusjoukkueiden toimintaa, ja mitkä ovat suurimmat hyödyt, joita tekoäly voi tuoda taloudelliseen päätöksentekoon?

Teckoäly on vaikuttanut merkittävästi taloudelliseen päätöksentekoon ja rahoitusjoukkueisiin. Itse asiassa 87% joukkueista käyttää sitä kohtuullisesta korkeaan asteeseen, mikä on fantastinen mittari sen menestyksestä ja vaikutuksesta. Nimenomaan tekoäly voi auttaa rahoitusjoukkueita tuottamaan elintärkeitä ennusteita nopeammin ja useammin – parantamalla merkittävästi nykyisistä ennusteiden tahtiin, joiden arvioiden mukaan 58% budjettisykleistä on yli viisi päivää.

Miten datan tarpeet kehittyvät seuraavien viiden vuoden aikana, erityisesti suhteessa tekoälyn integraatioon ja siirtymiseen pilvipalveluihin?

Luulen, että seuraavat viisi vuotta osoittavat datan joustavuuden tarpeen. Markkinoiden nopean muutoksen vuoksi data on oltava joustava, jotta yritykset voivat pysyä kilpailukykyisinä. Näimme tämän siirtymässä paikallisesta etäpaikallisesta pilveen, jossa yrityksillä oli dataa, mutta ei ollut tarpeeksi joustavaa auttamaan heitä siirtymässä. Lisääntynyt joustavuus tarkoittaa parempaa datan päätöksentekoa, yhteistyötä, riskien hallintaa ja monia muita ominaisuuksia. Mutta lopulta se varustaa tiimit työkaluilla, joita he tarvitsevat haasteiden ratkaisemiseen tehokkaasti ja sopeutumiseen muuttuviin trendeihin tai markkinavaatimuksiin.

Kuinka varmistat, että tekoälyteknologiat käytetään vastuullisesti, ja mitkä eettiset huomioon otettavat seikat yritysten on priorisoitava tekoälyratkaisujen käyttöönotossa?

Piirtäen vertailun pilven nousun ja omaksumisen kanssa, organisaatiot pelkäsivät antaa datansa jollekin tuntemattomalle taholle hallittavaksi, ylläpidettäväksi, hallinnoitavaksi ja turvattavaksi. Se vaati useita vuosia luottamuksen rakentamiseen. Nyt tekoälyn omaksumisessa vastaava malli on kehittymässä.

Organisaatioiden on luotettava järjestelmään, joka turvaa heidän tietonsa ja tuottaa luotettavaa, viitattavaa tietoa, joka on myös luotettavaa. Tekoälyssä se keskittyy datan luottamuksen ja käytön ympärille, sekä siitä johdetun tiedon perusteella. Organisaatioiden tulisi keskittyä seuraaviin kolmeen asiakokonaisuuteen tekoälyteknologioiden käyttöönotossa:

1. Luota – Älä pelkästä käytä tätä teknologiaa, vaan omaksu ja opi.
2. Tietäminen – Yrityksen omistama ja hallinnoima data on totuuden perusta, kun on kyse tietojen tarkkuudesta, edellyttäen, että tiedot ovat totuudenmukaisia, viitattavia ja luotettavia. Varmista, että ymmärrät, miten tekoälymalli on koulutettu ja mitä tietoa se käyttää. Kuin kaikki sovellukset tai data, konteksti on tärkeää. Tekoälykoneiden lisäksi myös ei-tekoälysovellukset voivat tuottaa virheellisiä tai epätarkkoja tuloksia. Vaikka tekoäly tuottaa epätarkan tuloksen, ei tarkoita, että mallia tulisi syyttää, vaan ymmärtää, mitä se syötteessä on.
3. Arvo – Ymmärrä käyttötarkoitus, jossa tekoäly voi parantaa vaikuttavuutta merkittävästi.

Kiitos haastattelusta, lukijat, jotka haluavat oppia lisää, voivat vierailla insightsoftware:ssa.