Sotkuiset tiedot estävät yritysten tekoälyntoteutusta – Miten yritykset voivat selvitä tästä

Terveydenhuollon startup-yritykset sanovat, että epäselvät säännökset jarruttavat tekoälyinnovaatiota alalla. Tietysti tällaiset varotoimet ovat välttämättömiä terveydenhuoltoalalla, jossa on kyse kirjaimellisesti elämästä ja kuolemasta. Mutta mitä vähemmän järkeä on hitaiden tekoälyn omaksumisessa yritysten SaaS-alalla – alalla, jota ei hidasta samalla tavoin sääntely kuin muita aloja.

Mikä siis estää yrityksiä omaksumasta tekoälyä prosessien sujuvoittamiseksi ja optimoimiseksi? Pääsyy on se, että yritykset keräävät valtavat määrät sotkuista dataa, kun ne kasvavat ja ottaa käyttöön uusia työkaluja ja tuotteita. Tässä artikkelissa tutkin, miten sotkuinen data estää tekoälyinnovaatiota yrityksissä ja etsin ratkaisuja.

Tervetuloa dataviidakkoon

Aloita tarkastelemalla yleistä datahaaste, jota monet modernit yritykset kohtaavat. Aluksi, kun yritykset tarjoavat rajoitetun valikoiman tuotteita, heillä on yleensä puhdas myyntidata, joka on kaikki tallennettu yhteen järjestelmään. Kuitenkin, kun he laajentavat tuotevalikoimaansa ja ottaa käyttöön erilaisia myyntimalleja, asiat nopeasti muuttuvat sotkuiseksi.

Esimerkiksi yritys voi aluksi käyttää kertamaksumallia, mutta myöhemmin ottaa käyttöön muita vaihtoehtoja, kuten tilaajuuksia tai kulutusperusteista hinnoittelua. Kasvun nopeissa vaiheissa monet yritykset yksinkertaisesti pinovat uusia myyntijärjestelmiä olemassa olevien päälle. He hankkivat eri SaaS-työkalun hallitsemaan jokaista eri liiketoimintaa, hinnoittelumallia, ostoprosessia jne. On tavallista, että yksin yrityksen markkinointiosastolla on 20 eri SaaS-työkalua ja 20 eri data-eristystä.

Yritykset yleensä aloittavat puhdasdata, mutta kasvu aiheuttaa nopeasti sen, että data menee sekaisin, usein jo ennen kuin yritykset tunnistavat sen ongelmaksi. Data eristyy laskutuksesta, toimituksesta, asiakastuesta ja muista järjestelmistä, mikä tarkoittaa, että yritykset menettävät yleiskatsauksen sisäisiin prosesseihin. Valitettavasti datan manuaalinen yhdistäminen on usein niin työlästä ja aikaa vievää, että näkemykset ovat vanhentuneita, kun ne ovat valmiit käytettäväksi.

Tekoäly ei voi korjata sotkuista dataa

Useat asiakkaamme ovat kysyneet meiltä: “Jos tekoäly on niin hyvä, voiko se ratkaista tämän sotkuisen data-ongelman?” Valitettavasti tekoälymallit eivät ole ratkaisu tähän dataongelmaan.

Nykyiset tekoälymallit vaativat puhdasta dataa toimivuuteen. Yritykset, jotka luottavat moniin myyntiliikkeisiin, SaaS-alustoihin ja myyntiprosesseihin, keräävät väistämättä erilaisia ja hajanaisia tietoja. Kun yrityksen myyntidata on hajallaan yhteensopimattomissa järjestelmissä, jotka eivät voi viestiä toistensa kanssa, tekoäly ei voi ymmärtää sitä. Esimerkiksi se, mitä on merkitty “Tuote” yhdessä järjestelmässä, voi olla hyvin erilainen kuin “Tuote” toisessa järjestelmässä. Tämä hienoinen semanttinen ero on vaikea tekoälylle tunnistaa ja johtaisi väistämättä epätarkkuuksiin.

Dataa on puhdistettava, kontekstualisoida ja yhdistettävä ennen kuin tekoäly tulee kuvaan. On olemassa vanha harhakäsitys, että datavarastointi tarjoaa yhden kokoa kaikille ratkaisun. Todellisuudessa, jopa datavarastoinnin kanssa dataa on vielä manuaalisesti jalostettava, merkittävä ja kontekstualisoida, ennen kuin yritykset voivat käyttää sitä tuottamaan merkityksellisiä analyytikkoja. Näin ollen on yhtäläisyyksiä datavarastoinnin ja tekoälyn välillä, kun yritysten on päästävä sotkuisen datan juurisyyhyn, ennen kuin he voivat hyödyntää kumpaakin työkalua.

Jopa kun data on kontekstualisoida, tekoälyjärjestelmät arvioidaan vielä “haaveilevan” vähintään 3% ajasta. Mutta yritysten taloudellisissa asioiden – joissa jopa desimaalipiste väärässä paikassa voi aiheuttaa dominoefektin useisiin prosesseihin – vaaditaan 100%:n tarkkuutta. Tämä tarkoittaa, että ihmisen väliintulo on edelleen välttämätöntä datan tarkkuuden ja johdonmukaisuuden validointiin. Tekoälyn ennenaikainen integrointi voi jopa luoda enemmän työtä ihmisanalyytikoille, jotka joutuvat käyttämään lisää aikaa ja resursseja näiden “haaveilujen” korjaamiseen.

Data-dilemma

Kuitenkin SaaS-ratkaisujen leviäminen ja sotkuinen data ovat joitakin ratkaisuja.

Ensinnäkin, yritysten on arvioitava säännöllisesti teknologiapinoa, jotta varmistetaan, että jokainen työkalu on ehdottoman välttämätön liiketoimintaprosesseille eikä ainoastaan lisää data-sotkua. Voit löytää, että tiimillä on 10 tai jopa 20+ työkalua, joita he käyttävät päivittäin. Jos ne ovat todella tuottamassa arvoa osastoille ja koko yritykselle, älä poista niitä. Mutta jos sotkuinen, eristynyt data häiritsee prosesseja ja tiedonkeruumista, on arvioitava sen hyötyjä vastaan vaihtoehtoa, jossa kaikki data on tallennettu samassa työkalussa ja kielellä.

Tässä vaiheessa yritykset kohtaavat dilemman ohjelmistovalinnassa: kokonaisvaltaiset työkalut voivat tarjota datakoherenssin, mutta mahdollisesti vähemmän tarkkuutta tietyillä alueilla. Kompromissi on, että yritykset etsivät ohjelmistoa, joka tarjoaa yleisen objektimallin, joka on joustava, sopeutuvainen ja sulautuu saumattomasti yleiseen ekosysteemiin. Otetaan esimerkiksi Atlassianin Jira, tämä projektiprojektinhallintatyökalu toimii helppokäyttöisellä ja erittäin laajennettavalla objektimallilla, joka tekee siitä helpon sopeuttaa erilaisiin projektiprojektinhallintatyyleihin, mukaan lukien Agile-ohjelmistokehitys, IT/Helpdesk, Markkinointi, Koulutus jne.

Tämän kompromissin navigointiin on tärkeää kartoittaa mitat, jotka ovat tärkeimmät liiketoiminnalle ja työskennellä siitä eteenpäin. Yrityksen “Pohjoisen tähti”-suunnan määrittäminen ja järjestelmien kohdistaminen siihen varmistaa, että datan infrastruktuuria rakennetaan siten, että se tarjoaa tarvittavat näkemykset. Sen sijaan, että keskittyisit ainoastaan operatiivisiin työprosesseihin tai käyttäjien käyttöön, on tärkeää miettiä, onko järjestelmä osa yrityksen strategista päätöksentekoa.

Lopulta, yritykset, jotka panostavat aikaa ja resursseja sotkuisen dataongelman ratkaisemiseen, ovat ensimmäiset, jotka lukitsevat tekoälyn todellisen potentiaalin.