Membuat Perusahaan Anda Siap Menghadapi Masa Depan dengan Strategi AI: Bagaimana Fondasi Data yang Kuat Dapat Membuat Inovasi Berkelanjutan

Pace inovasi yang dipercepat telah memberikan kejutan kepada para pemimpin bisnis selama beberapa tahun terakhir, dan sangat sulit untuk mengikuti kemampuan baru yang masuk ke pasar. Ketika perusahaan berpikir mereka sudah memimpin, pengumuman baru mengancam untuk memecah perhatian dan menghambat kemajuan. Hal itu menyebabkan C-Suite berpikir lebih jauh ke depan dengan strategi digital mereka, dan memperkuat kapasitas mereka untuk inovasi berkelanjutan.

Konsep inovasi berkelanjutan berbeda dari keberlanjutan itu sendiri (yang seringkali berkaitan dengan dampak iklim), dan lebih kepada pengakuan bahwa teknologi yang muncul memerlukan ekosistem yang tepat untuk berkembang. Dengan kata lain, transformasi digital tidak hanya tentang mengakuisisi teknologi yang tersedia sekarang, tetapi juga tentang membangun fondasi data yang kuat untuk dapat mengakuisisi teknologi apa pun yang datang selanjutnya. Fondasi itu adalah akar dari inovasi itu sendiri, dan memungkinkan perusahaan untuk membangun model analitik di atasnya (dengan AI yang terintegrasi) untuk memberikan wawasan yang mengarahkan perubahan. Lingkungan seperti ini seringkali merupakan genesis dari prinsip yang umum digunakan “Gagal Cepat. Belajar Cepat.” karena memberikan ruang bagi tim untuk bereksperimen dan menguji ide baru.

Ketika hype sekitar AI dan GenAI berubah dari eksperimen ke eksekusi, perusahaan sedang mempersiapkan investasi mereka dengan menciptakan lapisan data yang kuat, terstruktur, dan terorganisir untuk bertahan dalam ujian waktu.

Mengatasi Kesenjangan Data

Sementara teknologi yang lebih menarik perhatian pelanggan cenderung mendapatkan semua perhatian, analitik data di balik layar yang sebenarnya adalah pekerja keras AI/GenAI. Kebanyakan pemimpin memahami hal ini sekarang, tetapi program AI dan upaya pengumpulan data masih dapat berjalan paralel, di mana data dikumpulkan di satu lokasi sebelum dimasukkan ke dalam program AI. Alih-alih melihat program data dan proses AI/GenAI sebagai dua inisiatif terpisah, kedua upaya tersebut harus dihubungkan untuk memastikan data diatur dengan benar dan siap untuk dikonsumsi. Artinya, meskipun mungkin ada sejumlah besar data yang tersedia, pemimpin perlu mempertimbangkan berapa banyak di antaranya yang dapat digunakan untuk mengarahkan proyek AI mereka. Kenyataannya, tidak banyak. Dengan cara ini, organisasi menggandakan upaya dengan menjaga data dan AI terpisah, dan menghubungkan mereka lebih dekat dapat menjadi pembeda utama dalam hal meningkatkan efisiensi, mengurangi biaya, dan mempermudah operasi.

Menurut BCG, perusahaan yang telah menginvestasikan waktu untuk menggabungkan program data dan AI mereka dari awal telah mengalami pertumbuhan yang tidak seimbang dibandingkan dengan rekan-rekan mereka. Setelah semua, perusahaan tidak dapat mengembangkan AI tanpa memperbaiki data terlebih dahulu, dan pemimpin sedang memisahkan diri dari kumpulan dengan menggunakan kemampuan yang lebih matang untuk lebih baik dalam mengidekan, memprioritaskan, dan memastikan adopsi penggunaan data dan AI yang lebih berbeda dan transformatif. Sebagai hasilnya, perusahaan yang telah menghubungkan data ke pengembangan AI memiliki empat kali lebih banyak kasus yang diterapkan dan diadopsi di seluruh bisnis mereka daripada mereka yang tertinggal dalam data dan AI, dan untuk setiap kasus yang mereka terapkan, dampak keuangan rata-rata lima kali lebih besar.

Untuk Menguatkan Fondasi Data Anda, Mulailah dengan Mengajukan Beberapa Pertanyaan Kunci

Ingat, kemampuan untuk mengangkat dan memindahkan data (baik on-site atau melalui migrasi cloud) tidak sama dengan membuatnya siap AI. Untuk memastikan data siap untuk dikonsumsi (yaitu dapat dianalisis untuk wawasan AI), perusahaan perlu pertama-tama mempertimbangkan beberapa pertanyaan penting:

• Bagaimana data kami selaras dengan hasil bisnis tertentu? Model AI memerlukan data yang dikurasi, relevan, dan kontekstual untuk efektif. Pada tahap awal, perusahaan harus beralih dari cara data diperoleh/disimpan ke cara data akan digunakan untuk pengambilan keputusan AI yang didorong dalam fungsi tertentu. Ketika perusahaan merancang kasus penggunaan tertentu saat menyimpan dan mengorganisir data mereka, data dapat lebih mudah diakses ketika saatnya tiba untuk mengembangkan proses baru seperti AI, GenAI, atau agentic AI.
• Apa hambatan yang menghalangi kita? Ketika McKinsey melakukan survei terhadap 100 pemimpin C-Suite di industri di seluruh dunia, hampir 50% mengalami kesulitan memahami risiko yang dihasilkan oleh transformasi digital dan analitik – jauh dari titik nyeri pengelolaan risiko teratas. Dalam tergesa-gesa untuk memulai menghasilkan hasil, perusahaan sering mengorbankan strategi untuk kecepatan. Sebaliknya, pemimpin perlu mempelajari semua sudut, memikirkan ke masa depan, dan mencoba untuk memitigasi potensi risiko.
• Bagaimana kita dapat mengoptimalkan data kita untuk meningkatkan efisiensi? Ketika kebutuhan akan data meningkat, umum bagi manajer untuk memakai kacamata buta dan hanya fokus pada departemen mereka sendiri. Jenis pemikiran silo ini menyebabkan redundansi data dan kecepatan pengambilan data yang lebih lambat, sehingga perusahaan perlu memprioritaskan komunikasi dan kolaborasi antar fungsi dari awal.

4 Praktik Terbaik untuk Mengembangkan Fondasi Data yang Kuat

Perusahaan yang berinvestasi pada lapisan data mereka hari ini sedang mempersiapkan diri untuk kesuksesan AI jangka panjang di masa depan. Berikut adalah empat praktik terbaik untuk membantu mempersiapkan strategi data Anda:

1. Pastikan Kualitas dan Tata Kelola Data

• Tetapkan garis keturunan data, pengelolaan metadata, dan pemeriksaan kualitas otomatis
• Manfaatkan katalog data yang ditenagai AI untuk penemuan dan klasifikasi yang lebih baik
• Sederhanakan pengelolaan data untuk memastikan pemerintahan yang lancar dari data terstruktur dan tidak terstruktur, model ML, notebook, dashboard, dan file

Contoh yang baik dari perusahaan yang secara aktif menggunakan AI untuk memastikan kualitas dan tata kelola data adalah SAP, yang mengintegrasikan kemampuan ML dalam suite pengelolaan data mereka untuk mengidentifikasi dan memperbaiki inkonsistensi data, sehingga meningkatkan kualitas data secara keseluruhan dan mempertahankan praktik tata kelola data yang kuat di seluruh platform mereka.

2. Perkuat Keamanan, Privasi, dan Kepatuhan Data

• Terapkan Keamanan Zero-Trust dengan mengenkripsi data saat istirahat dan saat transit
• Gunakan deteksi ancaman yang ditenagai AI untuk mengidentifikasi anomali dan mencegah pelanggaran
• Pastikan kepatuhan dengan regulasi global seperti GDPR dan CCPA, dan otomatisasi pelaporan/audit menggunakan AI

Salah satu perusahaan yang melakukan hal-hal inovatif dalam rantai pasokan digital dan manajemen risiko pihak ketiga adalah Black Kite. Platform intelijen Black Kite memberikan wawasan cepat dan efektif biaya ke pihak ketiga dan rantai pasokan, memprioritaskan temuan ke dalam dashboard yang disederhanakan yang tim manajemen risiko dapat dengan mudah konsumsi dan menutup celah keamanan kritis.

3. Eksplorasi Kemitraan Strategis

• Evaluasi kemampuan analitik lanjutan Anda dan pelajari bagaimana data yang ada berperforma
• Cari mitra yang dapat mengintegrasikan AI, rekayasa data, dan analitik ke dalam satu platform yang mudah dikelola

Beberapa solusi berbasis cloud yang dapat membantu membangun data untuk kesuksesan AI adalah: (a) Databricks, yang mengintegrasikan dengan alat yang ada dan membantu bisnis membangun, menskalakan, dan mengatur data/AI (termasuk GenAI dan model ML lainnya); dan (b) Snowflake, yang mengoperasikan platform yang memungkinkan analisis data dan akses simultan terhadap kumpulan data dengan latensi minimal.

4. Membangun Budaya yang Berbasis Data

• Demokratisasi akses data dengan menerapkan alat AI self-service yang menggunakan penanyaan bahasa alami (NLQ) untuk membuat wawasan data dapat diakses
• Upskill karyawan dalam literasi AI dan data, dan latih tim dalam proses AI, GenAI, dan tata kelola data lainnya
• Galakkan kolaborasi antara ilmuwan data, insinyur, dan tim bisnis untuk memfasilitasi berbagi data dan menghasilkan wawasan yang lebih holistik

Contoh utama dari perusahaan yang secara aktif membangun budaya yang berbasis data yang sangat bergantung pada AI adalah Amazon, yang menggunakan data pelanggan secara luas untuk mempersonalisasi rekomendasi produk, mengoptimalkan logistik, dan membuat keputusan bisnis yang tepat di seluruh operasi mereka, membuat data menjadi pilar sentral dalam strategi mereka.

Membangun Fondasi Data untuk Masa Depan

Menurut survei KPMG baru-baru ini, 67% pemimpin bisnis berharap AI akan mengubah bisnis mereka secara fundamental dalam dua tahun ke depan, dan 85% merasa bahwa kualitas data akan menjadi hambatan terbesar untuk kemajuan. Itu berarti sudah waktunya untuk memikirkan kembali tentang data itu sendiri, tidak hanya tentang penyimpanan, tetapi juga tentang kemudahan penggunaan dan efisiensi. Dengan mempersiapkan fondasi data mereka sekarang, perusahaan dapat mempersiapkan investasi AI mereka dan memposisikan diri untuk inovasi berkelanjutan.