Data yang Berantakan Menghambat Adopsi AI di Perusahaan – Bagaimana Perusahaan Dapat Mengatasi Masalah Ini

Perusahaan rintisan kesehatan mengatakan bahwa peraturan yang tidak jelas menghambat inovasi AI di sektor tersebut. Tentu saja, langkah-langkah pencegahan seperti itu diperlukan di industri kesehatan, di mana ini benar-benar masalah hidup atau mati. Namun, yang kurang masuk akal adalah adopsi AI yang lambat di seluruh perusahaan SaaS – ruang yang tidak dihambat oleh peraturan seperti sektor lainnya.

Jadi, apa yang menghambat perusahaan dari mengadopsi AI untuk menyederhanakan dan mengoptimalkan proses mereka? Penyebab utama adalah kumpulan data yang berantakan yang menumpuk ketika perusahaan tumbuh dan menambahkan alat dan produk baru. Dalam artikel ini, saya akan membahas bagaimana data yang berantakan menghambat inovasi AI di perusahaan, dan menjelajahi solusi.

Selamat Datang di Hutan Data

Mari kita mulai dengan melihat tantangan data yang umum dihadapi oleh banyak bisnis modern. Awalnya, ketika bisnis menawarkan rangkaian produk yang terbatas, mereka biasanya memiliki data pendapatan yang bersih yang semua disimpan dalam satu sistem. Namun, ketika mereka memperluas penawaran mereka dan mengadopsi berbagai model pendapatan, semuanya menjadi berantakan.

Misalnya, bisnis mungkin awalnya menggunakan model pembelian satu kali, tetapi kemudian memperkenalkan opsi tambahan seperti langganan atau harga berdasarkan konsumsi. Ketika mereka berkembang, mereka kemungkinan akan memperluas saluran penjualan mereka juga. Perusahaan yang awalnya memiliki 100% penjualan mandiri mungkin menyadari bahwa mereka memerlukan bantuan tim penjualan untuk menjual, cross-sell, dan memenangkan klien yang lebih besar.

Selama tahap pertumbuhan yang cepat, banyak bisnis hanya menumpuk sistem penjualan baru di atas sistem yang ada. Mereka akan membeli alat SaaS yang berbeda untuk mengelola setiap gerakan yang berbeda, model harga, proses pembelian, dan sebagainya. Tidak jarang bagi departemen pemasaran sebuah perusahaan untuk memiliki 20 alat SaaS yang berbeda dengan 20 silo data yang berbeda.

Jadi, sementara perusahaan umumnya memulai dengan data yang bersih dan terintegrasi, pertumbuhan menyebabkan data menjadi tidak terkendali dengan cepat, seringkali sebelum bisnis menyadari bahwa itu adalah masalah. Data menjadi terisolasi antara sistem penagihan, pengiriman, keberhasilan pelanggan, dan sistem lainnya, yang berarti perusahaan kehilangan visibilitas global ke dalam operasi internal mereka. Dan sayangnya, merekonsiliasi data secara manual seringkali sangat memakan waktu dan melelahkan sehingga wawasan dapat menjadi usang sebelum mereka siap digunakan.

AI Tidak Dapat Memperbaiki Data yang Berantakan Anda

Beberapa klien prospek telah bertanya kepada kami – “jika AI sangat hebat, tidakkah itu dapat memecahkan masalah data yang berantakan ini untuk kami?” Sayangnya, model AI tidak dapat memecahkan masalah data ini.

Model AI saat ini memerlukan dataset yang bersih untuk bekerja dengan baik. Perusahaan yang mengandalkan gerakan penjualan yang beragam, platform SaaS, dan proses pendapatan yang berbeda pasti akan mengumpulkan dataset yang berbeda dan terfragmentasi. Ketika data pendapatan sebuah bisnis tersebar di seluruh sistem yang tidak kompatibel yang tidak dapat berkomunikasi satu sama lain, AI tidak dapat memahaminya. Misalnya, apa yang dilabeli sebagai “Produk” dalam satu sistem dapat sangat berbeda dari “Produk” dalam sistem lain. Perbedaan semantik yang halus ini sulit untuk AI untuk mengidentifikasi dan pasti akan menyebabkan ketidakakuratan.

Data perlu dibersihkan, dikontekstualisasi, dan diintegrasikan sebelum AI dapat digunakan. Ada kesalahpahaman yang telah lama bahwa penyimpanan data menawarkan solusi satu-ukuran-untuk-semua. Pada kenyataannya, bahkan dengan penyimpanan data, data masih perlu diperbarui, diberi label, dan dikontekstualisasi secara manual sebelum bisnis dapat menggunakannya untuk menghasilkan analitik yang bermakna. Jadi, dalam hal ini, ada kesamaan antara penyimpanan data dan AI, dalam arti bahwa bisnis perlu menyelesaikan masalah data yang berantakan sebelum mereka dapat memanfaatkan keuntungan dari alat-alat ini.

Bahkan ketika data telah dikontekstualisasi, sistem AI masih diperkirakan mengalami halusinasi setidaknya 3% dari waktu. Namun, keuangan perusahaan – di mana bahkan satu titik desimal yang salah dapat memiliki efek domino yang mengganggu proses yang berbeda – memerlukan akurasi 100%. Ini berarti intervensi manusia masih sangat penting untuk memvalidasi akurasi dan konsistensi data. Mengintegrasikan AI secara prematur bahkan dapat menciptakan lebih banyak pekerjaan untuk analis manusia, yang harus mengalokasikan waktu dan sumber daya tambahan untuk memperbaiki halusinasi ini.

Sebuah Dilema Data

Namun, proliferasi solusi SaaS dan data yang berantakan yang dihasilkan memang memiliki beberapa solusi.

Pertama, perusahaan harus secara teratur mengevaluasi tumpukan teknologi mereka untuk memastikan bahwa setiap alat benar-benar diperlukan untuk proses bisnis mereka, dan tidak hanya menyumbang pada kekacauan data. Anda mungkin menemukan bahwa ada 10 atau bahkan 20+ alat yang tim Anda gunakan setiap hari. Jika mereka benar-benar memberikan nilai kepada departemen dan bisnis secara keseluruhan, jangan hapuskan mereka. Namun, jika data yang berantakan dan terisolasi mengganggu proses dan pengumpulan intelijen, Anda perlu mempertimbangkan manfaatnya dibandingkan dengan beralih ke solusi yang ramping dan terintegrasi di mana semua data disimpan dalam alat yang sama dan bahasa yang sama.

Pada titik ini, bisnis menghadapi dilema ketika memilih perangkat lunak: alat all-in-one dapat menawarkan koherensi data, tetapi mungkin kurang presisi di area tertentu. Titik tengah melibatkan bisnis mencari perangkat lunak yang menawarkan model objek universal yang fleksibel, dapat disesuaikan, dan terintegrasi dengan ekosistem secara mulus. Ambil Atlassian’s (TEAM ) Jira, misalnya. Alat manajemen proyek ini beroperasi pada model objek yang mudah dipahami dan sangat dapat diperluas, yang membuatnya mudah untuk disesuaikan dengan berbagai jenis manajemen proyek, termasuk Pengembangan Perangkat Lunak Agile, IT/Helpdesk, Pemasaran, Pendidikan, dan sebagainya.

Untuk menavigasi trade-off ini, sangat penting untuk memetakan metrik yang paling penting bagi bisnis Anda dan bekerja mundur dari sana. Mengidentifikasi Bintang Utara perusahaan Anda dan menyelaraskan sistem Anda ke arah itu memastikan bahwa Anda merancang infrastruktur data Anda untuk menghasilkan wawasan yang Anda butuhkan. Sebagai gantinya, fokus saja pada alur kerja operasional atau kenyamanan pengguna, pertimbangkan apakah sistem tersebut menyumbang pada metrik yang tidak dapat dinegosiasikan, seperti yang penting untuk pengambilan keputusan strategis.

Pada akhirnya, perusahaan yang menginvestasikan waktu dan sumber daya untuk mengatasi kekacauan data yang mereka hadapi akan menjadi yang pertama untuk membuka potensi sebenarnya dari AI.