Jay Allardyce, General Manager, Data & Analytics at insightsoftware – Intervista della serie

Jay Allardyce è General Manager, Data & Analytics at insightsoftware. È un dirigente tecnologico con 23+ anni di esperienza in aziende B2B come Google (GOOGL ), Uptake, GE e HP. È anche il co-fondatore di GenAI.Works, che guida la più grande comunità di intelligenza artificiale su LinkedIn.

insightsoftware è un fornitore globale di soluzioni software finanziarie e operative. L’azienda offre strumenti che supportano la pianificazione e l’analisi finanziaria (FP&A), la contabilità e le operazioni. I suoi prodotti sono progettati per migliorare l’accessibilità dei dati e aiutare le organizzazioni a prendere decisioni informate in tempo.

Ha sottolineato l’urgenza per le aziende di adottare l’IA in risposta alle crescenti aspettative dei clienti. Quali sono i passaggi chiave che le aziende dovrebbero seguire per evitare di cadere nella trappola del “FOMO dell’IA” e adottare soluzioni di IA generiche?

I clienti stanno facendo sapere alle aziende a voce alta che desiderano maggiori capacità di IA negli strumenti che utilizzano. In risposta, le aziende stanno correndo per soddisfare queste richieste e stare al passo con i concorrenti, il che crea un ciclo frenetico per tutte le parti coinvolte. E sì, il risultato finale è il FOMO dell’IA, che può spingere un’azienda a precipitare l’innovazione nel tentativo di semplicemente dire: “abbiamo l’IA!”

Il consiglio più grande che ho per le aziende per evitare di cadere in questa trappola è quello di prendersi il tempo per capire quali sono i punti deboli dei clienti che l’IA deve risolvere. C’è un problema di processo che è troppo manuale? C’è un compito ripetitivo che deve essere automatizzato? Ci sono calcoli che potrebbero essere facilmente calcolati da una macchina?

Una volta che le aziende hanno questo contesto necessario, possono iniziare ad adottare soluzioni con uno scopo. Saranno in grado di offrire ai clienti strumenti di IA che risolvono un problema, invece di quelli che semplicemente aggiungono confusione ai problemi esistenti.

Molte aziende si affrettano a implementare l’IA senza capire appieno i suoi casi d’uso. Come possono le aziende identificare le soluzioni guidate dall’IA adatte alle loro esigenze specifiche anziché affidarsi a implementazioni generiche?

Sul lato del cliente, è importante mantenere una comunicazione costante per capire meglio quali sono i casi d’uso più urgenti. I consigli di customer advocacy possono fornire una soluzione utile. Ma oltre ai clienti, è anche importante per i team guardare all’interno e capire come l’aggiunta di nuovi strumenti di IA influenzerà la funzionalità interna. Per ogni nuovo strumento introdotto al cliente, i team di dati interni si trovano di fronte a una montagna di nuove variabili e nuovi dati che vengono creati.

Mentre tutti vogliamo aggiungere nuove capacità e mostrarle ai clienti, nessun dispiegamento di IA sarà di successo senza il supporto dei team di dati interni e degli scienziati dietro il loro sviluppo. Allinearsi internamente per capire la larghezza di banda e poi guardare all’esterno per decidere quali richieste del cliente possono essere soddisfatte con un supporto adeguato dietro di loro.

Ha aiutato le aziende Fortune 1000 ad adottare un approccio basato sui dati. Cosa significa realmente per un’azienda essere “guidata dai dati” e quali sono alcuni degli errori comuni che le aziende incontrano durante questa trasformazione?

Affinché un’azienda sia “guidata dai dati”, le aziende devono imparare a sfruttare i dati in modo efficace. Un team veramente guidato dai dati può eseguire correttamente la presa di decisioni basata sui dati, che coinvolge l’uso di informazioni per informare e sostenere le scelte aziendali. Invece di affidarsi solo all’intuizione o all’esperienza personale, i responsabili delle decisioni raccolgono e analizzano i dati rilevanti per guidare le loro strategie. Prendere decisioni basate sui dati può aiutare le aziende a derivare informazioni più informate e oggettive, il che in un mercato in rapida evoluzione può significare la differenza tra una decisione strategica e una impulsiva.

Un errore comune nell’ottenere ciò è la gestione dei dati inefficace, che porta a un “sovraccarico di dati”, in cui i team sono oberati da grandi quantità di dati e resi incapaci di farne qualcosa. Mentre le aziende cercano di concentrare i loro sforzi sui dati più importanti, avere troppi dati a disposizione può portare a ritardi e inefficienze se non gestiti correttamente.

Considerando la sua esperienza nel lavoro con tecnologie IoT e industriali, come vede l’intersezione dell’IA e dell’IoT evolversi in settori come l’energia, i trasporti e la costruzione pesante?

Quando l’IoT è emerso, c’era la convinzione che avrebbe permesso una maggiore connettività per migliorare la presa di decisioni. A sua volta, questa connettività ha sbloccato un intero nuovo mondo di valore economico, e in effetti questo è stato, e continua ad essere, il caso per il settore industriale.

Il problema era che molti si sono concentrati sulla “tubazione intelligente”, utilizzando l’IoT per connettersi, estrarre e comunicare con dispositivi distribuiti, e meno sull’esito. È necessario determinare esattamente il problema da risolvere, ora che si è connessi a, diciamo, 400 asset di costruzione pesante o 40 centrali elettriche di proprietà. L’esito, o il problema da risolvere, alla fine si riduce a capire quale KPI potrebbe essere migliorato che ha guidato la produttività della linea superiore, del flusso di lavoro o dei risparmi della linea inferiore (se non una combinazione). Ogni azienda è governata da un insieme di KPI di alto livello che misurano le prestazioni operative e azionarie. Una volta determinati, il problema da risolvere (e quindi quali dati sarebbero utili) diventa chiaro.

Con questa base in atto, l’IA – sia predittiva che generativa – può avere un impatto 10-50 volte maggiore nell’aiutare un’azienda a essere più produttiva in ciò che fa. Forniture ottimizzate, cicli di servizio e riparazioni basati su un chiaro modello di segnale di domanda che sono abbinati alle variabili di input necessarie. Per illustrare, la nozione di avere il “pezzo giusto, al momento giusto, nel luogo giusto” può significare milioni per un’azienda di costruzione – poiché hanno requisiti di livello di inventario più bassi e tecnici di servizio ottimizzati in base a un modello di IA che sa o prevede quando una macchina potrebbe guastarsi o quando potrebbe verificarsi un evento di servizio. A sua volta, questo modello, combinato con dati operativi strutturati e dati IoT (per asset distribuiti), può aiutare un’azienda a essere più dinamica e marginalmente ottimizzata senza sacrificare la soddisfazione del cliente.

Ha parlato dell’importanza di sfruttare i dati in modo efficace. Quali sono alcuni dei modi più comuni in cui le aziende abusano dei dati e come possono trasformarli in un vero vantaggio competitivo?

Il termine “intelligenza artificiale”, quando preso alla lettera, può essere un po’ fuorviante. Inserire qualsiasi dato in un motore di IA non significa che produrrà risultati utili, rilevanti o precisi. Mentre i team cercano di stare al passo con il tasso di innovazione dell’IA nel mondo di oggi, occasionalmente dimentichiamo l’importanza della preparazione completa dei dati e del controllo, che sono critici per garantire che i dati che alimentano l’IA siano interamente precisi. Proprio come il corpo umano si affida a carburante di alta qualità per alimentarsi, l’IA dipende da dati puliti e coerenti che garantiscano l’accuratezza delle sue previsioni. Specialmente nel mondo delle squadre finanziarie, ciò è di importanza fondamentale in modo che le squadre possano produrre rapporti precisi.

Quali sono le migliori pratiche per potenziare i team non tecnici all’interno di un’organizzazione per utilizzare i dati e l’IA in modo efficace, senza sopraffarli con strumenti o processi complessi?

Il mio consiglio è che i leader si concentrino sul potenziare i team non tecnici per generare le loro stesse analisi. Per essere veramente agili come azienda, i team tecnici devono concentrare i loro sforzi per rendere il processo più intuitivo per i dipendenti in tutta l’organizzazione, anziché concentrarsi sulla sempre crescente lista di richieste da parte di finanza e operazioni. Rimuovere i processi manuali è veramente il primo passo importante in questo processo, poiché consente ai leader operativi di spendere meno tempo nella raccolta dei dati e più tempo nell’analisi.

insightsoftware si concentra sull’introduzione dell’IA nelle operazioni finanziarie. Come l’IA sta cambiando il modo in cui i CFO e i team finanziari operano e quali sono i principali vantaggi che l’IA può portare alla presa di decisioni finanziarie?

IA ha avuto un impatto profondo sulla presa di decisioni finanziarie e sui team finanziari. In effetti, il 87% dei team lo utilizza già a un ritmo moderato o elevato, il che è una misura fantastica del suo successo e impatto. In particolare, l’IA può aiutare i team finanziari a produrre previsioni vitali più velocemente e quindi più frequentemente – migliorando notevolmente le attuali cadenze di previsione, che stima che il 58% dei cicli di budgeting duri più di cinque giorni.

Aggiungendo l’IA a questo processo decisionale, i team possono sfruttarla per automatizzare compiti noiosi, come la generazione di report, la convalida dei dati e gli aggiornamenti del sistema di origine, liberando così tempo prezioso per l’analisi strategica. Ciò è particolarmente importante in un mercato volatile in cui i team finanziari devono avere l’agilità e la flessibilità per guidare la resilienza. Prendiamo, ad esempio, il caso di un team finanziario in mezzo ai cicli di budgeting e pianificazione. Le soluzioni basate su IA possono fornire previsioni più accurate, aiutando i professionisti finanziari a prendere decisioni migliori attraverso una pianificazione e un’analisi più approfondite.

Come vede l’evoluzione delle esigenze dei dati nei prossimi cinque anni, in particolare in relazione all’integrazione dell’IA e al passaggio alle risorse cloud?

Credo che i prossimi cinque anni dimostreranno la necessità di una maggiore agilità dei dati. Con la rapidità con cui il mercato cambia, i dati devono essere abbastanza agili da consentire alle aziende di rimanere competitive. Abbiamo visto ciò nel passaggio da on-prem a off-prem al cloud, in cui le aziende avevano i dati, ma nessuno di essi era utile o abbastanza agile per aiutarle nel passaggio. Una maggiore flessibilità significa una migliore presa di decisioni basata sui dati, collaborazione, gestione dei rischi e una serie di altre capacità. Ma alla fine del giorno, fornisce ai team gli strumenti di cui hanno bisogno per affrontare le sfide in modo efficace e adattarsi come necessario alle tendenze o alle richieste del mercato in evoluzione.

Come assicura che le tecnologie di IA vengano utilizzate in modo responsabile e quali considerazioni etiche le aziende dovrebbero dare priorità quando distribuiscono soluzioni di IA?

Tracciando un parallelo con la crescita e l’adozione del cloud, le organizzazioni avevano paura di dare i loro dati a un’entità sconosciuta, per eseguire, mantenere, gestire e proteggere. Ci sono voluti alcuni anni per costruire quella fiducia. Ora, con l’adozione dell’IA, un modello simile sta emergendo.

Le organizzazioni devono di nuovo fidarsi di un sistema per salvaguardare le loro informazioni e, in questo caso, produrre informazioni fattuali, referenziabili e anche degne di fiducia. Con il cloud, si trattava di “chi possedeva o gestiva” i vostri dati. Con l’IA, si concentra sull’uso fiduciario dei dati e sulla derivazione delle informazioni create in conseguenza. Con ciò detto, suggerirei alle organizzazioni di concentrarsi sulle seguenti tre cose quando distribuiscono tecnologie di IA:

1. Avvicinarsi – Non avere paura di utilizzare questa tecnologia, ma adottarla e imparare.
2. Fondamento – I dati aziendali che si possiedono e si gestiscono sono la verità quando si tratta di accuratezza delle informazioni, a condizione che le informazioni siano veritiere, fattuali e referenziabili. Assicurarsi che, quando si costruisce sui propri dati, si capisca l’origine di come il modello di IA sia stato addestrato e quali informazioni stia utilizzando. Come tutte le applicazioni o i dati, il contesto è importante. Le applicazioni non alimentate da IA producono risultati falsi o inaccurati. Solo perché l’IA produce un risultato inaccurato, non significa che dovremmo incolpare il modello, ma piuttosto capire cosa sta alimentando il modello.
3. Valore – Capire il caso d’uso in cui l’IA può migliorare notevolmente l’impatto.

Grazie per la grande intervista, i lettori che desiderano saperne di più possono visitare insightsoftware.