I dati disordinati stanno impedendo l’adozione dell’AI aziendale – Come le aziende possono districarsi

Le startup sanitarie affermano che le norme poco chiare stanno soffocando l’innovazione AI nel settore. Naturalmente, tali precauzioni sono necessarie nel settore sanitario, dove letteralmente si tratta di vita o di morte. Ma ciò che ha meno senso è l’ adozione lenta dell’AI in tutta l’azienda SaaS – uno spazio che non è ostacolato dalla burocrazia come altri settori.

Quindi, cosa sta impedendo alle aziende di adottare l’AI per ottimizzare e semplificare i loro processi? Il principale colpevole è l’enorme quantità di dati disordinati che si accumulano man mano che le aziende crescono e aggiungono nuovi strumenti e prodotti. In questo articolo, esplorerò come i dati disordinati stanno bloccando l’innovazione AI nelle aziende e esaminerò le soluzioni.

Benvenuti nella giungla dei dati

Iniziamo esaminando una comune sfida dei dati che molte aziende moderne affrontano. Inizialmente, quando le aziende offrono una gamma limitata di prodotti, di solito hanno dati di ricavi puliti che sono tutti contenuti all’interno di un unico sistema. Tuttavia, man mano che ampliano le loro offerte e adottano una gamma di modelli di ricavi, le cose si complicano rapidamente.

Ad esempio, un’azienda potrebbe inizialmente utilizzare un modello di acquisto una tantum, ma successivamente introdurre opzioni aggiuntive come abbonamenti o prezzi basati sul consumo. Man mano che crescono, è probabile che diversifichino anche i loro canali di vendita. Un’azienda che inizia con il 100% di vendite self-service potrebbe rendersi conto nel tempo che ha bisogno dell’aiuto di team di vendita per upsell, cross-sell e acquisire clienti più grandi.

Durante le fasi di rapida crescita, molte aziende semplicemente sovrappongono nuovi sistemi di vendita a quelli esistenti. Acquisteranno uno strumento SaaS diverso per gestire ogni differente movimento, modello di prezzo, processo di acquisto e così via. Non è insolito che il dipartimento marketing di un’azienda abbia 20 diversi strumenti SaaS con 20 diversi silos di dati.

Quindi, mentre le aziende iniziano generalmente con dati puliti e integrati, la crescita fa sì che i dati si complicano rapidamente, spesso molto prima che le aziende lo riconoscano come un problema. I dati vengono isolati tra sistemi di fatturazione, gestione degli ordini, customer success e altri sistemi, il che significa che le aziende perdono la visibilità globale dei loro processi interni. E purtroppo, la riconciliazione manuale dei dati è spesso così laboriosa e dispendiosa in termini di tempo che le informazioni possono essere obsolete nel momento in cui sono pronte per l’uso.

L’AI non può risolvere i vostri problemi di dati disordinati

Diversi clienti potenziali ci hanno chiesto: “se l’AI è così grande, non può semplicemente risolvere il nostro problema di dati disordinati?” Purtroppo, i modelli AI non sono la panacea per questo problema di dati.

I modelli AI attuali richiedono set di dati puliti per funzionare correttamente. Le aziende che si affidano a diversi movimenti di vendita, piattaforme SaaS e processi di ricavi inevitabilmente accumulano set di dati disparati e frammentati. Quando i dati di ricavi di un’azienda sono sparsi tra sistemi incompatibili che non possono comunicare tra loro, l’AI non può dar loro un senso. Ad esempio, ciò che è etichettato come “Prodotto” in un sistema potrebbe essere molto diverso da “Prodotto” in un altro sistema. Questa sottile differenza semantica è difficile da identificare per l’AI e porterebbe inevitabilmente a inesattezze.

I dati devono essere puliti, contestualizzati e integrati prima che l’AI entri in scena. C’è un vecchio malinteso secondo cui il data warehousing offre una soluzione universale. In realtà, anche con un data warehouse, i dati devono ancora essere raffinati manualmente, etichettati e contestualizzati, prima che le aziende possano utilizzarli per produrre analisi significative. Quindi, in questo senso, ci sono paralleli tra data warehousing e AI, nel senso che le aziende devono risolvere il problema alla radice dei dati disordinati prima di poter trarre vantaggio da uno di questi strumenti.

Anche quando i dati sono stati contestualizzati, i sistemi AI sono ancora stimati per “sognare” almeno il 3% del tempo. Ma i dati finanziari di un’azienda – dove anche un punto decimale nel posto sbagliato potrebbe avere un effetto a catena che disturba più processi – richiedono una precisione del 100%. Ciò significa che l’intervento umano è ancora essenziale per convalidare l’accuratezza e la coerenza dei dati. L’integrazione prematura dell’AI potrebbe addirittura creare più lavoro per gli analisti umani, che devono allocare tempo e risorse aggiuntivi per correggere queste “allucinazioni”.

Un dilemma dei dati

Tuttavia, la proliferazione di soluzioni SaaS e dei dati disordinati che ne derivano ha diverse soluzioni.

Innanzitutto, le aziende dovrebbero valutare regolarmente il loro stack tecnologico per assicurarsi che ogni strumento sia strettamente necessario ai loro processi aziendali e non solo contribuisca alla confusione dei dati. Potreste scoprire che ci sono 10 o addirittura 20+ strumenti che i vostri team utilizzano quotidianamente. Se stanno realmente apportando valore ai dipartimenti e all’intera azienda, non eliminarli. Ma se i dati disordinati e isolati stanno disturbando i processi e la raccolta di informazioni, è necessario soppesare i benefici contro il passaggio a una soluzione unificata e snella in cui tutti i dati sono ospitati nello stesso strumento e linguaggio.

A questo punto, le aziende si trovano di fronte a un dilemma quando scelgono il software: gli strumenti tutto-in-uno possono offrire coerenza dei dati, ma forse meno precisione in aree specifiche. Un terreno di mezzo consiste nel fatto che le aziende cercano software che offra un modello di oggetto universale che sia flessibile, adattabile e perfettamente integrato con l’ecosistema generale. Prendiamo ad esempio Atlassian’s (TEAM ) Jira. Questo strumento di gestione dei progetti funziona su un modello di oggetto facile da capire e altamente estensibile, che lo rende facile da adattare a diversi tipi di gestione dei progetti, tra cui Agile Software Development, IT/Helpdesk, Marketing, Istruzione e così via.

Per navigare in questo compromesso, è fondamentale mappare le metriche che più interessano alla vostra azienda e lavorare a ritroso da lì. Identificare la vostra stella polare aziendale e allineare i vostri sistemi verso di essa assicura che state progettando la vostra infrastruttura di dati per fornire le informazioni di cui avete bisogno. Invece di concentrarsi solo sui flussi di lavoro operativi o sulla convenienza dell’utente, considerate se un sistema contribuisce a metriche non negoziabili, come quelle cruciali per la pianificazione strategica.

In definitiva, sono le aziende che investono tempo e risorse per sbrogliare la confusione dei dati in cui si sono cacciate che saranno le prime a sbloccare il vero potenziale dell’AI.