ティナ・クン、Nue.ioの共同創設者兼CTO、見積もりから収益までのプロセスを統合するエンドツーエンドのRevOpsプラットフォーム。
ヘルスケアスタートアップは、不明確な規制が AIのイノベーションを抑制 していると述べています。当然、ヘルスケア業界では、命に関わるため、このような規制は必要です。しかし、他の業界ほど規制が厳しくないエンタープライズSaaSにおいて、AIの採用が遅れているのは、理解しがたいことです。企業がAIを採用してプロセスを合理化し、最適化することを妨げているのは何でしょうか。主な原因は、企業が成長し、新しいツールや製品を追加するにつれて蓄積される大量のメッセージなデータです。この記事では、メッセージなデータがエンタープライズにおけるAIイノベーションの障害となっている方法と、解決策を探ります。データジャングルへようこそまず、多くの現代のビジネスが直面する一般的なデータ課題を見てみましょう。初期段階では、ビジネスは通常、単一のシステム内にクリーンな収益データを持ちます。しかし、製品やサービスを拡大し、収益モデルを追加するにつれて、データは混沌化します。例えば、ビジネスは最初に一時的な購入モデルを採用するかもしれませんが、後にサブスクリプションや消費ベースの価格設定を追加する可能性があります。成長するにつれて、販売チャネルも多様化する可能性があります。セルフサービス販売でスタートした会社は、後に大口顧客を獲得するためにセールスチームの支援が必要になる可能性があります。急成長期には、多くのビジネスは新しいセールスシステムを既存のシステムに重ねることが多いです。各動き、価格モデル、購入プロセスなどに対応するために、別々のSaaSツールを導入します。マーケティング部門だけに20個以上のSaaSツールがあり、20個以上のデータシロが存在することは珍しくありません。つまり、企業は一般的にクリーンで統合されたデータからスタートしますが、成長によりデータが急速に混沌化し、企業が問題として認識する前に混沌化が進むことがあります。データは請求、納品、カスタマーサクセスなどのシステム間でシロ化され、企業は内部の動向に関するグローバルな可視性を失います。残念ながら、データの手動での調整は非常に時間がかかり、手間がかかることが多いため、インサイトは使用できるようになる前に古くなってしまうことがあります。AIはメッセージなデータを解決してくれないいくつかのプロスペクティブクライアントは私たちにこう尋ねます。「AIはそんなに優れているので、メッセージなデータ問題を解決してくれないのですか？」残念ながら、AIモデルはこのデータ問題の万能薬ではありません。現在のAIモデルは、適切に機能するためにクリーンダatasetsを必要とします。さまざまな販売動き、SaaSプラットフォーム、収益プロセスに依存する企業は、必然的にバラバラで断片化されたdatasetsを蓄積します。ビジネスの収益データが互いに通信できない互換性のないシステムに散在している場合、AIはそれを理解できないからです。例えば、一つのシステムでは「製品」というラベルが付けられているものが、別のシステムではまったく異なるものになる可能性があります。このような微妙な意味の違いは、AIが識別するのが難しく、必然的に不正確さにつながります。データは、AIが登場する前に適切にクリーン化、コンテキスト化、統合される必要があります。データウェアハウスが万能の解決策を提供するという誤解が長年続いています。実際には、データウェアハウスを使用していても、データを手動で精査、ラベル付け、コンテキスト化する必要があります。つまり、ビジネスが有意義な分析を生成するために使用する前にです。したがって、データウェアハウスとAIの両方で、企業はメッセージなデータの根本原因に対処する必要があります。データがコンテキスト化された後でも、AIシステムは少なくとも 3% の確率で「妄想」を引き起こすと推定されています。しかし、企業の財務では、誤った小数点が複数のプロセスを混乱させるドミノ効果をもたらす可能性があるため、100% の精度が必要です。つまり、データの正確性と一貫性を検証するために、人間の介入は不可欠です。AIを早期に統合すると、人間の分析者がこれらの「妄想」を修正するために追加の時間とリソースを割く必要があるため、実際にはより多くの作業が生じる可能性があります。データのジレンマしかし、SaaSソリューションの普及と、それに伴うメッセージなデータにも、いくつかの解決策があります。まず、企業はテクノロジースタックを定期的に評価し、各ツールがビジネスプロセスに厳密に必要かどうかを確認し、データの混沌化に寄与していないことを確認する必要があります。チームが毎日使用するツールが10個、20個以上あるかもしれません。もし、それらが部門や全体的なビジネスに価値をもたらしているのであれば、それらを廃止しないでください。しかし、もしメッセージなデータがプロセスやインテリジェンスの収集を混乱させている場合は、ツールの利点と、統一された解決策に切り替える利点を比較検討する必要があります。そうすれば、すべてのデータが同じツールと言語で保存されるようになります。この時点で、企業はソフトウェアの選択時にジレンマに直面します。オールインワンツールはデータの一貫性を提供できますが、特定の分野では精度が低くなる可能性があります。中間的なアプローチとして、企業は柔軟で適応性に優れ、エコシステムとシームレスに統合されたユニバーサルオブジェクトモデルを提供するソフトウェアを探す必要があります。Atlassian のJiraというプロジェクト管理ツールは、理解しやすく、高度に拡張可能なオブジェクトモデルを提供し、Agileソフトウェア開発、IT/ヘルプデスク、Marketing、教育など、さまざまな種類のプロジェクト管理に適応できます。このトレードオフを乗り越えるために、企業は最も重要なメトリクスを特定し、そこから逆算する必要があります。企業の北極星を特定し、システムをそれに向けて設計することで、データインフラストラクチャが必要なインサイトを提供するように設計できます。運用ワークフローまたはユーザーの利便性だけに焦点を当てるのではなく、システムが戦略的意思決定に不可欠なメトリクスに貢献するかどうかを検討することが重要です。最終的に、メッセージなデータの混沌化を解決する時間とリソースを投資する企業が、AIの真の潜在能力を最初に解き放つことになります。
