Jay Allardyce, Algemeen Directeur, Data & Analytics bij insightsoftware – Interview Serie

Jay Allardyce is Algemeen Directeur, Data & Analytics bij insightsoftware. Hij is een technisch directeur met 23+ jaar ervaring bij ondernemingen zoals Google (GOOGL ), Uptake, GE en HP. Hij is ook de mede-oprichter van GenAI.Works, dat de grootste kunstmatige intelligentie-gemeenschap op LinkedIn leidt.

insightsoftware is een wereldwijde aanbieder van financiële en operationele softwareoplossingen. Het bedrijf biedt tools die financiële planning en analyse (FP&A), accounting en operaties ondersteunen. De producten zijn ontworpen om de toegang tot gegevens te verbeteren en organisaties te helpen bij het nemen van tijdige, geïnformeerde beslissingen.

U hebt de urgentie benadrukt voor bedrijven om AI te adopteren als antwoord op de stijgende verwachtingen van klanten. Wat zijn de belangrijkste stappen die bedrijven moeten nemen om te voorkomen dat ze in de valkuil van “AI FOMO” terechtkomen en generieke AI-oplossingen adopteren?

Klanten laten bedrijven luid en duidelijk weten dat ze meer AI-mogelijkheden in de tools die ze gebruiken willen. Als reactie daarop zijn bedrijven haastig bezig om deze eisen te vervullen en gelijk te houden met hun concurrenten, wat een hectische cyclus voor alle partijen creëert. En ja, het eindresultaat is AI FOMO, wat een bedrijf ertoe kan brengen om zijn innovatie te overhaasten in een poging om alleen maar te zeggen: “we hebben AI!”

Het belangrijkste advies dat ik bedrijven kan geven om te voorkomen dat ze in deze valkuil terechtkomen, is om de tijd te nemen om te begrijpen welke pijn punten klanten de AI vragen op te lossen. Is er een procesprobleem dat te veel handmatig is? Is er een herhalende taak die geautomatiseerd moet worden? Zijn er berekeningen die gemakkelijk door een machine kunnen worden uitgevoerd?

Zodra bedrijven deze noodzakelijke context hebben, kunnen ze beginnen met het adopteren van oplossingen met een doel. Ze zullen in staat zijn om klanten AI-tools aan te bieden die een probleem oplossen, in plaats van die die alleen maar bijdragen aan de verwarring van hun bestaande problemen.

Veel bedrijven haasten zich om AI te implementeren zonder volledig te begrijpen wat de gebruikscases zijn. Hoe kunnen bedrijven de juiste AI-gedreven oplossingen identificeren die zijn aangepast aan hun specifieke behoeften, in plaats van te vertrouwen op generieke implementaties?

Aan de kant van de klant is het belangrijk om constant te communiceren om beter te begrijpen welke gebruikscases het meest dringend zijn. Klantadviesraden kunnen een nuttige oplossing bieden. Maar behalve klanten, is het ook belangrijk voor teams om intern te kijken en te begrijpen hoe het toevoegen van nieuwe AI-tools de interne functionaliteit zal beïnvloeden. Voor elk nieuw tool dat aan een klant wordt geïntroduceerd, worden interne datateams geconfronteerd met een berg nieuwe variabelen en nieuwe gegevens die worden gegenereerd.

Onderwijl we allemaal nieuwe mogelijkheden willen toevoegen en deze aan klanten willen laten zien, zal geen enkele AI-implementatie succesvol zijn zonder de steun van interne datateams en wetenschappers achter hun ontwikkeling. Intern afstemmen om de bandbreedte te begrijpen en vervolgens naar buiten kijken om te beslissen welke klantverzoeken met de juiste steun kunnen worden aangepast.

U hebt geholpen om Fortune 1000-bedrijven een data-first-benadering te laten omarmen. Wat betekent het voor een bedrijf om “data-gedreven” te zijn, en wat zijn enkele van de meest voorkomende valkuilen die bedrijven tegenkomen tijdens deze transformatie?

Om een bedrijf “data-gedreven” te laten zijn, moeten bedrijven leren hoe ze data effectief kunnen gebruiken. Een echt data-gedreven team kan goed functioneren op basis van data-gedreven besluitvorming, wat inhoudt dat ze informatie gebruiken om bedrijfskeuzes te informeren en te ondersteunen. In plaats van te vertrouwen op intuïtie of persoonlijke ervaring, verzamelen en analyseren besluitvormers relevante data om hun strategieën te ondersteunen. Beslissingen nemen op basis van data kan bedrijven helpen om meer geïnformeerde, objectieve inzichten te verkrijgen, wat in een snel veranderende markt het verschil kan maken tussen een strategische beslissing en een impulsieve.

Een veelvoorkomende valkuil om dit te bereiken is ineffectief databeheer, wat leidt tot een “data-overload”, waarbij teams worden belast met grote hoeveelheden data en niet in staat zijn om er iets mee te doen. Terwijl bedrijven proberen om hun inspanningen te richten op de meest belangrijke data, kan het hebben van te veel data toegankelijk leiden tot vertragingen en inefficiënties als het niet goed wordt beheerd.

Gezien uw achtergrond in IoT en industriële technologieën, hoe ziet u de kruispunt van AI en IoT evolueren in industrieën zoals energie, transport en zware bouw?

Toen IoT op het toneel verscheen, was er een overtuiging dat het zou leiden tot meer connectiviteit om besluitvorming te verbeteren. In ruil daarvoor ontgrendelde deze connectiviteit een hele nieuwe wereld van economische waarde, en inderdaad was en is dit het geval voor de industriële sector.

Het probleem was dat veel mensen zich richtten op “slimme leidingen”, het gebruik van IoT om verbonden, geëxtraheerde en communicerende verdeelde apparaten te maken, en minder op het resultaat. U moet bepalen welk specifiek probleem moet worden opgelost, nu u verbonden bent met zeg 400 zware bouwactiva of 40 eigendomscentrales. Het resultaat, of het probleem dat moet worden opgelost, komt uiteindelijk neer op het begrijpen van welke KPI kan worden verbeterd die de topregel, workflowproductiviteit of ondergrenssparen (indien niet een combinatie) aandrijft. Elk bedrijf wordt beheerst door een set van top-KPI’s die de operationele en aandeelhoudersprestaties meten. Zodra deze zijn vastgesteld, wordt het probleem dat moet worden opgelost (en dus welke gegevens nuttig zouden zijn) duidelijk.

Met deze basis in plaats, kan AI – ofwel voorspellend of generatief – 10-50 keer meer impact hebben op het helpen van een bedrijf om productiever te zijn in wat ze doen. Geoptimaliseerde bevoorrading, truck-rolls en servicecycli voor reparaties zijn allemaal gebaseerd op een duidelijk vraagsignaalpatroon dat wordt gematcht met de invoervariabelen die nodig zijn. Om een voorbeeld te geven, kan het hebben van de ‘juiste onderdelen, op de juiste tijd, op de juiste locatie’ miljoenen betekenen voor een bouwbedrijf – omdat ze minder voorraadniveaus voor inventaris en geoptimaliseerde servicetechnici op basis van een AI-model dat weet of voorspelt wanneer een machine zou kunnen falen of wanneer een servicegebeurtenis zou kunnen optreden. In ruil daarvoor kan dit model, in combinatie met gestructureerde operationele gegevens en IoT-gegevens (voor verdeelde activa), helpen om een bedrijf dynamischer en marginaal geoptimaliseerd te maken, zonder afbreuk te doen aan de tevredenheid van de klant.

U hebt gesproken over het belang van het effectief gebruiken van data. Wat zijn enkele van de meest voorkomende manieren waarop bedrijven data misbruiken, en hoe kunnen ze het omzetten in een echte concurrentievoordeel?

De term “kunstmatige intelligentie”, wanneer deze letterlijk wordt genomen, kan een beetje misleidend zijn. Het invoeren van alle en alle data in een AI-engine betekent niet dat het nuttige, relevante of accurate resultaten zal produceren. Terwijl teams proberen om bij te blijven met het tempo van AI-innovatie in de wereld van vandaag, vergeten we soms het belang van complete data-voorbereiding en -controle, die cruciaal zijn om ervoor te zorgen dat de data die de AI voedt volledig accuraat is. Net zoals het menselijk lichaam afhankelijk is van hoge kwaliteit brandstof om zichzelf te laten functioneren, is AI afhankelijk van schone, consistente data die de nauwkeurigheid van zijn voorspellingen garandeert. Vooral in de wereld van financiële teams is dit van het grootste belang, zodat teams accurate rapporten kunnen produceren.

Wat zijn enkele van de beste praktijken voor het empoweren van niet-technische teams binnen een organisatie om data en AI effectief te gebruiken, zonder hen te overweldigen met complexe tools of processen?

Mijn advies is voor leiders om zich te richten op het empoweren van niet-technische teams om hun eigen analyses te genereren. Om echt flexibel te zijn als bedrijf, moeten technische teams hun inspanningen richten op het maken van het proces intuïtiever voor werknemers in de hele organisatie, in plaats van te focussen op de steeds groeiende backlog van verzoeken van financiële en operationele teams. Het verwijderen van handmatige processen is echt de eerste belangrijke stap in dit proces, aangezien het operationele leiders in staat stelt om minder tijd te besteden aan het verzamelen van data en meer tijd aan het analyseren ervan.

insightsoftware richt zich op het brengen van AI in financiële operaties. Hoe verandert AI de manier waarop CFO’s en financiële teams opereren, en wat zijn de belangrijkste voordelen die AI kan brengen aan financiële besluitvorming?

AI heeft een diepgaande invloed gehad op financiële besluitvorming en financiële teams. In feite gebruiken 87% van de teams het al op een matig tot hoog niveau, wat een fantastische maatstaf is voor zijn succes en impact. Specifiek kan AI helpen om financiële teams vitale voorspellingen sneller en vaker te produceren – wat aanzienlijk verbetert ten opzichte van de huidige voorspellingscycli, die schatten dat 58% van de budgetcycli langer zijn dan vijf dagen.

Door AI toe te voegen aan dit besluitvormingsproces, kunnen teams het gebruiken om saaie taken te automatiseren, zoals rapportgeneratie, gegevensvalidatie en bron systeemupdates, waardoor waardevolle tijd vrijkomt voor strategische analyse. Dit is vooral belangrijk in een volatiele markt waar financiële teams flexibiliteit en flexibiliteit nodig hebben om veerkracht te stimuleren. Neem bijvoorbeeld het geval van een financieel team in het midden van budget- en planningscycli. AI-gebaseerde oplossingen kunnen meer accurate voorspellingen leveren, waardoor financiële professionals betere beslissingen kunnen nemen door middel van diepgaande planning en analyse.

Hoe ziet u de behoefte aan data evolueren in de komende vijf jaar, met name in relatie tot AI-integratie en de overgang naar cloudbronnen?

Ik denk dat de komende vijf jaar een behoefte zullen aantonen aan verbeterde data-agiliteit. Met hoe snel de markt verandert, moet data agiel genoeg zijn om bedrijven te laten concurreren. We zagen dit in de overgang van on-prem naar off-prem naar cloud, waar bedrijven data hadden, maar geen enkele daarvan nuttig of agiel genoeg was om hen te helpen bij de overgang. Verbeterde flexibiliteit betekent verbeterde data-besluitvorming, samenwerking, risicobeheer en een heleboel andere capaciteiten. Maar uiteindelijk zorgt het ervoor dat teams zijn uitgerust met de tools die ze nodig hebben om uitdagingen effectief aan te pakken en zich aan te passen aan veranderende trends of marktvragen.

Hoe zorgt u ervoor dat AI-technologieën verantwoord worden gebruikt, en welke ethische overwegingen moeten bedrijven prioriteren bij het implementeren van AI-oplossingen?

Een parallel trekken tussen de opkomst en adoptie van de cloud, waren organisaties bang om hun data aan een onbekende entiteit te geven, om uit te voeren, te onderhouden, te beheren en te beschermen. Het duurde een aantal jaar voordat dat vertrouwen werd opgebouwd. Nu, met AI-adoptie, ontstaat een soortgelijk patroon.

Organisaties moeten opnieuw vertrouwen hebben in een systeem om hun informatie te beschermen en, in dit geval, bruikbare informatie te produceren die feitelijk, referentieel en ook vertrouwd is. Met cloud was het over “wie de eigenaar of beheerder van” uw data was. Met AI draait het om het vertrouwen en het gebruik van die data, evenals de afleiding van informatie die als resultaat wordt gegenereerd. Met dat gezegd, zou ik organisaties aanraden om de volgende drie dingen te doen bij het implementeren van AI-technologieën:

1. Leun in – Wees niet bang om deze technologie te gebruiken, maar adopteer en leer.
2. Gronding – Ondernemingsdata die u bezit en beheert is de grondwaarheid wanneer het gaat om informatienauwkeurigheid, mits die informatie waar, feitelijk en referentieel is. Zorg ervoor dat u begrijpt hoe de AI-model is getraind en welke informatie het gebruikt wanneer u uw data gebruikt. Net zoals alle applicaties of data, is context belangrijk. Non-AI-gebaseerde applicaties produceren valse of onnauwkeurige resultaten. Alleen omdat AI een onnauwkeurig resultaat produceert, betekent dit niet dat we de schuld bij het model moeten leggen, maar eerder moeten begrijpen wat de model voedt.
3. Waarde – Begrijp het gebruikscase waarbij AI de impact aanzienlijk kan verbeteren.

Bedankt voor het geweldige interview, lezers die meer willen leren, moeten insightsoftware bezoeken.