Rommelige Data Verhinderen Enterprise AI-Adoptie – Hoe Bedrijven Zichzelf Kunnen Ontwarren

Health startups zeggen dat onduidelijke regelgeving de innovatie van AI in de sector verhindert. Natuurlijk zijn dergelijke voorzorgsmaatregelen noodzakelijk in de gezondheidszorg, waar het letterlijk een kwestie van leven of dood is. Maar wat minder zin heeft, is de trage adoptie van AI in enterprise SaaS – een ruimte die niet wordt gehinderd door bureaucratie zoals andere sectoren.

Dus wat weerhoudt bedrijven ervan om AI te gebruiken om hun processen te stroomlijnen en te optimaliseren? De belangrijkste oorzaak is de grote hoeveelheid rommelige data die zich ophoopt als bedrijven groeien en nieuwe tools en producten toevoegen. In dit artikel zal ik ingaan op hoe rommelige data een belemmering vormt voor AI-innovatie in enterprise, en de oplossingen verkennen.

Welkom in de datajungle

Laten we beginnen met een veelvoorkomende data-uitdaging die veel moderne bedrijven tegenkomen. Aanvankelijk, wanneer bedrijven een beperkt aanbod aan producten hebben, hebben ze meestal schone omzetcijfers die allemaal binnen één systeem zijn ondergebracht. Echter, als ze hun aanbod uitbreiden en verschillende omzetmodellen adopteren, wordt het snel rommelig.

Bijvoorbeeld, een bedrijf kan aanvankelijk een eenmalige aankoopmodel hanteren, maar later additionele opties introduceren zoals abonnementen of verbruiksgebaseerde prijzen. Als ze uitbreiden, zullen ze waarschijnlijk hun verkoopkanalen diversifiëren. Een bedrijf dat begint met 100% productgeleide self-service-verkoop kan later beseffen dat ze de hulp van verkoopteams nodig hebben om upselling, cross-selling en grotere klanten binnen te halen.

Tijdens snelle groeifases, stapelen veel bedrijven gewoon nieuwe verkoopsystemen op bestaande systemen. Ze zullen een ander SaaS-hulpmiddel aanschaffen om elk verschillend motion, prijsmodel, aankoopproces enz. te beheren. Het is niet ongebruikelijk voor een bedrijf om alleen al in de marketingafdeling 20 verschillende SaaS-hulpmiddelen te hebben met 20 verschillende datasilo’s.

Dus, terwijl bedrijven over het algemeen beginnen met schone, geïntegreerde data, leidt groei ertoe dat data snel buiten controle raakt, vaak nog voordat bedrijven het als een probleem herkennen. Data wordt afgesloten tussen facturering, nakoming, klantensucces en andere systemen, waardoor bedrijven hun globale zichtbaarheid in hun interne werking verliezen. En helaas, het handmatig reconciliëren van data is vaak zo arbeidsintensief en tijdrovend dat inzichten verouderd kunnen zijn voordat ze klaar zijn om te gebruiken.

AI kan uw rommelige data niet voor u oplossen

Verschillende potentiële klanten hebben ons gevraagd – “nou, als AI zo geweldig is, kan het dan niet gewoon dit rommelige dataprobleem voor ons oplossen?” Helaas, AI-modellen zijn geen panacee voor dit dataprobleem.

Huidige AI-modellen vereisen schone datasets om goed te functioneren. Bedrijven die afhankelijk zijn van diverse verkoopbewegingen, SaaS-platforms en omzetprocessen verzamelen onvermijdelijk uiteenlopende en gefragmenteerde datasets. Wanneer een bedrijf zijn omzetcijfers verspreid over onverenigbare systemen die niet met elkaar kunnen communiceren, kan AI er geen zin van maken. Bijvoorbeeld, wat in het ene systeem als “Product” wordt gelabeld, kan in een ander systeem heel iets anders zijn. Deze subtiele semantische verschillen zijn moeilijk voor AI om te identificeren en zouden onvermijdelijk leiden tot onnauwkeurigheden.

Data moet goed worden gezuiverd, gecontextualiseerd en geïntegreerd voordat AI in beeld komt. Er is een langdurige misvatting dat datawarehousing een op-maat-oplossing biedt. In werkelijkheid, zelfs met een datawarehouse, moet data nog steeds handmatig worden geraffineerd, gelabeld en gecontextualiseerd, voordat bedrijven het kunnen gebruiken om betekenisvolle analyses te produceren. Dus, op deze manier zijn er overeenkomsten tussen datawarehousing en AI, in die zin dat bedrijven de wortel van rommelige data moeten aanpakken voordat ze de voordelen van een van deze hulpmiddelen kunnen benutten.

Zelfs als data is gecontextualiseerd, worden AI-systemen nog steeds geschat om minstens 3% van de tijd te hallucineren. Maar een bedrijf zijn financiën — waar zelfs een decimale punt op de verkeerde plaats een domino-effect kan hebben dat meerdere processen verstoort — vereisen 100% nauwkeurigheid. Dit betekent dat menselijke interventie nog steeds essentieel is om de nauwkeurigheid en coherentie van data te valideren. Het integreren van AI te vroeg kan zelfs meer werk voor menselijke analisten creëren, die extra tijd en middelen moeten toewijzen om deze hallucinaties te corrigeren.

Een data-catch-22

Niettemin, de verspreiding van SaaS-oplossingen en de resulterende rommelige data hebben verschillende oplossingen.

Ten eerste, moeten bedrijven regelmatig hun technische stack beoordelen om ervoor te zorgen dat elk hulpmiddel strikt noodzakelijk is voor hun bedrijfsprocessen, en niet alleen bijdraagt aan de dataverwarring. U kunt ontdekken dat er 10 of zelfs 20+ hulpmiddelen zijn die uw teams dagelijks gebruiken. Als ze echt waarde toevoegen aan afdelingen en het algemene bedrijf, gooi ze dan niet weg. Maar als rommelige, afgesloten data processen en inzichtengaring verstoort, moet u de voordelen afwegen tegen het overschakelen naar een slanke, geïntegreerde oplossing waar alle data in hetzelfde hulpmiddel en dezelfde taal is ondergebracht.

Op dit punt staan bedrijven voor een dilemma bij het kiezen van software: all-in-one-hulpmiddelen kunnen data-coherentie bieden, maar mogelijk minder precisie in specifieke gebieden. Een middenweg houdt in dat bedrijven software zoeken die een universeel objectmodel biedt dat flexibel, aanpasbaar en naadloos geïntegreerd is met het algemene ecosysteem. Neem Atlassian’s (TEAM ) Jira, bijvoorbeeld. Dit projectbeheerhulpmiddel werkt op een eenvoudig te begrijpen en zeer uitbreidbaar objectmodel, waardoor het gemakkelijk is om aan te passen aan verschillende soorten projectbeheer, waaronder Agile Software Development, IT/Helpdesk, Marketing, Onderwijs, enz.

Om deze afweging te navigeren, is het cruciaal om de metrieken te kaarten die het meest voor uw bedrijf tellen en van daaruit te werken. Het identificeren van de North Star van uw bedrijf en het uitlijnen van uw systemen naar die richting, zorgt ervoor dat u uw data-infrastructuur ontwerpt om de inzichten te leveren die u nodig heeft. In plaats van uitsluitend te focussen op operationele workflows of gebruikersgemak, overweeg of een systeem bijdraagt aan niet-onderhandelbare metrieken, zoals die cruciaal zijn voor strategische besluitvorming.

Uiteindelijk zijn het de bedrijven die tijd en middelen investeren in het ontwarren van de dataverwarring die ze zelf hebben gecreëerd, die als eerste de ware potentie van AI zullen ontsluiten.