Uklar data hindrer bedrifts AI-adoptsjon – Hvordan bedrifter kan løse knutene

Helsestartups sier at uklare regler hindrer AI-innovasjon i sektoren. Selvfølgelig er slike forsiktighetsmessige tiltak nødvendige i helseindustrien, der det faktisk handler om liv eller død. Men det som er mindre forståelig, er den tregere adopsjonen av AI i bedrifts SaaS – et område som ikke hindres av byråkrati som andre sektorer.

Så hva hindrer bedrifter fra å adoptere AI for å strømlinje og optimalisere prosessene sine? Hovedårsaken er de store mengdene uklar data som akkumuleres når bedrifter vokser og legger til nye verktøy og produkter. I denne artikkelen vil jeg dykke ned i hvordan uklar data er en hindring for AI-innovasjon i bedrift, og utforske løsningene.

Velkommen til datajungelen

La oss starte med å se på en vanlig datautfordring som mange moderne bedrifter står overfor. Til å begynne med, når bedrifter tilbyr et begrenset utvalg av produkter, har de vanligvis ren og klar inntektsdata som er huset innenfor ett enkelt system. Men når de utvider sitt utvalg og adopterer en rekke inntektsmodeller, blir tingene raskt uklare.

For eksempel kan en bedrift initialt bruke en enkeltkjøpsmodell, men senere introdusere ekstra alternativer som abonnementer eller forbrukbasert prising. Når de utvider, vil de sannsynligvis også diversifisere salgs kanalene sine. En bedrift som starter med 100% produktledet selvbetjening kan over tid innse at de trenger hjelp fra salgsteam for å oppselge, kryssselge og sikre større kunder.

Under raske vekstfaser, legger mange bedrifter enkeltvis nye salgs systemer ovenpå eksisterende systemer. De vil vanligvis anskaffe et annet SaaS-verktøy for å håndtere hver enkelt bevegelse, prismodell, kjøpsprosess og så videre. Det er ikke uvanlig at en bedrifts markedsavdeling alene har 20 forskjellige SaaS-verktøy med 20 forskjellige datasiloer.

Så mens bedrifter vanligvis starter med ren og integrert data, fører veksten til at data raskt spinner ut av kontroll, ofte lenge før bedriftene erkjenner det som et problem. Data blir isolert mellom fakturering, oppfyllelse, kundesuksess og andre systemer, noe som gjør at bedriftene mister global oversikt over sine indre prosesser. Og dessverre er manuell datarekonciliasjon ofte så arbeidskrevende og tidskrevende at innsiktene kan være foreldet når de er klare til bruk.

AI kan ikke fikse din uklare data for deg

Flere potensielle kunder har spurt oss – “hvis AI er så bra, kan den ikke bare løse dette uklare dataproblemet for oss?” Dessverre er AI-modeller ikke en universell løsning for dette dataproblemet.

Gjeldende AI-modeller krever rene datasett for å fungere korrekt. Bedrifter som avhenger av ulike salgsbevegelser, SaaS-plattformer og inntektsprosesser akkumulerer uunngåelig spredte og fragmenterte datasett. Når et bedrifts inntektsdata er spredt over uforenlige systemer som ikke kan kommunisere med hverandre, kan AI ikke gjøre mening av det. For eksempel kan det som er merket som “Produkt” i ett system være svært forskjellig fra “Produkt” i et annet system. Denne subtile semantiske forskjellen er vanskelig for AI å identifisere og ville uunngåelig føre til feil.

Data må være ordentlig renset, kontekstualisert og integrert før AI kommer inn i bildet. Det er en langvarig misforståelse at datawarehousing tilbyr en løsning som passer alle. I virkeligheten, selv med en datawarehouse, må data fortsatt være manuelt raffinert, merket og kontekstualisert, før bedrifter kan bruke det til å produsere meningsfulle analyser. Så på denne måten er det paralleller mellom datawarehousing og AI, i og med at bedrifter må komme til roten av det uklare dataproblemet før de kan høste fordelen av noen av disse verktøyene.

Selv når data er blitt kontekstualisert, estimeres AI-systemer å hallusinere minst 3% av tiden. Men et bedrifts økonomi — der selv en desimalpunkt i feil plassering kunne ha en dominoeffekt som forstyrrer flere prosesser — krever 100% nøyaktighet. Dette betyr at menneskelig inngripen fortsatt er essensiell for å validere dataakkuratheit og konsistens. Å integrere AI for tidlig kan faktisk skape mer arbeid for menneskelige analytikere, som må allokere ekstra tid og ressurser til å korrigere disse hallusinasjonene.

En datafangst-22

Likevel har spredningen av SaaS-løsninger og det resulterende uklare data flere løsninger.

Først bør bedrifter jevnt over vurdere sin tekniske stak for å sikre at hvert verktøy er strengt nødvendig for deres forretningsprosesser, og ikke bare bidrar til dataforvirringen. Du kan finne at det er 10 eller sogar 20+ verktøy som teamene dine bruker daglig. Hvis de faktisk bidrar til verdi for avdelinger og det overordnede bedriftsøkonomien, ikke fjern dem. Men hvis uklar, isolert data forstyrrer prosesser og innsamling av intelligens, må du veie fordelene mot å bytte til en slank, enhetlig løsning hvor all data er huset i samme verktøy og språk.

På dette punktet står bedrifter overfor en dilemma når de velger programvare: all-i-ett-verktøy kan tilby datakoherens, men kanskje mindre presisjon i bestemte områder. En midtervei innebærer at bedrifter søker etter programvare som tilbyr en universell objektmодell som er fleksibel, tilpasningsdyktig og sammenhengende integrert med det generelle økosystemet. Ta Atlassians Jira som eksempel. Dette prosjektledelsesverktøyet opererer på en enkel å forstå og høyt ekstensibel objektmодell, som gjør det enkelt å tilpasse seg ulike typer prosjektledelse, inkludert Agile Software Development, IT/Helpdesk, Markedsføring, Utdanning og så videre.

For å navigere denne avveiingen er det avgjørende å kartlegge de målene som betyr mest for din bedrift og arbeide bakover fra der. Å identifisere bedriftens Nordstjerne og justere systemene mot den sikrer at du designer datainfrastrukturen din for å levere de innsiktene du trenger. I stedet for å fokusere bare på operasjonelle arbeidsflyter eller brukervennlighet, vurdere om et system bidrar til ikke-forhandlingsbare mål, som de som er avgjørende for strategisk beslutning.

Til slutt er det bedriftene som investerer tid og ressurser i å løse dataforvirringen de har fått seg selv inn i som vil være de første til å låse opp det sanne potensialet i AI.