Uordentlig Data Forhindrer Bedrifts AI-Adopsjon – Hvordan Selskaper Kan Redde Seg Ut

Helsestartups sier at uklare regler hemmer 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 over bedriftens SaaS – et område som ikke blir hindret av byråkrati som andre sektorer.

Så hva stopper bedrifter fra å adoptere AI for å strømlinje og optimalisere prosessene sine? Hovedårsaken er de store mengdene uordentlig data som akkumuleres når bedrifter vokser og legger til nye verktøy og produkter. I denne artikkelen vil jeg dykke ned i hvordan uordentlig 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 møter. 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 tilbudene sine og adopterer en rekke inntektsmodeller, blir tingene raskt uordentlige.

For eksempel kan en bedrift initialt bruke en engangs kjøpsmodell, men senere introdusere flere alternativer som abonnementer eller forbruksbasert prising. Når de utvider seg, vil de sannsynligvis diversifisere salgskanalene sine også. En bedrift som starter med 100% produktledet selvbetjeningssalg kan over tid innse at de trenger hjelp fra salgsteam for å oppselge, kryss-selge og sikre større kunder.

Under raske vekstfaser legger mange bedrifter enkeltvis nye salgssystemer på eksisterende systemer. De vil skaffe 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 spirer ut av kontroll, ofte lenge før bedriftene erkjenner det som et problem. Data blir avsiloet mellom fakturering, oppfylning, kundesuksess og andre systemer, noe som betyr at bedrifter mister den globale oversikten over sine indre prosesser. Og dessverre er manuell datarekonkylasjon ofte så arbeidskrevende og tidskrevende at innsiktene kan være foreldet når de er klare til bruk.

AI kan ikke fikse uordentlig data for deg

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

Data må være ordentlig rensket, 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 den 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 uordentlig data før de kan nyte 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 et desimalpunkt på feil plass kan ha en dominoeffekt som forstyrer flere prosesser — krever 100% nøyaktighet. Dette betyr at menneskelig inngripen fortsatt er essensiell for å validere dataakkuraten og kohesjonen. Integrering av AI for tidlig kan til og med skape mer arbeid for menneskelige analytikere, som må bruke ekstra tid og ressurser til å korrigere disse hallusinasjonene.

En data-dødvinkel

Likevel har spredningen av SaaS-løsninger og den resulterende uordentlige data flere løsninger.

Først bør bedrifter jevnlig vurdere sin teknologistakk for å sikre at hvert verktøy er strengt nødvendig for bedriftsprosessene, og ikke bare bidrar til datatangen. Du kan finne at det er 10 eller sogar 20+ verktøy som teamene dine bruker daglig. Hvis de virkelig bringer verdi til avdelinger og hele bedriften, ikke fjern dem. Men hvis uordentlig, avsiloet data forstyrer prosesser og innsamling av intelligens, må du veie fordelen mot å bytte til en slank, forent 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 datakohesjon, men kanskje mindre presisjon i bestemte områder. En midlertidig løsning 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, Marketing, Utdanning og så videre.

For å navigere denne avveiingen er det avgjørende å kartlegge målene som betyr mest for bedriften din og arbeide bakover fra der. Å identifisere bedriftens Nordstjerne og justere systemene dine mot den, sikrer at du arkitekterer datainfrastrukturen din for å levere 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 selskapene som investerer tid og ressurser i å redde seg ut av datarotten de har fått seg inn i, som vil være de første til å låse opp det sanne potensialet til AI.