Запутанные данные мешают внедрению ИИ в крупных компаниях – как компании могут распутаться

Стартапы в области здравоохранения говорят, что неясные правила регулирования тормозят инновации в области ИИ в этом секторе. Конечно, такие меры предосторожности необходимы в здравоохранении, где речь идет буквально о жизни или смерти. Но что имеет меньше смысла, так это медленный темп внедрения ИИ в крупных компаниях SaaS – области, которая не сдерживается бюрократической волокитой, как другие сектора.

Итак, что мешает компаниям внедрять ИИ, чтобы оптимизировать и упростить свои процессы? Основным виновником является огромное количество запутанных данных, которые накапливаются, когда компании растут и добавляют новые инструменты и продукты. В этой статье я расскажу, как запутанные данные мешают инновациям в области ИИ в крупных компаниях, и исследую возможные решения.

Добро пожаловать в джунгли данных

Давайте начнем с рассмотрения распространенной проблемы с данными, с которой сталкиваются многие современные компании. Первоначально, когда компании предлагают ограниченный ассортимент продуктов, у них обычно есть чистые данные о выручке, которые хранятся в единой системе. Однако, когда они расширяют свой ассортимент и принимают различные модели выручки, все быстро становится запутанным.

Например, компания может первоначально использовать модель покупки с единовременной оплатой, но позже ввести дополнительные варианты, такие как подписки или оплату по мере использования. Когда они расширяются, они, скорее всего, диверсифицируют свои каналы продаж. Компания, которая начинается с 100% самообслуживания, может со временем осознать, что ей нужна помощь продажных команд, чтобы продавать, перекрестно продавать и привлекать более крупных клиентов.

Во время стадии быстрого роста многие компании просто накапливают новые системы продаж на существующие. Они приобретают разные инструменты SaaS для управления каждым различным движением, моделью ценообразования, процессом покупки и т. д. Не редко встречается ситуация, когда у маркетингового отдела компании имеется 20 разных инструментов SaaS с 20 различными хранилищами данных.

Итак, хотя компании обычно начинаются с чистыми, интегрированными данными, рост приводит к тому, что данные быстро выходит из-под контроля, часто задолго до того, как компании признают это проблемой. Данные становятся разрозненными между системами выставления счетов, выполнения, успеха клиентов и других систем, что означает, что компании теряют глобальную видимость своих внутренних процессов. И, к сожалению, ручное согласование данных часто бывает如此 трудоемким и耗ительным, что информация может быть устаревшей к моменту ее использования.

ИИ не может исправить ваши запутанные данные

Несколько потенциальных клиентов спросили нас: “Ну, если ИИ так хорош, не может ли он просто решить эту проблему с запутанными данными для нас?” К сожалению, модели ИИ не являются панацеей от этой проблемы с данными.

Текущие модели ИИ требуют чистых наборов данных, чтобы работать правильно. Компании, которые полагаются на различные движения продаж, платформы SaaS и процессы выручки, неизбежно накапливают разрозненные и фрагментированные наборы данных. Когда данные о выручке компании разбросаны по несовместимым системам, которые не могут общаться друг с другом, ИИ не может понять их. Например, то, что обозначается как “Продукт” в одной системе, может быть совершенно khácным от “Продукта” в другой системе. Это тонкая семантическая разница трудна для определения ИИ и неизбежно приведет к неточностям.

Данные необходимо правильно очистить, контекстуализировать и интегрировать до того, как ИИ вступит в игру. Существует устойчивое заблуждение, что хранилище данных предлагает решение для всех. На самом деле, даже с хранилищем данных, данные все равно необходимо вручную уточнить, пометить и контекстуализировать, прежде чем компании смогут использовать их для получения осмысленных аналитических данных. Итак, в этом смысле есть параллели между хранилищем данных и ИИ, поскольку компании должны решить проблему запутанных данных, прежде чем они смогут воспользоваться преимуществами любого из этих инструментов.

Даже когда данные были контекстуализированы, системы ИИ все равно оцениваются как не менее 3% времени. Но финансовые показатели компании — где даже одна десятичная точка в неправильном месте может иметь эффект домино, нарушающий несколько процессов — требуют 100% точности. Это означает, что человеческое вмешательство все еще необходимо для проверки точности и согласованности данных. Предварительная интеграция ИИ может даже создать больше работы для человеческих аналитиков, которые должны выделить дополнительное время и ресурсы для исправления этих ошибок.

КATCH-22 с данными

Тем не менее, распространение решений SaaS и получение запутанных данных имеет несколько решений.

Во-первых, компании должны регулярно оценивать свой технологический стек, чтобы убедиться, что каждый инструмент строго необходим для их бизнес-процессов, и не просто способствует запутыванию данных. Вы можете обнаружить, что у ваших команд есть 10 или даже 20+ инструментов, которые они используют ежедневно. Если они действительно приносят пользу отделам и общему бизнесу, не избавляйтесь от них. Но если запутанные, разрозненные данные нарушают процессы и сбор информации, вам необходимо сопоставить их преимущества с переходом на экономичное, унифицированное решение, где все данные хранятся в одном инструменте и на одном языке.

На этом этапе компании сталкиваются с дилеммой при выборе программного обеспечения: все инструменты в одном могут предложить согласованность данных, но, возможно, менее точные в определенных областях. Средний вариант предполагает, что компании ищут программное обеспечение, которое предлагает универсальную модель объекта, которая гибка, адаптируема и без проблем интегрируется с общей экосистемой. Возьмем, к примеру, Jira от Atlassian (TEAM ). Этот инструмент управления проектами работает на простой и высоко расширяемой модели объекта, что делает его легко адаптируемым к различным типам управления проектами, включая Agile-разработку программного обеспечения, IT/Helpdesk, маркетинг, образование и т. д.

Чтобы преодолеть этот компромисс, важно составить карту метрик, которые наиболее важны для вашего бизнеса, и работать назад оттуда. Определение Северной звезды вашей компании и выравнивание ваших систем в соответствии с ней гарантирует, что вы проектируете свою инфраструктуру данных для получения необходимых вам информации. Вместо того, чтобы сосредотачиваться исключительно на операционных рабочих процессах или удобстве пользователя, рассмотрите, способствует ли система неоспоримым метрикам, таким как те, которые имеют решающее значение для стратегического принятия решений.

В конечном итоге, это те компании, которые инвестируют время и ресурсы в распутывание запутанного клубка данных, который они сами создали, будут первыми, кто разблокирует истинный потенциал ИИ.