Jay Allardyce, General Manager, Data & Analytics på insightsoftware – Intervjuserie

Jay Allardyce är General Manager, Data & Analytics på insightsoftware. Han är en teknisk chef med 23+ års erfarenhet av företags-B2B-företag som Google, Uptake, GE och HP. Han är också medgrundare till GenAI.Works som leder den största artificiella intelligens-gemenskapen på LinkedIn.

insightsoftware är en global leverantör av finansiella och operativa programvarulösningar. Företaget erbjuder verktyg som stöder finansiell planering och analys (FP&A), redovisning och verksamhet. Deras produkter är utformade för att förbättra dataåtkomsten och hjälpa organisationer att fatta informerade beslut i rätt tid.

Du har betonat vikten av att företag antar AI som svar på ökande kundförväntningar. Vilka är de viktigaste stegen som företag bör ta för att undvika att hamna i fällan med “AI FOMO” och anta generiska AI-lösningar?

Kunder låter företag veta högt och tydligt att de vill ha ökade AI-kapaciteter i de verktyg de använder. Som svar rusar företag för att möta dessa krav och hålla jämna steg med sina konkurrenter, vilket skapar en hektisk cykel för alla parter inblandade. Och ja, slutresultatet är AI FOMO, som kan driva ett företag att skynda på sin innovation i ett försök att bara säga “vi har AI!”

Det viktigaste rådet jag har för företag för att undvika att hamna i denna fälla är att ta sig tid att förstå vilka smärtor kunderna ber AI att lösa. Finns det ett processproblem som är för manuellt intensivt? Finns det en upprepad uppgift som behöver automatiseras? Finns det beräkningar som lätt kan utföras av en maskin?

När företag har denna nödvändiga kontext kan de börja anta lösningar med syfte. De kommer att kunna erbjuda kunder AI-verktyg som löser ett problem, snarare än de som bara lägger till förvirring till deras befintliga problem.

Många företag rusar för att implementera AI utan att fullständigt förstå dess användningsfall. Hur kan företag identifiera rätt AI-drivna lösningar som är anpassade till deras specifika behov snarare än att förlita sig på generiska implementeringar?

På kundsidan är det viktigt att upprätthålla konstant kommunikation för att bättre förstå vilka användningsfall som är mest pressande. Kundråd kan ge en hjälpsam lösning. Men utöver kunder är det också viktigt för team att se internt och förstå hur tillägg av nya AI-verktyg kommer att påverka intern funktionalitet. För varje nytt verktyg som introduceras till en kund möter interna datateam en berg av nya variabler och ny data som skapas.

Medan vi alla vill lägga till nya funktioner och visa dem för kunder, kommer ingen AI-distribution att vara framgångsrik utan stöd från interna datateam och vetenskapsmän bakom deras utveckling. Samordna internt för att förstå bandbredd och sedan titta utåt för att bestämma vilka kundförfrågningar som kan tillgodoses med ordentligt stöd bakom dem.

Du har hjälpt Fortune 1000-företag att anta en dataförst-approach. Vad betyder det egentligen för ett företag att vara “data-driven”, och vad är några av de vanligaste fallgroparna som företag stöter på under denna transformation?

För att ett företag ska vara “data-driven” måste företag lära sig att effektivt utnyttja data på rätt sätt. Ett verkligt data-driven team kan utföra data-driven beslutsfattande på rätt sätt, vilket innebär att man använder information för att informera och stödja affärsbeslut. Istället för att förlita sig enbart på intuition eller personlig erfarenhet samlar beslutsfattare in och analyserar relevant data för att vägleda sina strategier. Att fatta beslut baserat på data kan hjälpa företag att få mer informerade, objektiva insikter, vilket i en snabbt föränderlig marknad kan betyda skillnaden mellan ett strategiskt beslut och ett impulsivt.

En vanlig fallgrop för att uppnå detta är ineffektiv datahantering, vilket leder till en “dataöverbelastning”, där team belastas med stora mängder data och inte kan göra något med den. När företag försöker fokusera sina ansträngningar på den viktigaste datan kan det faktum att ha för mycket data tillgänglig leda till förseningar och ineffektiviteter om den inte hanteras på rätt sätt.

Med tanke på din bakgrund inom IoT och industriell teknik, hur ser du på korsningen mellan AI och IoT utvecklas i branscher som energi, transport och tung konstruktion?

När IoT kom in på scenen fanns det en tro att det skulle möjliggöra större anslutning för att förbättra beslutsfattandet. I gengäld låste denna anslutning upp en hel ny värld av ekonomiskt värde, och det var, och fortsätter att vara, fallet för den industriella sektorn.

Problemet var att så många fokuserade på “smart rörledning”, att använda IoT för att ansluta, extrahera och kommunicera med distribuerade enheter, och mindre på resultatet. Du måste bestämma det exakta problemet som ska lösas, nu när du är ansluten till exempelvis 400 tunga konstruktions­tillgångar eller 40 ägda kraftverk. Resultatet, eller problemet att lösa, kommer slutligen ner till att förstå vilken KPI som kan förbättras som driver topp­linjen, arbetsflödes­produktivitet eller botten­linje­besparingar (om inte en kombination). Varje företag styrs av en uppsättning topp­nivå­KPI:er som mäter drifts­prestation och aktieägar­prestation. När dessa är bestämda blir problemet att lösa (och därmed vilken data som skulle vara användbar) tydligt.

Med denna grund i åtanke kan AI – antingen förutsägande eller genererande – ha en 10-50 gånger större inverkan på att hjälpa ett företag att bli mer produktivt i vad de gör. Optimerad leverans, lastbilar och servicecykler för reparationer baseras alla på en tydlig efterfrågan som matchas med indata­variabler som behövs. För att illustrera detta kan tanken på att ha “rätt del, vid rätt tid, på rätt plats” betyda miljoner för ett konstruktionsföretag – eftersom de har färre lager­nivå­krav för lager och optimerade service­tekniker baserat på en AI-modell som vet eller förutsäger när en maskin kan gå sönder eller när en service­händelse kan inträffa. I sin tur kan denna modell, i kombination med strukturerad drifts­data och IoT-data (för distribuerade tillgångar), hjälpa ett företag att bli mer dynamiskt och marginalt optimerat samtidigt som de inte offrar kund­tillfredsställelse.

Du har talat om vikten av att utnyttja data effektivt. Vilka är några av de vanligaste sätten företag missbrukar data, och hur kan de omvandla den till en verklig konkurrensfördel?

Begreppet “artificiell intelligens”, när det tas på ett bokstavligt sätt, kan vara lite vilseledande. Att mata in alla data i en AI-motor betyder inte att den kommer att producera användbara, relevanta eller precisa resultat. När team försöker hålla jämna steg med AI-innovationens takt i dagens värld glömmer vi ibland bort vikten av fullständig data­förberedelse och kontroll, som är avgörande för att säkerställa att datan som matas in i AI är helt korrekt. Precis som den mänskliga kroppen förlitar sig på högkvalitativ bränsle för att driva sig själv, förlitar sig AI på ren, konsekvent data som säkerställer precisionen i dess prognoser. Särskilt i världen av finansiella team är detta av yttersta vikt så att team kan producera precisa rapporter.

Vilka är några av de bästa metoderna för att ge icke-tekniska team inom en organisation möjlighet att använda data och AI effektivt, utan att överväldiga dem med komplexa verktyg eller processer?

Mitt råd är att ledare fokuserar på att ge icke-tekniska team möjlighet att generera sina egna analyser. För att vara riktigt agila som företag måste tekniska team fokusera sina ansträngningar på att göra processen mer intuitiv för anställda i hela organisationen, snarare än att fokusera på den alltmer växande backloggen av förfrågningar från ekonomi och drift. Att ta bort manuella processer är verkligen det första viktiga steget i denna process, eftersom det tillåter drifts­ledare att spendera mindre tid på att samla in data och mer tid på att analysera den.

insightsoftware fokuserar på att ta in AI i finansiella operationer. Hur förändrar AI sättet som CFO:er och finansteam opererar, och vilka är de främsta fördelarna som AI kan ge till finansiella beslut?

AI har haft en djup inverkan på finansiella beslut och finansteam. I själva verket använder 87% av team redan AI i en måttlig till hög utsträckning, vilket är ett fantastiskt mått på dess framgång och inverkan. Specifikt kan AI hjälpa finansteam att producera viktiga prognoser snabbare och därmed oftare – vilket förbättrar betydligt på nuvarande prognos­cykler, som uppskattar att 58% av budget­cyklerna är längre än fem dagar.

Genom att lägga till AI i detta besluts­fattande kan team utnyttja det för att automatisera tråkiga uppgifter, som rapport­generering, data­validering och käll­system­uppdateringar, vilket frigör värdefull tid för strategisk analys. Detta är särskilt viktigt i en volatil marknad där finansteam behöver smidighet och flexibilitet för att driva motståndskraft. Ta till exempel fallet med ett finansteam mitt i budget­ och planerings­cykler. AI-drivna lösningar kan leverera mer precisa prognoser, vilket hjälper finansiella proffs att fatta bättre beslut genom mer djupgående planering och analys.

Hur ser du på behovet av data utvecklas under de närmaste fem åren, särskilt i förhållande till AI-integration och skiftet till molnresurser?

Jag tror att de närmaste fem åren kommer att visa ett behov av förbättrad data­smidighet. Med hur snabbt marknaden förändras måste data vara tillräckligt smidig för att låta företag förbli konkurrenskraftiga. Vi såg detta i övergången från on-prem till off-prem till moln, där företag hade data, men ingen av den var användbar eller smidig nog för att hjälpa dem i skiftet. Förbättrad flexibilitet betyder förbättrad data­besluts­fattande, samarbete, risk­hantering och en mängd andra funktioner. Men i slutändan utrustar det team med de verktyg de behöver för att hantera utmaningar effektivt och anpassa sig efter behov till förändrade trender eller marknads­krav.

Hur säkerställer du att AI-teknologier används på ett ansvarsfullt sätt, och vilka etiska överväganden bör företag prioritera när de distribuerar AI-lösningar?

Att dra en parallell mellan AI:s uppgång och antagande, var organisationer rädda för att ge sin data till någon okänd enhet för att köra, underhålla, hantera och skydda. Det tog flera år för att bygga detta förtroende. Nu, med AI-antagande, uppstår ett liknande mönster.

Organisationer måste återigen lita på ett system för att skydda sin information och, i detta fall, producera giltig information som är faktuell, referensbar och också tillförlitlig. Med tanke på detta skulle jag föreslå att organisationer fokuserar på följande tre saker när de distribuerar AI-teknologier:

1. Lean in – Var inte rädda för att använda denna teknik, men anta och lära.
2. Grounding – Företagsdata som du äger och hanterar är sanningen när det gäller informations­exakthet, förutsatt att informationen är sann, faktuell och referensbar. Se till att du förstår ursprunget till hur AI-modellen är utbildad och vilken information den använder. Som alla applikationer eller data spelar sammanhang roll. Icke-AI-drivna applikationer producerar felaktiga eller inkorrekta resultat. Bara för att AI producerar ett inkorrekt resultat betyder det inte att vi ska skylla modellen, utan snarare förstå vad som matas in i modellen.
3. Värde – Förstå användningsfallet där AI kan förbättra inverkan betydligt.

Tack för den underbara intervjun, läsare som vill lära sig mer kan besöka insightsoftware.