Rörigt data förhindrar företags AI-användning – Hur företag kan reda ut sig

Hälso-startups säger att oklara regler hämmar AI-innovationen inom sektorn. Naturligtvis är sådana försiktighetsåtgärder nödvändiga inom hälso- och sjukvårdssektorn, där det handlar om liv eller död. Men det som är mindre begripligt är den tröga tillämpningen av AI inom företags-SaaS – ett område som inte hämmas av byråkrati som andra sektorer.

Så vad är det som stoppar företagen från att anta AI för att effektivisera och optimera sina processer? Den främsta boven är de stora mängder röriga data som ackumuleras när företagen växer och lägger till nya verktyg och produkter. I den här artikeln kommer jag att undersöka hur röriga data är ett hinder för AI-innovation inom företag och utforska lösningarna.

Välkommen till data-djungeln

Låt oss börja med att titta på en vanlig data-utmaning som många moderna företag står inför. Initialt, när företag erbjuder en begränsad produktportfölj, har de vanligtvis ren och snygg intäktsdata som är inhyst i ett enda system. Men när de expanderar sina erbjudanden och antar en mängd olika intäktsmodeller, blir det snabbt rörigt.

Till exempel kan ett företag initialt använda en engångsköpsmodell, men senare introducera ytterligare alternativ som prenumerationer eller konsumtionsbaserad prissättning. När de expanderar kommer de sannolikt att diversifiera sina försäljningskanaler också. Ett företag som börjar med 100% produkt-ledd självbetjäning kan inse över tid att de behöver hjälp av säljteam för att sälja, kors-sälja och landa större kunder.

Under snabb tillväxt fas, lägger många företag helt enkelt till nya försäljningssystem på befintliga. De kommer att köpa ett annat SaaS-verktyg för att hantera varje olika rörelse, prissättningsmodell, inköpsprocess och så vidare. Det är inte ovanligt att ett företags marknadsavdelning ensam har 20 olika SaaS-verktyg med 20 olika datasilor.

Så medan företag vanligtvis börjar med ren och integrerad data, orsakar tillväxten att data snabbt spiralar utom kontroll, ofta långt innan företagen erkänner det som ett problem. Data blir isolerad mellan fakturering, leverans, kundsupport och andra system, vilket innebär att företagen förlorar den globala översikten över sin interna verksamhet. Och tyvärr är manuell data-rekonsiliering ofta så arbetskrävande och tidskrävande att insikter kan vara föråldrade när de är klara att användas.

AI kan inte lösa ditt röriga data-problem

Flera potentiella kunder har frågat oss – “om AI är så bra, kan den inte bara lösa detta röriga data-problem för oss?” Tyvärr är AI-modeller inte en universallösning för detta data-problem.

Nuvarande AI-modeller kräver rena dataset för att fungera korrekt. Företag som förlitar sig på olika försäljningsrörelser, SaaS-plattformar och intäktsprocesser ackumulerar ofta disparata och fragmenterade dataset. När ett företags intäktsdata är utspridd över oförenliga system som inte kan kommunicera med varandra, kan AI inte förstå det. Till exempel kan det som betecknas som “Produkt” i ett system vara mycket annorlunda än “Produkt” i ett annat system. Denna subtila semantiska skillnad är svår för AI att identifiera och skulle oundvikligen leda till fel.

Data måste renas, kontextualiseras och integreras innan AI kommer in i bilden. Det finns en långvarig missuppfattning att data-warehousing erbjuder en universallösning. I verkligheten, även med en data-warehouse, måste data fortfarande manuellt raffineras, märkas och kontextualiseras, innan företag kan använda den för att producera meningsfulla analyser. Så på detta sätt finns det paralleller mellan data-warehousing och AI, i det att företag måste komma till roten av det röriga data-problemet innan de kan dra nytta av någon av dessa verktyg.

Även när data har kontextualiserats, uppskattas AI-system fortfarande att hallucinera minst 3% av tiden. Men ett företags finansiella rapporter — där även en decimalpunkt på fel plats kan ha en domino-effekt som stör flera processer — kräver 100% noggrannhet. Detta innebär att mänsklig inblandning fortfarande är nödvändig för att validera data-accuracitet och sammanhang. Att integrera AI för tidigt kan till och med skapa mer arbete för mänskliga analytiker, som måste allokera extra tid och resurser för att korrigera dessa hallucinationer.

En data-fång

Trots allt har spridningen av SaaS-lösningar och det resulterande röriga data-problemet flera lösningar.

Först bör företag regelbundet utvärdera sin tekniska stack för att säkerställa att varje verktyg är strikt nödvändigt för deras affärsprocesser, och inte bara bidrar till data-röran. Du kan hitta att det finns 10 eller till och med 20+ verktyg som dina team använder dagligen. Om de verkligen tillför värde till avdelningar och det övergripande företaget, sluta inte använda dem. Men om rörigt, isolerat data stör processer och insamling av intelligens, måste du väga dess fördelar mot att byta till en smal, enhetlig lösning där all data är inhyst i samma verktyg och språk.

På detta stadium står företag inför ett dilemma när de väljer programvara: allt-i-ett-verktyg kan erbjuda data-sammanhang, men möjligen mindre precision i specifika områden. En mittpunkt innebär att företag söker efter programvara som erbjuder en universell objektsmodell som är flexibel, anpassningsbar och smidigt integrerad med den allmänna ekosystemet. Ta Atlassians Jira, till exempel. Detta projektledningsverktyg fungerar på en lättförståelig och högt utbyggbar objektsmodell, som gör det enkelt att anpassa sig till olika typer av projektledning, inklusive Agile Software Development, IT/Helpdesk, Marketing, Utbildning och så vidare.

För att navigera i detta val, är det avgörande att kartlägga de mått som är viktigast för ditt företag och arbeta bakåt från där. Att identifiera ditt företags Nordstjärna och anpassa dina system mot den säkerställer att du konstruerar din data-infrastruktur för att leverera de insikter du behöver. Istället för att fokusera enbart på operativa arbetsflöden eller användarvänlighet, överväg om ett system bidrar till oåterkalleliga mått, såsom de som är avgörande för strategiskt beslutsfattande.

Till slut är det de företag som investerar tid och resurser i att reda ut det röriga data-problemet de har skapat som kommer att vara de första att låsa upp AI:s verkliga potential.