ข้อมูลที่ไม่เรียบร้อยเป็นอุปสรรคต่อการนำ AI มาใช้ในองค์กร – วิธีที่บริษัทสามารถแก้ไขปัญหาได้

สตาร์ทอัพด้านสุขภาพระบุว่าข้อบังคับที่ไม่ชัดเจนเป็นอุปสรรคต่อ นวัตกรรม AI ในภาคส่วนนี้ ของหลักสูตร当然แล้ว การใช้ความระมัดระวังในอุตสาหกรรมสุขภาพเป็นสิ่งจำเป็น เนื่องจากเป็นเรื่องของชีวิตหรือความตาย แต่ที่ไม่มีเหตุผลคือการ การนำ AI มาใช้ ในองค์กร SaaS ที่ไม่ได้ถูกจำกัดโดยเทปแดงเหมือนภาคส่วนอื่น

ดังนั้น สิ่งที่ขัดขวางไม่ให้องค์กรนำ AI มาใช้เพื่อปรับปรุงและเพิ่มประสิทธิภาพกระบวนการคืออะไร ปัจจัยหลักที่ทำให้เกิดปัญหาคือข้อมูลที่ไม่เรียบร้อยที่สะสมเมื่อบริษัทเติบโตและเพิ่มเครื่องมือและผลิตภัณฑ์ใหม่ๆ ในบทความนี้ ฉันจะพูดถึงว่าข้อมูลที่ไม่เรียบร้อยเป็นอุปสรรคต่อนวัตกรรม AI ในองค์กร และสำรวจวิธีแก้ไข

ยินดีต้อนรับสู่ป่าข้อมูล

เรามาเริ่มต้นด้วยการสำรวจความท้าทายด้านข้อมูลที่ธุรกิจสมัยใหม่ต้องเผชิญ เมื่อบริษัทเริ่มต้นธุรกิจโดยมีผลิตภัณฑ์จำกัด พวกเขามักจะมีข้อมูลรายได้ที่เรียบร้อยทั้งหมดอยู่ในระบบเดียว แต่เมื่อพวกเขาขยายผลิตภัณฑ์และนำโมเดลรายได้ใหม่ๆ มาใช้ สิ่งต่างๆ ก็เริ่มซับซ้อนขึ้น

ตัวอย่างเช่น บริษัทอาจเริ่มต้นด้วยโมเดลการซื้อครั้งเดียว แต่หลังจากนั้นจึงแนะนำตัวเลือกอื่นๆ เช่น การสมัครสมาชิกหรือการเรียกเก็บเงินตามการใช้งาน เมื่อพวกเขาเติบโต พวกเขามักจะกระจายช่องทางการขายด้วย บริษัทที่เริ่มต้นด้วยการขายแบบ self-serve 100% อาจพบว่าต้องการความช่วยเหลือจากทีมขายเพื่อขายสินค้าเพิ่มเติม ข้ามการขาย และรับลูกค้าขนาดใหญ่

ในช่วงการเติบโตอย่างรวดเร็ว บริษัทหลายแห่งเพียงแค่นำระบบขายใหม่ๆ มาใช้บนระบบเก่า พวกเขาจะซื้อเครื่องมือ SaaS อื่นๆ เพื่อจัดการการเคลื่อนไหว การเรียกเก็บเงิน และกระบวนการซื้อขายที่แตกต่างกัน ไม่ใช่เรื่องแปลกที่จะพบว่าแผนกการตลาดของบริษัทมีเครื่องมือ SaaS 20 ชิ้นพร้อมกับข้อมูลที่ไม่เรียบร้อย 20 ชิ้น

ดังนั้น บริษัทโดยทั่วไปจะเริ่มต้นด้วยข้อมูลที่เรียบร้อยและเป็นส่วนหนึ่งของระบบเดียว แต่การเติบโตทำให้ข้อมูลกลายเป็นปัญหาอย่างรวดเร็ว ซึ่งมักจะเกิดขึ้นก่อนที่บริษัทจะรับรู้ว่ามันเป็นปัญหา ข้อมูลจะถูกแยกออกจากกันระหว่างระบบการเรียกเก็บเงิน การส่งมอบ ส่วนความสำเร็จของลูกค้า และระบบอื่นๆ ทำให้บริษัทสูญเสียความสามารถในการมองเห็นภาพรวมของการดำเนินงานภายใน และไม่น่าเชื่อว่าการปรับข้อมูลด้วยมือเป็นงานที่ต้องใช้เวลาและแรงงานมากจนข้อมูลอาจจะล้าสมัยเมื่อพร้อมที่จะใช้

AI ไม่สามารถแก้ไขข้อมูลที่ไม่เรียบร้อยของคุณได้

ลูกค้าหลายรายถามเรา “ถ้า AI ดีจริงๆ แล้วไม่สามารถแก้ไขปัญหาข้อมูลที่ไม่เรียบร้อยให้เราได้หรือ?” โชคไม่ดีที่โมเดล AI ไม่ใช่ปาฏิหาริย์ที่สามารถแก้ไขปัญหานี้ได้

โมเดล AI ที่มีอยู่ในปัจจุบันต้องการข้อมูลที่เรียบร้อยเพื่อทำงานได้อย่างถูกต้อง บริษัทที่ใช้การเคลื่อนไหวการขายที่หลากหลาย แพลตฟอร์ม SaaS และกระบวนการรายได้ที่แตกต่างกัน จะสะสมข้อมูลที่ไม่เรียบร้อยและกระจัดกระจาย เมื่อข้อมูลรายได้ของบริษัทกระจายไปทั่วระบบที่ไม่สามารถสื่อสารกัน การใช้ AI ไม่สามารถเข้าใจข้อมูลได้ ตัวอย่างเช่น สิ่งที่เรียกว่า “ผลิตภัณฑ์” ในระบบหนึ่งอาจแตกต่างจาก “ผลิตภัณฑ์” ในระบบอื่น ความแตกต่างเล็กๆ นี้เป็นเรื่องที่ยากสำหรับ AI ที่จะระบุและจะนำไปสู่ข้อผิดพลาด

ข้อมูลต้องได้รับการทำความสะอาด การให้บริบท และการรวมกัน ก่อนที่ AI จะเข้ามาในภาพ การมีคลังข้อมูลเป็นวิธีแก้ปัญหาแบบหนึ่ง แต่ในความเป็นจริง แม้จะมีคลังข้อมูล ข้อมูลก็ยังต้องได้รับการปรับแต่งด้วยมือ การให้ฉลาก และการให้บริบท ก่อนที่บริษัทจะสามารถใช้มันเพื่อสร้างการวิเคราะห์ที่มีความหมายได้ ดังนั้นจึงมีความคล้ายคลึงกันระหว่างคลังข้อมูลและ AI ในแง่ที่ว่าบริษัทต้องแก้ไขปัญหา ข้อมูลที่ไม่เรียบร้อยก่อนที่จะสามารถใช้ประโยชน์จากเครื่องมือเหล่านี้ได้

แม้ว่าข้อมูลจะได้รับการให้บริบทแล้ว ระบบ AI ก็ยังคง คาดว่าจะ ส่งผลลัพธ์ที่ไม่ถูกต้อง 至少 3% ของเวลา แต่การเงินของบริษัท — ที่แม้แต่จุดทศนิยมที่ผิดที่อาจส่งผลกระทบต่อกระบวนการต่างๆ — ต้องการความถูกต้อง 100% ซึ่งหมายความว่าการแทรกแซงของมนุษย์ยังคงจำเป็นต่อการตรวจสอบความถูกต้องและความสอดคล้องของข้อมูล การรวม AI ก่อนเวลาอันควรอาจทำให้เกิดงานเพิ่มเติมสำหรับนักวิเคราะห์ ซึ่งจะต้องใช้เวลาและทรัพยากรเพิ่มเติมในการแก้ไขข้อผิดพลาดเหล่านี้

ปัญหาข้อมูลที่ไม่เรียบร้อย

อย่างไรก็ตาม การแพร่กระจายของโซลูชัน SaaS และข้อมูลที่ไม่เรียบร้อยที่ตามมา มีวิธีแก้ไขหลายวิธี

ขั้นแรก บริษัทควรประเมินสแต็กเทคโนโลยีของตนอย่างสม่ำเสมอเพื่อให้แน่ใจว่าเครื่องมือแต่ละชิ้นจำเป็นต่อกระบวนการทางธุรกิจ และไม่ได้เพิ่มความซับซ้อนของข้อมูล คุณอาจพบว่ามีเครื่องมือ 10 ชิ้นหรือมากกว่า 20 ชิ้นที่ทีมของคุณใช้ทุกวัน หากเครื่องมือเหล่านั้นให้คุณค่าแก่ฝ่ายและธุรกิจโดยรวม อย่าลบมันออกไป แต่ถงข้อมูลที่ไม่เรียบร้อยและกระจัดกระจายทำให้กระบวนการและความเข้าใจข้อมูลเสียหาย คุณจะต้องชั่งน้ำหนักถึงประโยชน์ของการเปลี่ยนไปใช้โซลูชันที่รวมและเป็นหนึ่งเดียวที่ทุกข้อมูลอยู่ในเครื่องมือและภาษาเดียวกัน

ในจุดนี้ บริษัทต้องเผชิญกับภาวะที่กลืนไม่เข้าคายไม่ออกเมื่อเลือกซอฟต์แวร์ เครื่องมือที่รวมทุกอย่างสามารถให้ความสอดคล้องของข้อมูล แต่อาจไม่มีความแม่นยำในด้านใดด้านหนึ่ง วิธีแก้ปัญหาทางกลางคือการหาซอฟต์แวร์ที่ให้โมเดลวัตถุแบบสากลที่ยืดหยุ่นและปรับเปลี่ยนได้ และมีการผสานรวมอย่างราบรื่นเข้ากับระบบนิเวศโดยรวม ตัวอย่างเช่น Atlassian’s (TEAM ) Jira เป็นเครื่องมือการจัดการโครงการที่ทำงานบนโมเดลวัตถุที่เข้าใจได้ง่ายและยืดหยุ่น ทำให้ง่ายต่อการปรับให้เข้ากับการจัดการโครงการต่างๆ รวมถึง Agile Software Development, IT/Helpdesk, Marketing, Education และอื่นๆ

เพื่อแก้ไขปัญหานี้ คุณต้องทำการวิเคราะห์เมตริกที่สำคัญที่สุดสำหรับธุรกิจของคุณและทำงานย้อนกลับจากจุดนั้น การระบุดาวเหนือของบริษัทและจัดระบบให้สอดคล้องกับดาวเหนือนั้น จะช่วยให้คุณออกแบบโครงสร้างพื้นฐานข้อมูลเพื่อให้ได้ข้อมูลเชิงลึกที่คุณต้องการ แทนที่จะมุ่งเน้นไปที่กระบวนการทำงานหรือความสะดวกสบายของผู้ใช้ คุณควรพิจารณาว่าระบบใดที่มีส่วนช่วยต่อเมตริกที่ไม่สามารถต่อรองได้ เช่น เมตริกที่สำคัญต่อการตัดสินใจเชิงกลยุทธ์

สุดท้าย บริษัทที่ลงทุนเวลาและทรัพยากรในการแก้ไขปัญหาข้อมูลที่ไม่เรียบร้อยที่พวกเขาได้สร้างขึ้น จะเป็นคนแรกที่ปลดปล่อยศักยภาพที่แท้จริงของ AI