Брудні дані заважають прийняттю штучного інтелекту в підприємствах – Як компанії можуть впорядкувати свої дані

Стартапи в галузі охорони здоров’я заявляють, що невизначені правила гальмують інновації штучного інтелекту в цій сфері. Натурально, такі застереження необхідні в галузі охорони здоров’я, де це буквально справа життя чи смерті. Але те, що менш зрозуміло, – це повільне впровадження штучного інтелекту в підприємствах SaaS – сфері, яка не гальмується бюрократичними процедурами, як інші галузі.

Так, що зупиняє підприємства від впровадження штучного інтелекту для оптимізації своїх процесів? Основним винуватцем є велика кількість брудних даних, які накопичуються, коли компанії зростають і додають нові інструменти та продукти. У цій статті я розгляну, як брудні дані заважають інноваціям штучного інтелекту в підприємствах, і досліджу можливі рішення.

Ласкаво просимо у джунглі даних

Давайте почнемо з розгляду поширеної проблеми даних, з якою стикаються багато сучасних підприємств. Спочатку, коли підприємства пропонують обмежений асортимент продуктів, вони зазвичай мають чисті дані про доходи, які знаходяться всередині однієї системи. Однак, коли вони розширюють свій асортимент і приймають різні моделі доходів, все швидко стає брудним.

Наприклад, підприємство спочатку може використовувати модель одноразової покупки, але пізніше вводить додаткові варіанти, такі як підписки або оплата за використання. Коли вони розширюються, вони, ймовірно, диверсифікують свої канали продажів. Компанія, яка починає з 100% продажів продукції через самообслуговування, може пізніше зрозуміти, що їй потрібно допомога продажних команд для продажів, перекрестних продажів і залучення великих клієнтів.

Під час швидкої фази зростання багато підприємств просто додають нові системи продажів до існуючих. Вони можуть придбати інший інструмент SaaS для управління кожним різним рухом, моделлю ціноутворення, процесом покупки тощо. Не рідко зустрічається ситуація, коли відділ маркетингу однієї компанії має 20 різних інструментів SaaS з 20 різними сховищами даних.

Таким чином, підприємства зазвичай починають з чистих, інтегрованих даних, але зростання спричиняє швидке порушення контролю над даними, часто ще до того, як підприємства визнають це проблемою. Дані стають ізольованими між системами оплати, виконання, успіху клієнтів та іншими системами, що означає, що підприємства втрачають глобальну видимість своїх внутрішніх процесів. І, на жаль, ручне узгодження даних часто є такою самою трудомісткою і часоємною, що висновки можуть бути застарілими до того, як вони будуть готові до використання.

Штучний інтелект не може виправити ваші брудні дані

Деякі потенційні клієнти запитали нас: “Якщо штучний інтелект такий великий, чому б йому не розв’язати проблему брудних даних для нас?” На жаль, моделі штучного інтелекту не є панацеєю від цієї проблеми даних.

Поточні моделі штучного інтелекту потребують чистих наборів даних для правильної роботи. Підприємства, які покладаються на різні рухи продажів, платформи SaaS і процеси доходів, неминуче накопичують розрізнені і фрагментовані набори даних. Коли дані про доходи підприємства розсіяні по несовместимим системам, які не можуть спілкуватися один з одним, штучний інтелект не може їх зрозуміти. Наприклад, те, що позначено як “Продукт” в одній системі, може бути зовсім іншим, ніж “Продукт” в іншій системі. Ця тонка семантична різниця важко визначається штучним інтелектом і неминуче призведе до неточностей.

Дані потрібно належним чином очистити, контекстуалізувати та інтегрувати до того, як штучний інтелект вступить у гру. Є довгострокове неправильне розуміння, що сховище даних пропонує універсальне рішення. Насправді, навіть з сховищем даних, дані все одно потрібно вручну уточнювати, позначати та контекстуалізувати, перш ніж підприємства можуть використовувати їх для отримання значущих аналітичних даних. Таким чином, є паралелі між сховищем даних і штучним інтелектом, оскільки підприємства потрібно спочатку розв’язати проблему брудних даних, перш ніж вони зможуть скористатися перевагами будь-якого з цих інструментів.

Дажи коли дані були контекстуалізовані, системи штучного інтелекту все ще можуть приблизно 3% часу давати неправильні результати. Але фінанси підприємства – це місце, де навіть неправильно розміщена десятична точка може мати каскадний ефект, порушуючи кілька процесів – вимагає 100% точності. Це означає, що людське втручання все ще є необхідним для перевірки точності та узгодженості даних. Надмірне впровадження штучного інтелекту може навіть створити більше роботи для людських аналітиків, які повинні виділити додатковий час і ресурси для виправлення цих помилок.

Кат-22 з даними

Незважаючи на це, поширення рішень SaaS і результатом брудних даних має кілька рішень.

По-перше, підприємства повинні регулярно оцінювати свій технологічний стек, щоб переконатися, що кожний інструмент строго необхідний для їхніх бізнес-процесів, і не просто сприяє брудним даним. Ви можете виявити, що у ваших команд є 10 або навіть 20+ інструментів, які вони використовують щодня. Якщо вони дійсно приносять користь відділам і всьому бізнесу, не позбувайтесь їх. Але якщо брудні, ізольовані дані порушують процеси і збір інформації, вам потрібно зважити їхні переваги проти переходу на економічне, уніфіковане рішення, де всі дані знаходяться в одному інструменті та мовою.

На цьому етапі підприємства стикаються з дилемою при виборі програмного забезпечення: універсальні інструменти можуть пропонувати узгодженість даних, але, можливо, менше точності в окремих областях. Середній варіант полягає в тому, що підприємства шукають програмне забезпечення, яке пропонує універсальну модель об’єктів, яка є гнучкою, адаптованою та безшовно інтегрованою з загальним екосистемою. Наприклад, Atlassian’s (TEAM ) Jira – це інструмент управління проектами, який працює на легкій для розуміння та високо розширюваній моделі об’єктів, що робить його легким для адаптації до різних типів управління проектами, включаючи розробку програмного забезпечення, IT/хелпдеск, маркетинг, освіту тощо.

Щоб пройти цей компроміс, важливо змапувати метрики, які мають найбільше значення для вашого бізнесу, і працювати в зворотному напрямку. Визначення Північної зірки вашої компанії та впорядкування систем до неї забезпечує, що ви будуєте свою інфраструктуру даних для отримання необхідних вам висновків. Замість того, щоб зосереджуватися лише на операційних потоках або зручності користувача, подумайте, чи сприяє система вашим незаперечним метрикам, таким як ті, що мають важливе значення для стратегічного прийняття рішень.

У кінцевому підсумку, це компанії, які вкладають час і ресурси у впорядкування брудних даних, які вони накопичили, будуть першими, хто зможе розблокувати справжній потенціал штучного інтелекту.