混乱的数据阻碍企业人工智能的采用 – 公司如何解开困境

健康创业公司表示，模糊的法规正在 扼杀 健康行业的人工智能创新。当然，这样的预防措施在医疗行业是必要的，因为它的确关乎生死。但是，更令人费解的是，企业SaaS领域的人工智能采用速度如此缓慢 – 这个领域并没有像其他行业一样受到法规的限制。

那么，什么阻止了企业采用人工智能来简化和优化他们的流程？主要的罪魁祸首是企业在成长和添加新工具和产品时积累的混乱数据。在这篇文章中，我将深入探讨混乱的数据如何阻碍企业人工智能创新，并探索解决方案。

欢迎来到数据丛林

让我们从现代企业面临的常见数据挑战开始。最初，当企业提供有限的产品时，他们通常拥有清洁的收入数据，所有数据都存储在单个系统中。然而，当他们扩大产品范围和采用多种收入模式时，事情很快变得混乱。

例如，企业可能最初采用一次性购买模式，但后来引入了订阅或基于消费的定价等额外选项。随着他们的扩张，他们可能会多样化销售渠道。最初仅采用产品主导的自助销售的公司可能会意识到，他们需要销售团队的帮助来升级、交叉销售和吸引更大的客户。

在快速增长阶段，许多企业简单地将新的销售系统叠加在现有的系统上。他们会为每个不同的动作、定价模型、购买流程等采购不同的SaaS工具。一个公司的市场部拥有20个不同的SaaS工具和20个不同的数据孤岛并不罕见。

因此，虽然企业通常从清洁、集成的数据开始，但增长会导致数据迅速失控，往往在企业意识到这是一个问题之前。数据变得分散在计费、履约、客户成功和其他系统之间，这意味着企业失去了对内部运作的全局可见性。不幸的是，手动调和数据通常非常耗时和耗费资源，以至于在数据准备好使用时，洞察力可能已经过时了。

人工智能无法为您解决混乱的数据问题

几位潜在客户问我们：“如果人工智能这么棒，为什么它不能为我们解决混乱的数据问题？”不幸的是，人工智能模型并不是这个数据问题的万能解决方案。

当前的人工智能模型需要清洁的数据集才能正常工作。依赖多样销售动作、SaaS平台和收入流程的企业不可避免地会积累不同的和碎片化的数据集。当企业的收入数据分散在无法相互通信的不兼容系统中时，人工智能无法理解它。例如，在一个系统中标记为“产品”的内容可能与另一个系统中的“产品”完全不同。这种微妙的语义差异对于人工智能来说很难识别，并且不可避免地会导致不准确性。

数据需要在人工智能介入之前被适当清洁、上下文化和集成。存在一种长期的误解，即数据仓库提供了一种一刀切的解决方案。实际上，即使有数据仓库，数据仍然需要被手动精炼、标记和上下文化，才能被企业用来产生有意义的分析。因此，在数据仓库和人工智能之间存在相似之处，即企业需要解决混乱的数据问题，然后才能享受到这两种工具的好处。

即使数据已经被上下文化，人工智能系统仍然可能至少 3% 的时间出现幻觉。但是，公司的财务状况——即使小数点位置错误也可能产生多米诺效应，破坏多个流程——需要100%的准确性。这意味着人类干预仍然是必要的，以验证数据的准确性和一致性。过早地集成人工智能甚至可能为人类分析师创造更多工作，他们需要分配额外的时间和资源来纠正这些幻觉。

数据困境

尽管如此，SaaS解决方案的普及和随之而来的混乱的数据仍然有一些解决方案。

首先，企业应该定期评估其技术栈，以确保每个工具对于其业务流程都是严格必要的，而不是仅仅为数据混乱做出贡献。你可能会发现有10个甚至20+个工具被你的团队每天使用。如果它们真正为部门和整个企业带来价值，不要丢弃它们。但是，如果混乱、分散的数据破坏了流程和智能收集，你需要权衡其利弊，并考虑切换到一个精简、统一的解决方案，其中所有数据都存储在同一个工具和语言中。

在这一点上，企业在选择软件时面临着一个困境：全功能工具可以提供数据一致性，但可能在特定领域缺乏精确性。一个折衷的解决方案是企业寻找提供灵活、适应性强、与整个生态系统无缝集成的通用对象模型的软件。例如Atlassian的Jira，这个项目管理工具运行在一个容易理解和高度可扩展的对象模型上，这使得它容易适应不同的项目管理类型，包括敏捷软件开发、IT/帮助台、营销、教育等等。

为了应对这种权衡，确定对您的企业最重要的指标并从那里逆向推导至关重要。确定您的公司的北极星并将系统与其对齐，以确保您正在构建数据基础设施以提供所需的洞察力。不要仅仅关注操作流程或用户便利性，而是考虑系统是否为战略决策提供了至关重要的指标。

最终，投资时间和资源来解开自己陷入的数据混乱的公司将是第一个解锁人工智能真正潜力的公司。