Foto door Google DeepMind
 

In het meedogenloze streven naar innovatie en het veiligstellen van een concurrentievoordeel maken bedrijven steeds meer gebruik van de kracht van kunstmatige intelligentie (AI) als transformatief instrument. De belofte van AI om de bedrijfsvoering te stroomlijnen, besluitvormingsprocessen te verbeteren en verborgen patronen in data te onthullen, heeft geleid tot een snelle integratie ervan in verschillende sectoren, vooral in de detailhandel, productie en distributie.

Ondanks de overtuigende mogelijkheden hangt het behalen van de maximale voordelen van AI echter af van een robuust fundament van datavolwassenheid. Helaas worden talloze ondernemingen als gevolg van verschillende factoren geconfronteerd met uitdagingen bij het bereiken van deze volwassenheid. Deze uitdagingen omvatten vaak:

• Gefragmenteerde datasilo's
• Slechte datakwaliteit
• Beperkte transparantie over datamiddelen en vaardigheden
• Organisatorische inertie ten aanzien van het herstellen van een evenwicht tussen technologie als facilitator versus aanbieder van zakelijke gegevensbehoeften

In dit artikel zal ik prescriptieve strategieën belichten om deze uitdagingen te overwinnen en een robuuste databasis te leggen voor het opschalen van gedifferentieerde AI-mogelijkheden.

Leiders in de detailhandel, productie en distributie gebruiken de kracht van AI om opmerkelijke resultaten te bereiken, van het optimaliseren van toeleveringsketens tot het voorspellen van klantgedrag. Generatieve AI wint mainstream aan populariteit. Uit een recent CEO-onderzoek van Fortune/Deloitte bleek dat CEO’s wijdverbreid geïnteresseerd zijn in het potentieel van generatieve AI. In een recent onderzoek is 79% van de CEO's was optimistisch over het potentieel van technologie om de operationele efficiëntie te verbeteren, waarbij meer dan de helft anticipeert op de opkomst van nieuwe mogelijkheden voor groei. Een substantieel deel bracht aanhoudende inspanningen aan het licht bij het evalueren van en experimenteren met generatieve AI, wat een proactieve benadering onderstreept om de allernieuwste ontwikkelingen in het zakelijke landschap te benutten.

Marktleiders met het hoogste niveau van AI-volwassenheid hebben gedifferentieerde capaciteiten gedemonstreerd om de verkoop te stimuleren en de activiteiten te optimaliseren. De door AI aangedreven aanbevelingsengine van Amazon, die producten voorstelt op basis van eerdere aankopen en browsegeschiedenis van een klant, heeft bijvoorbeeld een belangrijke rol gespeeld bij het stimuleren van de verkoop. Op dezelfde manier heeft Walmart met succes AI-algoritmen gebruikt voor voorraadbeheer en vraagvoorspelling, wat betekent dat de retailgigant AI inzet om ervoor te zorgen dat producten beschikbaar zijn waar en wanneer zijn klanten ze nodig hebben.

Maar volgens het AI Maturity Model van Gartner 52% van de middelgrote tot grote Amerikaanse organisaties experimenteert nog steeds met AI.

Chief Data Officers die een essentiële rol spelen bij het adopteren van AI en het ondersteunen van digitale transformatie en die verantwoordelijk zijn voor de datastrategie en het bestuur binnen organisaties, zien datakwaliteit als een van de grootste obstakels voor het volledig benutten van AI-capaciteiten, volgens een recent AWS-onderzoek onder meer dan 300 CDO’s .

Laten we eens kijken naar de uitdagingen op het gebied van datavolwassenheid die van invloed zijn op de adoptie van AI, en hoe we deze kunnen overwinnen.

Ondanks het onmiskenbare potentieel van AI hebben veel bedrijven hulp nodig bij het opschalen van AI-gebruiksscenario’s vanwege datagerelateerde hindernissen. Wanneer organisaties ambitieuze AI-initiatieven ondernemen, worden ze vaak geconfronteerd met aanzienlijke obstakels die een tijdige implementatie en wijdverbreide adoptie in de weg staan. Organisaties moeten prioriteit geven aan de volwassenheid van data om deze uitdagingen het hoofd te bieden en het potentieel van AI volledig te realiseren.

Datavolwassenheid verwijst naar het vermogen van een organisatie om haar datamiddelen effectief te beheren, besturen en gebruiken. Het omvat mogelijkheden voor datakwaliteit, governance, integratie en analyse. Een gebrek aan datavolwassenheid kan leiden tot verschillende uitdagingen die de adoptie en schaalbaarheid van AI belemmeren, zoals:

• Datasilo's en fragmentatie: Gegevens verspreid over ongelijksoortige systemen en formaten creëren gegevenssilo's, die een holistisch gebruik in het hele bedrijf kunnen voorkomen.
• Problemen met de gegevenskwaliteit: Onnauwkeurige, onvolledige of inconsistente gegevens kunnen leiden tot gebrekkige AI-modellen en onbetrouwbare inzichten.
• Hiaten in gegevensbeheer: Zonder goede data governance-praktijken kunnen bedrijven te maken krijgen met problemen op het gebied van databeveiliging, privacy en compliance.
• Beperkte mogelijkheden voor gegevensanalyse: Het onvermogen om betekenisvolle inzichten uit data te halen kan de ontwikkeling en toepassing van AI belemmeren.

Deze uitdagingen onderstrepen de cruciale rol van datavolwassenheid bij het mogelijk maken van AI-schaalbaarheid. Om deze hindernissen te overwinnen, moeten ondernemingen een alomvattende aanpak voor databeheer en -beheer hanteren.

DataArt biedt ondernemingen uitgebreide strategieën en oplossingen om de datavolwassenheid te vergroten. We stuwen onze partners naar een software-ecosysteem waar data gedemocratiseerd, flexibel en doelgericht zijn, waardoor obstakels worden overwonnen die de adoptie van AI belemmeren. Door een cultuur van data-eigendom, empowerment en innovatie te bevorderen, zijn ondernemingen beter gepositioneerd om het transformatieve potentieel van AI te benutten en schaalbare, door AI ondersteunde gebruiksscenario’s te stimuleren, waardoor ze zich in de voorhoede van een toekomst plaatsen die wordt gedefinieerd door datagedreven uitmuntendheid en duurzame groei. .

De opkomst van de Data Mesh- en Data Product-strategieën luidt een transformatieve paradigmaverschuiving in de wereldeconomie in. Data Mesh, een nieuwe architectonische benadering, pleit voor het decentraliseren van data-eigendom en -beheer, waardoor domeingestuurde data-architectuur binnen één onderneming wordt bevorderd. Deze strategie heeft tot doel de knelpunten van gecentraliseerde datameren of magazijnen te verlichten door het data-eigendom te verdelen over domeinspecifieke teams. Door dit werk op het gebied van datadistributie stelt Data Mesh teams in staat hun dataproducten te beheren, te bezitten en te ontwikkelen, waardoor de flexibiliteit en schaalbaarheid wordt bevorderd en tegelijkertijd het databeheer en de kwaliteit behouden blijft.

Figuur 1: Data Mesh-framework om snelle waarderealisatie mogelijk te maken via bedrijfsdomeingestuurde dataproducten.
 

Tegelijkertijd verstevigt de Data Product-strategie de basis voor AI-schaalbaarheid verder. Het is een voorstander van de conceptualisering, creatie en het beheer van gegevens als producten die tegemoetkomen aan specifieke gebruikersbehoeften binnen een organisatie. Elk dataproduct omvat waardevolle inzichten, voorbereide datasets of analytische hulpmiddelen die zijn afgestemd op gebruik door diverse belanghebbenden. Deze aanpak bevordert een cultuur van data-eigendom en stelt teams in staat te innoveren, samen te werken en bruikbare inzichten te verkrijgen uit samengestelde dataproducten, waardoor de adoptie van AI wordt versneld.

Een analytisch dataproduct voor klantsegmentatie kan bijvoorbeeld verder worden gebruikt om churndataproducten te creëren, en beide kunnen worden gebruikt voor marketingdoeleinden om hypergepersonaliseerde inhoud voor klanten te genereren. Zonder een dataproduct of dataproductmarktplaats zouden teams tijd moeten besteden aan het helemaal opnieuw opbouwen van deze analytische mogelijkheden. In plaats daarvan kan elke nieuwe use case bestaande dataproducten hergebruiken en hergebruiken, waardoor de ontwikkeltijd wordt verkort en consistentere resultaten worden geproduceerd.

Terwijl bedrijven uit verschillende sectoren op zoek zijn naar effectievere manieren om hun gegevens te beheren, moeten verschillende factoren zorgvuldig worden overwogen. Datademocratisering houdt in dat data toegankelijk en begrijpelijk worden gemaakt voor belanghebbenden, zoals datawetenschappers, bedrijfsanalisten, domeinexperts, management en leidinggevenden. Bovendien moeten bedrijven ervoor zorgen dat hun gegevens direct beschikbaar, leesbaar maar ook veilig en conform zijn, met transparante normen en controles. Door de juiste beveiligings- en nalevingsmaatregelen te implementeren, kunnen bedrijven de gegevensintegriteit, privacy en naleving van de regelgeving waarborgen.

Deze evolutie vertegenwoordigt een grote verandering in de manier waarop organisaties data benutten. Historisch gezien waren IT-afdelingen verantwoordelijk voor het bouwen van de datagerelateerde modules van hun bedrijf, zoals magazijnen en analytische dataproducten. Het kan een technologische facilitator worden in plaats van alleen maar de toegang tot en de levering van gegevens te controleren door een AI-aangedreven benadering van datademocratisering te implementeren. Met een geïmplementeerd AI-aangedreven systeem kan IT zijn middelen richten op het in staat stellen van gebruikers om zelfstandig te navigeren en inzichten te ontlenen aan de gegevens van hun bedrijf. Het mogelijk maken van deze transitie vereist een fundamentele verschuiving in de rol van IT, van poortwachters naar partners bij het bevorderen van samenwerking en innovatie.

Datacuratie speelt een cruciale rol bij het waarborgen van de kwaliteit, relevantie en bruikbaarheid van data-assets binnen een organisatie. Het onderhouden ervan is echter vaak een uitdaging vanwege de enorme hoeveelheid en verscheidenheid aan gegevensbronnen, functionele silo's en handmatige inspanningen. Dit is een van de gebieden die met AI verbeterd kunnen worden. AI-gestuurde tools en algoritmen kunnen gegevensverwerkingstaken automatiseren, waardoor snellere curatie, gegevensopschoning en normalisatie mogelijk worden, waardoor handmatige inspanningen worden verminderd. AI-algoritmen kunnen patronen in gegevens herkennen en informatie contextualiseren, waardoor een nauwkeurigere curatie en categorisering mogelijk wordt.

Door deze strategieën over te nemen en te implementeren, kunnen bedrijven een sterke basis voor datavolwassenheid leggen, waardoor ze de kracht van AI effectief kunnen benutten en AI-gebaseerde gebruiksscenario’s binnen hun bedrijf kunnen opschalen. Daarnaast kan DataArt bedrijven helpen bij het opzetten of verbeteren van fundamentele basismogelijkheden die technologie, mensen en processen met elkaar verbinden, zoals:

• Gegevenssilo’s afbreken: Het integreren van gegevens uit verschillende bronnen in een gecentraliseerde opslagplaats, waardoor gegevensconsistentie en toegankelijkheid worden gegarandeerd.
• Gegevensbeheer opzetten: Implementatie van een raamwerk dat data-eigendom, toegangscontroles, datakwaliteitsnormen en datagebruiksbeleid definieert.
• Verbetering van de gegevenskwaliteit: Implementatie van gegevenskwaliteitscontroles, opschoonprocessen en verrijkingstechnieken om de nauwkeurigheid en volledigheid van gegevens te verbeteren.
• Het bevorderen van datageletterdheid: Trainen van medewerkers op het gebied van datamanagementprincipes, data-analysetechnieken en datagestuurde besluitvorming om het datagebruik van de organisatie te verbeteren.
• Investeren in data-infrastructuur: Het upgraden van de data-infrastructuur om het groeiende volume, de snelheid en de verscheidenheid aan data aan te kunnen, waardoor efficiënte dataopslag, -verwerking en -analyse wordt gegarandeerd.
• DataOps omarmen: Implementatie van DataOps-praktijken om databeheerprocessen te automatiseren, waardoor snelle datalevering en continue verbetering mogelijk worden.
• Gebruik maken van cloudgebaseerde dataoplossingen: Gebruik maken van cloudgebaseerde dataplatforms om schaalbaarheid, flexibiliteit en kostenefficiëntie in databeheer te verkrijgen.
• Continue monitoring en verbetering: Bewaken van de gegevenskwaliteit, compliance van het bestuur en gebruikspatronen om opkomende uitdagingen te identificeren en aan te pakken.

Datavolwassenheid is niet alleen een technische vereiste; het is een strategische noodzaak voor ondernemingen die het transformatieve potentieel van AI willen ontsluiten. Door de kritieke uitdagingen aan te pakken die samenhangen met de volwassenheid van data, kunnen ondernemingen de weg vrijmaken voor een toekomst die wordt gevormd door datagestuurde inzichten en AI-aangedreven innovatie.
 
 

Oleg Royz is Vice President, Retail en Distributie bij DataArt.

• Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
• PlatoData.Network Verticale generatieve AI. Versterk jezelf. Toegang hier.
• PlatoAiStream. Web3-intelligentie. Kennis versterkt. Toegang hier.
• PlatoESG. carbon, CleanTech, Energie, Milieu, Zonne, Afvalbeheer. Toegang hier.
• Plato Gezondheid. Intelligentie op het gebied van biotech en klinische proeven. Toegang hier.
• Bron: https://www.kdnuggets.com/data-maturity-the-cornerstone-of-ai-enabled-innovation?utm_source=rss&utm_medium=rss&utm_campaign=data-maturity-the-cornerstone-of-ai-enabled-innovation