Tejkalimi i pengesave në projektimin e projektit të AI nga fundi në fund

Sipas një studimi të fundit nga 451 Research, pjesë e S&P Global Market Intelligence, "më shumë se 90% e organizatave që kanë adoptuar AI filluan zhvillimin e projektit të tyre të parë të AI brenda pesë viteve të fundit". Megjithëse zgjidhjet e reja, të aktivizuara me AI janë në rritje kudo rreth nesh. Megjithatë, shumë nga këto iniciativa ende nuk po përmbushin pritshmëritë - nëse ato madje arrijnë deri në vendosje.

Për të pasur sukses, udhëheqësit duhet të zgjedhin dhe menaxhojnë projektet e AI me një strategji të zhytur në mendime të drejtuar nga pritshmëri të qarta, përafrim me qëllimet e biznesit dhe përsëritje. Le të shohim pengesat e zakonshme me të cilat përballen organizatat gjatë hartimit të projekteve të suksesshme të AI nga fundi në fund dhe si t'i kapërcejmë ato.

Menaxhimi i pritshmërive për zgjidhjet e aktivizuara me AI

Shumë nga projektet e dështuara të inteligjencës artificiale të sotme të kujtojnë projektet e softuerit të ndërmarrjeve në vitet nëntëdhjetë, ku projektet e zhvillimit po dilnin nga binarët, pasi ekipet kishin shpresa të mëdha se teknologjitë e reja do t'i rregullonin problemet e tyre. Si atëherë ashtu edhe tani, një kurth i madh është të kesh pritje të fryra për atë që zgjidhja juaj mund të zgjidhë në të vërtetë.

Është e rrezikshme të supozohet se duke mbledhur të dhëna të mjaftueshme, gjithçka do të bëhet papritmas transparente; që ju mund të parashikoni sjelljet e klientëve ose të bëni rekomandime të përsosura për të parashikuar nevojat e tyre. Fatkeqësisht, bota është shumë më pak e parashikueshme sesa njerëzit duan të jetë. Ndërsa shfaqen modele të dobishme, jo të gjitha ngjarjet janë shkakësore apo edhe të ndërlidhura - ndodhin shumë gjëra që thjesht gjenerojnë zhurmë.

Në të njëjtën kohë, shumë organizata shohin kolegët e tyre duke zbatuar zgjidhje AI dhe ndjejnë presionin për të vazhduar. Investimi në AI vetëm për të "vazhduar me Joneses" mund të rezultojë mbrapsht nëse nuk e kuptoni se çfarë i shtyn sukseset e kolegëve tuaj dhe nëse do të funksionojë apo jo për organizatën tuaj. Shpesh, kompanitë me një hap lart në projektet e tyre të AI-së kanë strategjitë e të dhënave dhe proceset e biznesit në vend që u mundëson atyre të mbledhin dhe të përfitojnë nga llojet e duhura të të dhënave për AI.

Në fund të fundit, menaxhimi i pritshmërive për projektet e AI fillon me aftësinë për të artikuluar se cilat nga problemet tuaja mund të zgjidhen vërtet me AI.

Zgjedhja e llojeve të duhura të projekteve të AI për problemet tuaja

A është strategjia juaj e AI në përputhje me qëllimet tuaja të biznesit? Përzgjedhja e projektit është ndoshta sfida e vetme më e madhe me të cilën përballen organizatat me iniciativat e tyre të AI. Është e rëndësishme të kuptoni me të vërtetë pyetjen që po përpiqeni t'i përgjigjeni, si (dhe nëse) përgjigjja e kësaj pyetjeje do të sjellë rezultate të përmirësuara të biznesit dhe nëse burimet që keni mund t'i përgjigjen me sukses dhe efikasitet.

Le të themi se dëshironi të përdorni një model parashikues për të përcaktuar se kur dhe çfarë lloj zbritjeje t'i ofroni klientit. Sillni ekipin e shkencës së të dhënave! Por kjo është në të vërtetë shumë sfiduese për t'iu qasur si një problem modeli parashikues. Para së gjithash, është e vështirë të dihet nëse klienti juaj do ta blinte apo jo produktin pa zbritje. Dhe mbledhja e të dhënave të nevojshme me rigorozitet të mjaftueshëm statistikor për të prodhuar një model të dobishëm ka të ngjarë të përfshijë disa procese që ndihen të panatyrshme për biznesin - si rëndomizimi i klientëve që marrin zbritje ose cilët përfaqësues të shitjeve mund të japin zbritje. Kjo i shton shumë kompleksitet situatës.

Një mënyrë më e mirë për t'iu qasur këtij problemi me AI mund të jetë eksplorimi i modeleve të simulimit të sjelljes së klientit që prisni në regjime të ndryshme zbritjeje. Në vend që të torturoni sistemin për të arritur në një parashikim të saktë, simulimi dhe planifikimi i skenarit mund t'i ndihmojnë njerëzit të zbulojnë se cilat variabla janë të ndjeshëm ndaj njëri-tjetrit kur marrin vendime biznesi. Pyesni veten: çfarë përgjigjeje klienti do të na duhej që kjo zbritje të kishte kuptim? Ky lloj ushtrimi në eksplorimin e rezultateve të mundshme është shumë më efektiv dhe sigurisht shumë më i lehtë sesa ndërtimi i një eksperimenti kompleks të shkencës së të dhënave.

Përgatitja e ekipeve tuaja për sukses

Të kuptuarit se për çfarë janë mbledhur dhe kuruar të dhënat tuaja, si janë përdorur në të kaluarën dhe se si do të përdoren në të ardhmen, është thelbësore për kryerjen e çdo lloj aktiviteti të AI mbi të dhënat. Është e rëndësishme të trajnoni një model mbi të dhënat që janë të plota dhe që përfaqësojnë atë që është e disponueshme në botën reale në momentin që po bëni ndërhyrjen. Për shembull, nëse keni disa faza në linjën e marrëveshjes tuaj dhe dëshironi të parashikoni mundësinë e mbylljes së një marrëveshjeje gjatë fazës së pestë, atëherë nuk mund ta përdorni modelin në marrëveshjet në fazat tre ose katër dhe të prisni rezultate të dobishme.

Shkencëtarët e të dhënave shpesh kanë një boshllëk në të kuptuarit e nuancave të asaj që përfaqësojnë të dhënat dhe si krijohen ato. Cilat procese njerëzore dhe teknologjike luajnë një rol në krijimin e të dhënave dhe çfarë nënkuptojnë saktësisht të dhënat në kontekstin e biznesit tuaj? Kjo është ajo ku analistët dhe përdoruesit e biznesit që janë afër të dhënave - dhe problemet që po përpiqeni të zgjidhni me to - janë jashtëzakonisht të vlefshme. Neve na pëlqen Mendoni për AI si një sport ekipor sepse suksesi kërkon kontekstin e biznesit përveç një bazë të të dhënave dhe shkrim-leximit model.

Së fundi, ka aspekte të suksesit të projektit me në qendër njeriun që organizatat mund t'i anashkalojnë nëse janë shumë të përqendruara në të dhëna ose teknologji. Shpesh, AI mund të bëjë një parashikim, por i takon dikujt që të vendosë se si ta kthejë atë në një veprim të rekomanduar. A është sugjerimi i dobishëm në ofrimin e një veprimi të qartë dhe një veprim që njerëzit do të jenë të gatshëm ta ndjekin? A po krijoni një mjedis ku këto sugjerime do të pranohen në mënyrë efektive?

Parashikimi i diçkaje është vetëm ndonjëherë i dobishëm. A jeni të gatshëm të rregulloni çmimet, vëllimet e produktit ose personelin, apo edhe të ndryshoni linjën tuaj të produktit? Çfarë niveli i menaxhimit të ndryshimit nevojitet në mënyrë që njerëzit të përqafojnë zgjidhjen e re dhe të evoluojnë sjelljet dhe proceset e tyre të vendosura? Besimi vjen nga një model i sjelljes së qëndrueshme dhe një vullnet për të vazhduar edukimin e biznesit; nëse do të ndikoni rrënjësisht në mënyrën se si njerëzit bëjnë punën e tyre, ata duhet të jenë në bord me të.

Fillimi i vogël dhe përsëritës

Le të mbyllim disa udhëzime bazuar në atë që kemi parë gjatë punës me klientët.

Shpesh, projekti më i mirë i parë i AI është ai që do të jetë më i lehtë për t'u funksionalizuar dhe për të hyrë në prodhim me menaxhimin më pak kompleks të ndryshimeve. Përpiquni të ndërtoni diçka që jep vlerë sa më shpejt të jetë e mundur, edhe nëse ky është një përmirësim shumë i vogël në rritje. Dhe mbani klientët tuaj, përdoruesit e biznesit dhe palët e interesuara sa më afër procesit të zhvillimit. Synoni të krijoni një mjedis me reagime të mira - si në kuptimin e mbledhjes së më shumë të dhënave për të përmirësuar në mënyrë të përsëritur modelin, ashtu edhe të kontributit nga palët e interesuara për të përmirësuar projektin dhe rezultatet e tij.

Me AI, gjithmonë do të ketë raste kur zgjidhja është e gabuar. Por është më mirë të gjeni zgjidhje që funksionojnë për shumicën e klientëve ose punonjësve tuaj, në vend që të zhvilloni një provë vërtet të mrekullueshme të konceptit që funksionon vetëm për disa raste të përdorimit me porosi. Në fund të fundit, AI duhet të zvogëlojë fërkimet dhe t'ua bëjë më të lehtë njerëzve të bëjnë punën e tyre dhe të marrin vendime të informuara.

Për të mësuar më shumë rreth analitikës së Tableau AI, vizitoni tabela.com/ai.