건강 스타트업들은 불분명한 규제로 인해 숨막히는 이 분야의 AI 혁신. 물론, 이러한 예방 조치는 말 그대로 생사의 문제인 의료 산업에서 필요합니다. 그러나 그다지 의미가 없는 것은 부진한 기업용 SaaS 전반에 AI를 도입하는 것은 다른 분야처럼 번거로운 절차에 의해 제약을 받지 않는 분야입니다.
그렇다면 기업이 프로세스를 간소화하고 최적화하기 위해 AI를 도입하지 못하는 이유는 무엇일까요? 가장 큰 원인은 기업이 성장하고 새로운 도구와 제품을 추가하면서 쌓이는 지저분한 데이터입니다. 이 글에서는 지저분한 데이터가 기업에서 AI 혁신을 방해하는 요인이 되는 이유와 해결책을 살펴보겠습니다.
데이터 정글에 오신 것을 환영합니다
많은 현대 기업이 직면한 일반적인 데이터 과제부터 살펴보겠습니다. 처음에 기업이 제한된 범위의 제품을 제공할 때 일반적으로 단일 시스템 내에 모두 보관된 깨끗한 수익 데이터가 있습니다. 그러나 제품을 확장하고 다양한 수익 모델을 채택함에 따라 상황은 빠르게 복잡해집니다.
예를 들어, 기업은 처음에는 일회성 구매 모델을 채택하지만 나중에 구독이나 소비 기반 가격 책정과 같은 추가 옵션을 도입할 수 있습니다. 확장하면서 판매 채널도 다양화할 가능성이 높습니다. 100% 제품 중심의 셀프 서비스 판매로 시작하는 회사는 시간이 지남에 따라 업셀, 교차 판매 및 더 큰 고객을 확보하기 위해 영업팀의 도움이 필요하다는 것을 깨닫게 될 수 있습니다.
급속한 성장 단계에서 많은 기업은 단순히 기존 시스템에 새로운 판매 시스템을 쌓습니다. 그들은 각각의 다른 동작, 가격 책정 모델, 구매 프로세스 등을 관리하기 위해 다른 SaaS 도구를 조달할 것입니다. 회사의 마케팅 부서만 20개의 다른 SaaS 도구와 20개의 다른 데이터 사일로를 갖는 것은 드문 일이 아닙니다.
따라서 기업은 일반적으로 깨끗하고 통합된 데이터로 시작하지만, 성장하면서 데이터가 빠르게 통제 불능 상태가 되고, 종종 기업이 문제로 인식하기도 전에 발생합니다. 데이터는 청구, 이행, 고객 성공 및 기타 시스템 간에 분리되어 기업은 내부 작동에 대한 글로벌 가시성을 잃게 됩니다. 그리고 불행히도 데이터를 수동으로 조정하는 것은 종종 너무 많은 노동력과 시간이 소요되어 통찰력이 사용할 준비가 될 때까지 오래될 수 있습니다.
AI는 당신의 지저분한 데이터를 당신을 대신해 고칠 수 없습니다.
몇몇 잠재 고객이 우리에게 물었습니다. “음, AI가 그렇게 훌륭하다면, 그냥 우리를 위해 이 지저분한 데이터 문제를 해결할 수 없을까요?” 아쉽게도 AI 모델은 이 데이터 문제에 대한 만병통치약이 아닙니다.
현재 AI 모델은 제대로 작동하려면 깨끗한 데이터 세트가 필요합니다. 다양한 판매 모션, SaaS 플랫폼 및 수익 프로세스에 의존하는 회사는 필연적으로 분산되고 단편화된 데이터 세트를 축적합니다. 기업의 수익 데이터가 서로 통신할 수 없는 호환되지 않는 시스템에 분산되면 AI는 이를 이해할 수 없습니다. 예를 들어, 한 시스템에서 “제품”으로 레이블이 지정된 것은 다른 시스템에서 “제품”과 매우 다를 수 있습니다. 이러한 미묘한 의미적 차이는 AI가 식별하기 어렵고 필연적으로 부정확성으로 이어질 것입니다.
데이터는 적절하게 정리, 맥락화 및 통합되어야 합니다. ~ 전에 AI가 등장합니다. 데이터 웨어하우징이 모든 것에 맞는 솔루션을 제공한다는 오랜 오해가 있습니다. 사실, 데이터 웨어하우스가 있어도 기업은 의미 있는 분석을 위해 데이터를 사용하기 전에 데이터를 수동으로 정제하고, 레이블을 지정하고, 맥락화해야 합니다. 따라서 이런 방식으로 데이터 웨어하우징과 AI 사이에는 공통점이 있는데, 기업은 이 두 도구의 이점을 얻기 전에 지저분한 데이터의 근원을 파악해야 하기 때문입니다.
데이터가 맥락화되었더라도 AI 시스템은 여전히 환각을 겪는 것으로 추정됩니다. 최소한 3% 시간의. 하지만 소수점 하나만 잘못 배치되어도 여러 프로세스가 중단되는 도미노 효과가 발생할 수 있는 회사의 재무는 100%의 정확성이 필요합니다. 즉, 데이터 정확성과 일관성을 검증하려면 여전히 인간의 개입이 필수적입니다. AI를 조기에 통합하면 인간 분석가에게 더 많은 작업이 필요할 수 있으며, 이러한 환각을 수정하기 위해 추가 시간과 리소스를 할당해야 합니다.
데이터 캐치-22
그럼에도 불구하고 SaaS 솔루션의 확산과 그로 인한 복잡한 데이터에 대한 해결책은 여러 가지가 있습니다.
첫째, 기업은 각 도구가 비즈니스 프로세스에 꼭 필요한지, 데이터 엉킴에만 기여하지 않는지 확인하기 위해 정기적으로 기술 스택을 평가해야 합니다. 팀에서 매일 사용하는 도구가 10개 또는 20개 이상일 수 있습니다. 해당 도구가 부서와 전체 비즈니스에 진정한 가치를 가져다준다면 없애지 마세요. 하지만 지저분하고 사일로화된 데이터가 프로세스와 정보 수집을 방해한다면 모든 데이터가 동일한 도구와 언어로 보관되는 린하고 통합된 솔루션으로 전환하는 것과 그 이점을 비교해야 합니다.
이 시점에서 기업은 소프트웨어를 선택할 때 딜레마에 직면합니다. 올인원 도구는 데이터 일관성을 제공할 수 있지만 특정 영역에서는 정확도가 떨어질 수 있습니다. 중간 지점은 기업이 유연하고 적응 가능하며 일반 생태계와 완벽하게 통합된 범용 객체 모델을 제공하는 소프트웨어를 찾는 것입니다. 예를 들어 Atlassian의 Jira를 살펴보겠습니다. 이 프로젝트 관리 도구는 이해하기 쉽고 확장성이 뛰어난 객체 모델에서 작동하므로 Agile 소프트웨어 개발, IT/헬프데스크, 마케팅, 교육 등 다양한 유형의 프로젝트 관리에 쉽게 적응할 수 있습니다.
이러한 균형을 맞추려면 비즈니스에 가장 중요한 지표를 매핑하고 거기에서 다시 작업하는 것이 중요합니다. 회사의 북극성을 식별하고 시스템을 그에 맞춰 조정하면 필요한 통찰력을 제공하기 위해 데이터 인프라를 설계하고 있는지 확인할 수 있습니다. 운영 워크플로나 사용자 편의성에만 집중하는 대신 시스템이 전략적 의사 결정에 중요한 지표와 같은 협상 불가능한 지표에 기여하는지 고려하세요.
결국, 스스로 생긴 데이터 난제를 해결하기 위해 시간과 자원을 투자하는 회사들이 AI의 진정한 잠재력을 가장 먼저 끌어낼 것입니다.
게시물 지저분한 데이터가 기업 AI 도입을 방해하고 있습니다. 기업이 스스로를 풀어낼 수 있는 방법 처음 등장 유나이트.AI.
