Ein praktischer Ansatz für geschäftliche Auswirkungen von Data & AI | Zehn bewährte Taktiken vom Schlachtfeld.

In der heutigen, sich schnell entwickelnden Unternehmenslandschaft ist data zu einem unverzichtbaren Instrument für Unternehmen geworden, die wettbewerbsfähig bleiben wollen. Organisationen, die keine data Modelle einführen, laufen Gefahr, hinter ihre Konkurrenten zurückzufallen, weil ihnen wertvolle Erkenntnisse und Möglichkeiten für Expansion, Optimierung und Innovation entgehen. Kurz gesagt, die Nutzung von data für Unternehmen ist kein Luxus mehr, sondern eine Notwendigkeit für Nachhaltigkeit und Entwicklung, und die Unternehmensleitung sollte bei der Identifizierung, Priorisierung und Entwicklung von data und AI die Führung übernehmen. Im Gegensatz zu der weit verbreiteten Ansicht, dass Geschäftsinteressenten nur "Konsumenten" von data sind, glauben wir, dass sie den gesamten Prozess anführen sollten, unterstützt von data und Technologieexperten.

Eine gründliche Analyse der geschäftlichen Wertschöpfungskette und der wichtigsten Geschäftsprozesse wird am besten von den Geschäftsinteressenten selbst durchgeführt. Bei dieser Analyse werden die Bereiche identifiziert, in denen die Lösungen von data einen erheblichen Einfluss auf das Geschäft haben können, und zwar in Form von Umsatzsteigerung, Kostenoptimierung, Verbesserung der Kundenerfahrung oder operativer Exzellenz. Während dieses Prozesses ist es wichtig, Geschäftsmöglichkeiten zu identifizieren, die mit der allgemeinen Geschäftsstrategie des Unternehmens übereinstimmen. So kann beispielsweise die Analyse der Lieferkette und ihrer wichtigsten Kennzahlen dazu beitragen, potenzielle Lücken und Ineffizienzen zu identifizieren, die von data analytics and intelligence profitieren können.

Das Ziel sollte nicht sein, mit einer langen Liste von data zu beeindrucken, sondern die wichtigsten Geschäftsbereiche zu identifizieren, die von data Erkenntnissen profitieren können. Wenn Unternehmen der Versuchung widerstehen, zu viele data zu verfolgen, können sie sich konzentrieren und ihre Chancen auf den Aufbau erfolgreicher data erhöhen. Es ist auch wichtig, den Mehrwert von data zu erkennen, der über die einfache Berichterstellung hinausgeht. Die Berichterstattung ist zwar wertvoll, da sie eine Zusammenfassung der Unternehmensleistung liefert, aber sie bietet nur eine retrospektive Sicht auf die data und lässt wenig Raum für Analyse und Entscheidungsfindung. Um das Potenzial von data voll ausschöpfen zu können, müssen Unternehmen data finden, die diagnostische Analysen bieten, die automatisch die Ursachen der Leistung ermitteln, sowie prädiktive Analysen, die zukünftige Trends vorhersagen.

Bevor mit der Entwicklung einer data Lösung begonnen wird, muss unbedingt eine detaillierte Machbarkeitsstudie durchgeführt werden, in der die Verfügbarkeit und Qualität der erforderlichen data Quellen sowie die Kosten der Technologien und des Fachwissens untersucht werden, die für die Erfassung und Verarbeitung dieser data Quellen erforderlich sind. Dazu gehört auch die Untersuchung der Hardware- und Softwareanforderungen sowie der menschlichen Fähigkeiten, die zur Implementierung und Wartung der Technologie erforderlich sind. Dies trägt auch dazu bei, realistische Erwartungen für data Lösungen festzulegen, die mit dem Reifegrad der erforderlichen data Quellen, Technologien und Fähigkeiten übereinstimmen.

Die Entwicklung und Skalierung von data Lösungen für Unternehmen erfordert ein neues Betriebsmodell - eine AI Factory - bestehend aus Funktionsteams unter der Leitung von Geschäftsexperten, die von data Wissenschaftlern, Ingenieuren, Analysten und Softwareentwicklern unterstützt werden. Diese Teamstruktur stellt sicher, dass data Lösungen immer mit Blick auf das Geschäftsziel entwickelt werden. Die Einführung eines agilen Test- und Lernprozesses, bei dem versucht wird, in kurzer Zeit eine erfolgreiche POC zu erstellen, ist ebenfalls von entscheidender Bedeutung, um eine kürzere Entwicklungszeit zu erreichen.

Nicht alle Lösungen von data werden erfolgreich sein; einige werden trotz sorgfältiger Planung und Ausführung aufgrund technischer oder data Einschränkungen scheitern. Es ist wichtig, dass Unternehmen erkennen, dass Scheitern ein natürlicher Teil des Entwicklungsprozesses ist: Es sollte sie nicht davon abhalten, zukünftige Projekte zu verfolgen. Stattdessen sollten sich Unternehmen darauf konzentrieren, erfolgreiche data Anwendungsfälle zu industrialisieren, sie auf vollständige data Domänen zu skalieren und ihre Algorithmen und data Quellen zu optimieren. Dazu gehört auch die kontinuierliche Überwachung und Verbesserung des Anwendungsfalls, um sicherzustellen, dass er weiterhin den Anforderungen der Geschäftsanwender entspricht.

Die Bereitstellung von Schulungen zu data und einer benutzerfreundlichen Dokumentation für Geschäftsanwender ist zwar notwendig, reicht aber in der Regel nicht aus, um eine breite Akzeptanz von data zu erreichen. Eine breite Akzeptanz von data durch Geschäftsanwender lässt sich am besten dadurch erreichen, dass die Anwender den Entwicklungsprozess leiten, diese Lösungen in den Lehrplan des Unternehmens integriert werden und KPIs zur Akzeptanz und Auswirkung in Scorecards für Geschäftsanwender aufgenommen werden. Durch die Abstimmung der Scorecards für Geschäftsanwender mit der data des Unternehmens können Organisationen eine Kultur der data Entscheidungsfindung schaffen und sicherstellen, dass die Einführung von data zu greifbaren geschäftlichen Auswirkungen führt.

Um eine kontinuierliche Verbesserung der Lösungen von data zu erreichen, ist es wichtig, regelmäßig Feedback von den Geschäftsanwendern einzuholen, ihre Bedürfnisse und Anforderungen zu bewerten und die notwendigen Anpassungen vorzunehmen, um diese zu optimieren. Die Scrum-Methodik bietet einen effektiven Ansatz für die Erfassung und Umsetzung von Verbesserungen in einer iterativen und inkrementellen Weise. Die Benutzer von data sollten kontinuierlich Rückmeldungen über die Genauigkeit und Benutzerfreundlichkeit der Lösungen von data sowie über die erforderlichen Verbesserungen der Geschäftsprozesse erfassen. Es ist wichtig, (1) Verbesserungen zu implementieren, die die Genauigkeit des Outputs der Lösung erhöhen, (2) ihre Merkmale und Funktionen zu erweitern und (3) ihre Benutzerfreundlichkeit und -erfahrung zu verbessern.

Die Pflege von qualitativ hochwertigen data Quellen für data Lösungen ist entscheidend, um automatisierte, genaue Ergebnisse mit minimalem Aufwand zu erzielen. Um dies zu erreichen, sollten Unternehmen einen robusten data Qualitätsrahmen implementieren, der klare Richtlinien und Standards für data Sammlung und Umwandlung durchsetzt. Darüber hinaus sollten die Unternehmen strenge data Sicherheits- und Datenschutzrichtlinien für eine sichere und konforme data Verarbeitung einführen. Dieser Ansatz gewährleistet, dass die Eingaben data genau, aktuell und konsistent sind, was das Fehlerrisiko verringert und die Gesamteffizienz des data Verarbeitungsprozesses verbessert.

Die Identifizierung der kommerziellen oder betrieblichen KPIs, die durch eine data Lösung direkt verbessert werden, ist für die Messung der geschäftlichen Auswirkungen von entscheidender Bedeutung. Sobald diese KPIs identifiziert sind, besteht der nächste Schritt darin, eine Formel zu entwickeln, um die inkrementelle Auswirkung der data Lösung auf jeden dieser KPIs zu messen. Diese Formel sollte den Ausgangswert dieser KPIs vor (oder ohne) der Implementierung der Lösung data berücksichtigen und ihn mit der Leistung dieser KPIs nach (oder mit) der Implementierung dieser Lösung vergleichen, wobei andere Faktoren, die zu diesem Anstieg geführt haben könnten, zu berücksichtigen sind. Sobald die inkrementelle Auswirkung auf jeden KPI berechnet wurde, sollte sie in finanzielle Begriffe übersetzt werden, z. B. in reduzierte Kosten oder erhöhte Einnahmen. Schließlich ist es immer empfehlenswert, eine automatisierte Messung der geschäftlichen Auswirkungen von data Lösungen zu verwenden, um eine unvoreingenommene und zeitnahe Messung der geschäftlichen Auswirkungen zu gewährleisten.

"Da Unternehmen versuchen, mit ihren Investitionen in data analytics und artificial intelligence greifbare Geschäftsergebnisse zu erzielen, ist es wichtig, einen fokussierten Ansatz zu verfolgen, der die richtigen Lösungen entwickelt und die richtigen Erwartungen setzt. Mit diesem Ansatz leiten die Unternehmensleiter die Entwicklung von data & AI Lösungen "für das Unternehmen durch das Unternehmen" - sie setzen Prioritäten bei den wirkungsvollsten Lösungen, erstellen schnelle POCs mit data Experten, skalieren data Lösungen, die funktionieren, und akzeptieren "Misserfolge" bei denen, die nicht funktionieren. Die Leitung des gesamten Prozesses durch die Unternehmensteams stellt sicher, dass die Unternehmen sich einbringen und die Lösungen von Anfang an angenommen werden."

Oussama Ahmad, Data Beratungspartner

Data Beschleunigungsprojekte haben in den letzten Jahren in der MENA-Region stark zugenommen, da die Unternehmen die Möglichkeiten von data für ihr Geschäftswachstum nutzen. Zwar gibt es nach wie vor bestimmte Herausforderungen, wie z. B. die Aufrechterhaltung der Qualität von data , insbesondere bei Altsystemen, aber die Unternehmen suchen aktiv nach Lösungen, um diese Hindernisse zu überwinden. Der Aufbau der richtigen data Fähigkeiten innerhalb der Unternehmensteams und des richtigen Betriebsmodells ist der wichtigste Weg, um die erfolgreiche Implementierung und Übernahme von data Lösungen und die Realisierung greifbarer geschäftlicher Auswirkungen zu gewährleisten."

Karim Hayek, Data Beratung Senior Manager